Autodeleveraging as Online Learning
创建于 更新于
摘要
本文将交易所级别的 Autodeleveraging (ADL) 机制形式化为一个在线学习/在线凸优化问题，提出以“severity + allocation”分解的可执行策略空间并给出带有执行价格不确定性项 P_T^θ 的实例标定动态遗憾界，理论上证明固定优先级队列会产生线性遗憾而自适应控制器可达次线性遗憾；在 2025-10-10 Hyperliquid 事件的回放上，发现生产队列比部署可行的替代策略（如整数 pro-rata 或 vector mirror descent）导致要高出一个数量级的累积目标损失，生产模型的过度社保（overshoot）约为 \$45M–\$51.7M，而 vector mirror descent 在同一上界尺度下仅为约 2.6%（大幅降低过度社保）[page::0][page::11][page::16]
