Slippage-at-Risk (SaR): A Forward-Looking Liquidity Risk Framework for Perpetual Futures Exchanges

Dit artikel introduceert Slippage-at-Risk (SaR), een vooruitkijkend kwantitatief raamwerk dat op basis van de huidige orderboekmicrostructuur liquiditeitsrisico's voor perpetual futures-exchanges meet en optimaliseert via een concentratie-aanpassing en koppeling aan kapitaalvereisten.

De kern

Stel je voor dat een cryptocurrency-ruilbeurs (zoals een grote supermarkt voor digitale valuta) een enorme sluis is. Mensen komen hier om met leningen (hefboom) te handelen. Als de markt daalt, moeten deze mensen hun posities sluiten voordat ze al hun geld verliezen. Dit noemen we "liquidatie".

Het probleem is: wat gebeurt er als er plotseling duizenden mensen tegelijk proberen hun posities te sluiten?

Deze paper introduceert een nieuw meetinstrument genaamd Slippage-at-Risk (SaR). Laten we dit uitleggen met een simpele analogie: De "Drukte in de Uitgang".

1. Het Probleem: De Drukte in de Uitgang

Stel je een drukke club voor. Als er brand uitbreekt, moeten iedereen tegelijk naar buiten.

• De oude manier (Verleden): De beveiliging kijkt naar het verleden: "Vorig jaar is er nog nooit een brand geweest, dus we zijn veilig." Of: "De laatste keer dat er een paniek was, duurde het 10 minuten om uit te komen." Dit is Value-at-Risk (VaR). Het kijkt terug, maar vertelt je niets over de huidige situatie.
• Het nieuwe inzicht (SaR): SaR kijkt niet naar het verleden, maar naar de huidige uitgang.
  • Is de uitgang breed genoeg voor iedereen?
  • Zijn er maar één of twee mensen die de deur openhouden (concentratie)?
  • Als die ene deurwachter wegloopt, storten de mensen dan op elkaar?

SaR meet precies hoe "dicht" de uitgang nu is. Als de uitgang smal is, weten we dat bij een paniek (een liquidatie) mensen tegen elkaar aan zullen botsen en veel schade zullen lijden, voordat de paniek überhaupt begint.

2. De Drie Maatstaven van SaR

De auteurs hebben drie manieren bedacht om deze "drukte" te meten:

1. SaR (De "Worst-Case" Schatting):

   • Analogie: "Als 95% van de mensen in de club probeert uit te gaan, hoe ver moeten ze dan nog lopen voordat ze de deur bereiken?"
   • Het geeft een percentage aan: "95% van de munten heeft een uitgang die veilig is tot 3% extra kosten." Als het hoger is, is het gevaarlijk.

2. ESaR (De "Rampscenario" Kosten):

   • Analogie: "En voor die 5% van de mensen die in de allerergste hoek staan (de 'staart' van de verdeling): hoeveel extra tijd en geld gaan zij kwijt zijn?"
   • Dit kijkt niet alleen naar de grens, maar naar hoe slecht het echt kan worden voor de meest kwetsbaren.

3. TSaR (De Totale Schade in Euro's):

   • Analogie: "Als die 5% in paniek raakt, hoeveel geld in totaal gaat er verloren door die botsingen?"
   • Dit is het bedrag dat de verzekeringskas van de beurs nodig heeft om de schade op te vangen.

3. Het Gevaar van "De Grote Baas" (Concentratie)

Een heel belangrijk punt in de paper is concentratie.
Stel je twee uitgangen voor:

• Uitgang A: 100 vrijwilligers houden de deur open. Als er 1 wegloopt, is er nog steeds 99% capaciteit.
• Uitgang B: 2 rijke bazen houden de deur open. Als er 1 wegloopt, is de helft van de deur dicht.

De paper zegt: Uitgang B is gevaarlijker, zelfs als de deur even breed lijkt. Als die ene "baas" (een grote marktmaker) besluit weg te gaan of failliet gaat, stort de liquiditeit in.
SaR past een "straf" toe op deze situatie. Als er te weinig mensen zijn die de liquiditeit leveren, wordt het risico hoger gerekend. Dit is als een verzekering die je meer laat betalen als je huis wordt bewaakt door slechts één persoon in plaats van een heel team.

4. Waarom is dit zo belangrijk? (De Voorspellende Kracht)

De paper toont aan dat SaR werkt als een vroegwaarschuwingssysteem.

• Oude methode: Je ziet pas dat er een ramp is als de mensen al op de grond liggen (nadat de liquidaties al zijn gebeurd en er geld verloren is).
• Nieuwe methode (SaR): Je ziet dat de uitgang langzaam smaller wordt en dat de "baas" aan het weglopen is. Je kunt dan voordat de paniek uitbreekt zeggen: "Hé, we moeten de deur breder maken of minder mensen toelaten!"

In het voorbeeld uit de paper (een crash in oktober 2025) zag SaR 12 tot 24 uur van tevoren dat de liquiditeit aan het verdwijnen was. De oude systemen zagen niets totdat het te laat was.

5. De "Verzekeringskas"

Beurzen hebben een verzekeringsfonds (een pot met geld) om verliezen op te vangen als liquidaties mislukken.

• Vroeger: Ze keken naar het verleden om te zien hoeveel geld ze nodig hadden.
• Nu met SaR: Ze kunnen nu zeggen: "Op basis van hoe smal de uitgang nu is, hebben we precies dit bedrag nodig."
  • In het voorbeeld bleek dat de echte verzekeringskas (€25 miljoen) veel te klein was. SaR had voorspeld dat ze ongeveer €312 miljoen nodig hadden. Als ze dat hadden geweten, waren ze niet failliet gegaan of hadden ze geen "socialized losses" (verliezen doorgeven aan andere gebruikers) hoeven te maken.

Samenvatting in één zin

Slippage-at-Risk (SaR) is een slimme manier om te kijken of de "uitgang" van een cryptobeurs breed genoeg is voor een paniek, rekening houdend met wie de deur openhoudt, zodat we een ramp kunnen voorkomen voordat hij gebeurt, in plaats van alleen te kijken naar de puinhopen erna.

Technische samenvatting

Technische Samenvatting: Slippage-at-Risk (SaR)

1. Het Probleem: Systemisch Risico in Perpetual Futures

Perpetual futures (perpetua) zijn de dominante derivaten in de cryptomarkt, maar hun risicomanagementkaders vertonen ernstige tekortkomingen. De kern van het probleem ligt in de interactie tussen hefboomwerking, liquidaties en de liquiditeit van het orderboek.

• Achterwaartse Kijk: Bestaande risicomodellen (zoals Value-at-Risk of VaR) zijn gebaseerd op historische rendementen of gerealiseerde tekorten. Ze kijken naar het verleden en zijn daardoor blind voor huidige liquiditeitscondities.
• Blind Vlekken: Voor nieuw geliste tokens zonder liquidatiegeschiedenis kunnen deze modellen geen risico's berekenen.
• Microstructuren Ignoreren: Traditionele modellen houden geen rekening met de daadwerkelijke diepte van het orderboek, wat de enige bron is voor uitvoeringskwaliteit tijdens stressperiodes.
• Het Gevolg: Tijdens marktdalingen kunnen cascaderende liquidaties de beschikbare liquiditeit overweldigen. Dit leidt tot executieprijzen die veel slechter zijn dan de faillissementsprijs, wat "bad debt" (slecht schulden) creëert. Dit moet worden opgevangen door een verzekeringsfonds of via autodeleveraging (ADL), wat leidt tot sociale kosten en reputatieschade.
  • Voorbeeld: De Hyperliquid-cascade van 10 oktober 2025 resulteerde in $304,5 miljoen aan tekorten, terwijl het verzekeringsfonds slechts ~$25 miljoen bedroeg.

2. Methodologie: Het SaR-kader

Het paper introduceert Slippage-at-Risk (SaR), een vooruitkijkend (forward-looking) raamwerk dat liquiditeitsrisico's meet op basis van de huidige staat van het orderboek, in plaats van historische data.

A. Kernmetrieken

Het framework definieert drie complementaire metrics:

1. SaR($\alpha$) (Cross-sectionele Slippage-kwantiel): Het $\alpha$-percentiel van de slippage over alle tokens. Bijvoorbeeld, SaR(0.95) = 3% betekent dat 95% van de tokens een slippage van maximaal 3% heeft bij het liquideren van een gestresst notioneel bedrag.
2. ESaR($\alpha$) (Expected Slippage at Risk): De verwachte slippage binnen de "staart" (de slechtste tokens). Dit is het equivalent van Expected Shortfall in de VaR-literatuur.
3. TSaR($\alpha$) (Total Dollar Slippage at Risk): De totale dollarwaarde van de slippage in de staart. Dit vertaalt zich direct naar potentiële tekortblootstelling.

B. De Slippage-functie en Kalibratie

• Slippage-functie $S_i(Q)$: Berekent de volumegewogen gemiddelde uitvoerinkorting bij het liquideren van een hoeveelheid $Q$.
• Notionele Kalibratie: De hoeveelheid $Q$ wordt bepaald als een fractie ($\beta$) van de open interest (OI), begrensd door de 95e percentiel van historische posities. $\beta$ wordt verhoogd tijdens stressperiodes (bijv. 10-20%).

C. Concentratie-aanpassing (Concentration Adjustment)

Een cruciale innovatie is de correctie voor de kwetsbaarheid van geconcentreerde liquiditeit. Een orderboek met dezelfde totale diepte kan extreem fragiel zijn als het wordt gedomineerd door één enkele market maker.

• Herfindahl-Hirschman Index (HHI): Gemeten op basis van de marktaandelen van liquiditeitsproviders.
• Haircut-formule: Een aanpassingsfactor ($h_{conc}$) wordt toegepast die de slippage verhoogt als het aantal effectieve providers ($N_{eff} = 1/HHI$) laag is of als één provider te dominant is.
• Doel: Dit straalt het risico af op "spoofing" (kunstmatige liquiditeit) en het risico op gelijktijdige terugtrekking van providers.

D. Theoretische Koppeling: Verzekeringsfonds

Het paper stelt een causaal verband vast: Liquiditeitsonttrekking $\rightarrow$ Dunne orderboeken $\rightarrow$ Hoge Slippage $\rightarrow$ Slechte Schulden.
Hieruit wordt een formule afgeleid voor de optimale grootte van het verzekeringsfonds ($IF^*$):
$$IF^* \approx c \cdot TSaR_{adj}^{\$}(r/\kappa)$$
Waarbij $c$ een vermenigvuldigingsfactor is die de versterking door cascades en marges vereist. Dit stelt exchanges in staat om hun kapitaalvereisten dynamisch aan te passen aan de huidige liquiditeit, in plaats van op historische tekorten.

3. Empirische Analyse en Resultaten

De auteurs testen het framework op orderboekdata van de gedecentraliseerde exchange Hyperliquid (periode: 9 oktober - 3 november 2025), inclusief de cascade van 10 oktober 2025.

• Voorspellende Kracht: SaR fungeert als een leidende indicator. De correlatie tussen SaR-metrics en gerealiseerde tekorten is significant negatief gelagd (SaR loopt tekorten 6-24 uur vooruit).
  • Granger-causaliteitstest: Bevestigt dat TSaR tekorten veroorzaakt, maar niet andersom.
• Case Study: 10 Oktober 2025:
  • Pre-event: 24 uur voor de cascade steeg SaR(0.95) van 2,41% naar 3,12%, en de totale diepte daalde met 75%.
  • Predictie vs. Realiteit: De pre-event SaR-predictie (gebaseerd op data van 08:00) correleerde sterk ($R^2 = 0,78$) met de daadwerkelijke slippage tijdens de cascade.
  • Verzekeringsfonds: De SaR-gebaseerde schatting voor het benodigde fonds was ~$312,6 miljoen, wat bijna exact overeenkwam met het gerealiseerde tekort van $304,5 miljoen. Het daadwerkelijke fonds van ~$25 miljoen was een orde van grootte te klein.
• Concentratie-effecten: Tijdens de cascade daalde het gemiddelde aantal effectieve providers ($N_{eff}$) van 8,7 naar 2,8. 73% van de tokens had op het hoogtepunt minder dan 3 providers, wat de slippage enorm versterkte.

4. Belangrijkste Bijdragen

1. Nieuwe Metrieken: Introductie van SaR, ESaR en TSaR als vooruitkijkende maatstaven voor liquiditeitsrisico.
2. Concentratiecorrectie: Een wiskundig onderbouwd "haircut"-model dat kwetsbaarheid door concentratie (HHI) kwantificeert.
3. Theoretische Link: Een directe mapping van orderboek-microstructuur naar optimale kapitaalvereisten (verzekeringsfonds), gebaseerd op het werk van Chitra et al. (2025).
4. Empirische Validatie: Bewijs dat SaR systemische stress kan voorspellen en dat het framework in staat is om tekorten nauwkeurig te schatten, zelfs voor nieuwe tokens zonder geschiedenis.

5. Betekenis en Implicaties

• Vooruitkijkend Risicomanagement: SaR verschuift de focus van het meten van gebeurde verliezen naar het meten van de oorzaak (liquiditeit). Dit is essentieel voor proactief ingrijpen.
• Dynamische Capital Requirements: Exchanges kunnen hun verzekeringsfondsen en leverage-limieten dynamisch aanpassen op basis van live orderboekdata, in plaats van statische, maandelijkse herzieningen.
• Toepassing op Nieuwe Tokens: Het biedt een risicobeoordeling voor nieuw geliste assets die nog geen liquidatiegeschiedenis hebben, wat een veiligheidsnet vormt voor de uitbreiding van DeFi-markten.
• Filosofische Shift: In een omgeving waar "code is law", biedt SaR een kwantitatieve basis voor de intuïtie dat liquiditeit de levensader van markten is. Dunne orderboeken zijn niet slechts ongemakkelijk, maar systemisch riskant.

Conclusie: Het SaR-framework biedt een robuust, data-gedreven instrument om de kwetsbaarheid van perpetual futures-exchanges te meten en te mitigeren, met name door het risico van geconcentreerde liquiditeit en het ontbreken van historische data te adresseren.