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

本文提出了一种名为“滑点风险（SaR）”的前瞻性流动性风险框架，通过结合订单簿微观结构、集中度调整及自动去杠杆机制，利用 Hyperliquid 实证数据验证了其作为系统性压力领先指标的有效性，并建立了与最优资本要求的直接映射关系。

要点

这篇论文提出了一种名为**“滑点风险”（Slippage-at-Risk，简称 SaR）**的全新工具，用来给加密货币永续合约交易所“体检”。

为了让你轻松理解，我们可以把整个交易所想象成一个巨大的、拥挤的“跳蚤市场”，而这篇论文就是给这个市场设计的一套**“防踩踏预警系统”**。

以下是用通俗语言和生动比喻对这篇论文核心内容的解读：

1. 核心问题：为什么以前的“体检”不管用？

以前的做法（向后看）：
就像医生只看你过去有没有生过病（历史亏损数据）来判断你现在的健康状况。

• 缺点： 如果是一个刚开张的新市场（新上市的代币），从来没有发生过危机，医生就不知道它有没有病。而且，如果市场突然变了（比如大家都开始恐慌），过去的经验就失效了。

这篇论文的做法（向前看）：
SaR 不看过去，它直接看现在的“货架”上还有多少货（订单簿深度）。

• 比喻： 想象你要在跳蚤市场卖出 100 个苹果。
  • 如果摊位前只有 2 个人在排队买，你卖完这 100 个苹果，价格肯定会被压得很低（这就是滑点，即你实际卖出的价格比预期差很多）。
  • SaR 就是计算：“如果现在发生大恐慌，大家同时想卖出，这个市场能接住多少货？价格会跌多惨？”

2. SaR 的三大核心指标（三个维度的“体检报告”）

论文提出了三个指标，就像给市场做了三个不同的检查：

1. SaR (滑点风险值)：
   • 比喻： “最坏情况下的底线”。
   • 含义： 在 95% 的情况下，卖出资产时的价格损失不会超过这个数值。如果这个数值突然变大，说明市场变“干”了，流动性变差了。
2. ESaR (预期尾部滑点)：
   • 比喻： “如果最坏的情况真的发生了，我们会摔得多惨？”
   • 含义： 关注那些最倒霉的 5% 的情况。如果市场真的崩了，平均会损失多少？这比单纯看底线更可怕，但也更真实。
3. TSaR (总美元滑点风险)：
   • 比喻： “如果全市场一起崩盘，总共会亏多少钱？”
   • 含义： 把所有可能出问题的代币加起来，算出交易所的保险基金需要准备多少现金才能填平这个窟窿。

3. 一个关键的发现：警惕“独裁者”（集中度调整）

论文发现，光看“货架上有多少货”是不够的，还要看是谁在供货。

• 场景 A（健康）： 100 个小贩，每人手里有 10 个苹果。如果其中一个小贩跑了，市场只损失 1% 的货，大家还能继续买卖。
• 场景 B（危险）： 只有 2 个大老板，每人手里有 500 个苹果。如果其中一个大老板突然跑路（撤单），市场瞬间就少了 50% 的货，价格会崩盘。

论文的贡献： 它发明了一个**“集中度惩罚”**。如果某个代币的流动性主要靠一两个大户提供，SaR 会自动把这个代币的风险评级调高（打个“折扣”），提醒交易所：“别看现在货多，这货太脆弱了，随时可能消失！”

4. 实战演练：2025 年 10 月 10 日的“大崩盘”

论文用 Hyperliquid 交易所真实发生的一次危机（2025 年 10 月 10 日）来验证这套系统。

• 事前： 在崩盘发生前的 12-24 小时，SaR 指标就已经开始报警了。它发现市场上的“货架”正在变薄，大户们正在悄悄撤单。
• 事中： 崩盘真的发生了，大量用户被强制平仓。
• 事后验证：
  • 旧系统： 交易所的保险基金只有 2500 万美元，结果亏了 3 亿多美元，根本不够赔，导致其他赚钱的用户也被迫分摊损失（这叫“社会化亏损”）。
  • SaR 系统： 如果当时用了 SaR 计算，它会建议保险基金至少准备 3 亿多美元。
  • 结论： SaR 就像天气预报。在暴风雨来临前，它已经告诉你“气压在降低，要带伞了”，而不是等雨淋湿了才说“哎呀下雨了”。

5. 这对我们意味着什么？（实际意义）

1. 给交易所老板的“保命符”： 以前交易所不知道要存多少保险基金才够。现在，他们可以根据 SaR 算出：“根据现在的市场深度，我们需要存 3 亿美元，而不是 2500 万。”
2. 给新币的“准生证”： 一个新上市的代币，从来没有发生过危机，交易所不敢随便上。现在可以用 SaR 算一下：“虽然它没历史数据，但看现在的订单簿，流动性太集中，风险太大，先别上。”
3. 给投资者的“预警机”： 当 SaR 指标飙升时，聪明的投资者就知道：“市场快撑不住了，赶紧撤，别等被强制平仓。”

总结

这篇论文的核心思想是：不要等灾难发生了再数尸体，要在灾难发生前数清楚“救生圈”够不够。

它把复杂的金融数学变成了简单的逻辑：看现在的订单簿（救生圈），算算如果大家都跳下去（恐慌抛售），会不会沉船（滑点过大），以及如果沉了，需要多少备用金（保险基金）。

这就好比在过山车上，以前的风控是看“上次有没有人掉下来”，而 SaR 是看“现在的安全带扣紧没扣紧，以及轨道有没有松动”。

技术摘要

论文技术总结：永续合约交易所的滑点风险（SaR）前瞻框架

论文标题：Slippage-at-Risk (SaR): A Forward-Looking Liquidity Risk Framework for Perpetual Futures Exchanges
作者：Otar Sepper (SepperLabs, 前 Gauntlet)
日期：2026 年 3 月
核心领域：DeFi 风险管理、永续合约、订单簿微观结构、保险基金优化

---

1. 研究背景与问题 (Problem)

在加密货币永续合约市场中，传统的风险管理框架存在显著缺陷，无法有效应对由杠杆、清算和订单簿流动性相互作用引发的系统性风险。

• 现有方法的局限性：
  • 后顾性指标：传统的风险价值（VaR）和预期亏损（ES）基于历史回报或已实现的亏损分布，无法反映当前的市场吸收能力。
  • 新资产盲区：基于历史数据的指标无法用于新上线的代币（缺乏历史压力事件数据），而这正是风险最高的领域。
  • 忽视微观结构：现有的头寸限制和杠杆上限通常静态设定，未将决定执行质量的订单簿深度纳入正式风险指标。
• 核心痛点：在市场压力时期，连锁清算（Cascading Liquidations）会耗尽流动性，导致执行价格远差于理论破产价格，产生巨额坏账（Bad Debt）。若保险基金（Insurance Fund）不足，将触发自动减仓（ADL），损害盈利交易者利益。
• 案例警示：2025 年 10 月 10 日 Hyperliquid 事件显示，2.1 亿美元的清算导致了 3.045 亿美元的赤字，而交易所的保险基金仅约 2500 万美元，导致 ADL 过度使用（8 倍于实际赤字）。

2. 方法论 (Methodology)

论文提出了**滑点风险（Slippage-at-Risk, SaR）**框架，这是一种基于当前订单簿微观结构的前瞻性流动性风险度量体系。

2.1 核心指标体系

框架包含三个互补的指标，用于衡量在压力情景下（如同时清算一定比例未平仓合约）的滑点风险：

1. SaR(α)：跨资产滑点分位数。表示在置信水平 $\alpha$ 下，95% 的代币在压力清算时的滑点不超过该值。
2. ESaR(α)：尾部预期滑点。衡量处于尾部（风险最高）的代币的平均滑点严重程度。
3. TSaR$(α)：尾部美元滑点总额。将所有尾部代币的滑点金额加总，直接映射为潜在的赤字敞口。

2.2 滑点函数与名义金额校准

• 滑点函数 $S_i(Q)$：基于订单簿深度计算清算数量 $Q$ 时的加权平均执行价差。
• 名义金额校准：压力清算数量 $Q_i$ 设定为未平仓合约（OI）的一定比例 $\beta$（通常 5%-20%）与历史头寸规模 95% 分位数的较小值。

2.3 集中度调整 (Concentration Adjustment)

这是该框架的关键创新。单纯的深度数据可能掩盖流动性结构的脆弱性（如少数做市商主导）。

• 赫芬达尔—赫希曼指数 (HHI)：用于衡量流动性提供者的集中度。
• 集中度 haircut (折扣/惩罚)：
  • 如果有效做市商数量 ($N_{eff}$) 低于目标值（如 15 个），或单一做市商份额 ($CR_1$) 过高，则对滑点进行向上调整。
  • 公式逻辑：$S_{adj} = S_{raw} \times (1 + h_{conc})$。
  • 目的：惩罚那些看似深度足够但结构脆弱（易受单一做市商撤单影响）的订单簿。

2.4 理论连接：保险基金优化

基于 Chitra et al. (2025) 的理论，建立了从订单簿深度到赤字的因果链：
$$\text{流动性撤出} \rightarrow \text{订单簿变薄} \rightarrow \text{高滑点} \rightarrow \text{坏账} \rightarrow \text{ADL/社会化}$$
推导出SaR 隐含保险基金公式：
$$IF^* \approx c \cdot TSaR^{\text{adj}}_{\$} \left( \frac{r}{\kappa} \right)$$
其中 $c$ 为放大系数（考虑保证金缺口和级联效应），$r/\kappa$ 为机会成本与社会声誉成本的比率。这意味着保险基金规模应基于当前流动性条件而非历史数据动态设定。

3. 主要贡献 (Key Contributions)

1. 首创前瞻性流动性风险指标：首次将订单簿微观结构直接量化为风险指标，解决了新资产无历史数据无法评估风险的问题。
2. 集中度风险量化：形式化了流动性集中度的脆弱性，并提出了基于 HHI 的滑点调整公式，识别“虚假深度”。
3. 因果链与资本要求映射：建立了从微观结构到宏观赤字的理论桥梁，为动态保险基金 sizing 提供了数学依据。
4. 扩展功能：框架可扩展至级联效应调整、时间动态监测（趋势检测）、跨资产相关性分析以及做市欺诈（Spoofing）检测。

4. 实证结果 (Results)

研究使用了 Hyperliquid 交易所 2025 年 10 月 9 日至 11 月 3 日的高频订单簿数据，重点分析了 2025 年 10 月 10 日的清算级联事件。

• 预测有效性验证：

  • 领先指标：SaR 指标在事件发生前 6-24 小时即开始显著上升。TSaR 与未来 12 小时的实际赤字相关性高达 0.61，24 小时为 0.42。
  • 格兰杰因果检验：统计显著地证明 TSaR 是赤字的格兰杰原因（Granger-cause），而非反之。
  • 预测精度：在 10 月 10 日事件前 12 小时计算的 SaR 预测值与事件期间的实际滑点呈现强相关性（$R^2 = 0.78$）。

• 集中度分析：

  • 在压力期间，有效做市商数量 ($N_{eff}$) 从平均 8.7 骤降至 2.8，73% 的代币在峰值时 $N_{eff} < 3$。
  • 集中度调整显著提高了对小微市值代币的风险评估（平均滑点几乎翻倍）。

• 保险基金规模验证：

  • 基于事件前数据计算的 SaR 隐含保险基金（约 3.12 亿美元）与实际产生的赤字（3.045 亿美元）高度吻合。
  • 相比之下，Hyperliquid 当时的实际保险基金（约 2500 万美元）仅为所需规模的 1/12，这一巨大缺口在事件发生前数小时即可通过 SaR 指标识别。

5. 意义与影响 (Significance)

• 风险管理范式转变：从“事后补救”（基于历史亏损）转向“事前预防”（基于当前流动性资源）。SaR 强调测量原因（流动性）而非结果（亏损）。
• DeFi 治理与资本效率：
  • 为交易所提供了动态调整杠杆限制、头寸上限和保险基金规模的量化依据。
  • 对于新上线代币，SaR 提供了即时的风险评估，填补了传统风控的盲区。
• 系统稳定性：通过识别流动性集中度和深度恶化趋势，SaR 可作为早期预警系统（提前 12-24 小时），允许交易所采取预防措施（如触发断路器、暂停开仓），避免系统性崩溃。
• 哲学启示：在“代码即法律”的去中心化金融中，SaR 提供了一种基于数学和微观结构的主动风险管理伦理，强调流动性是市场的生命线。

6. 实施建议 (Implementation)

论文最后提供了具体的实施指南，包括：

• 数据需求：需要全深度订单簿快照（建议 1 分钟频率）和账户级归属数据（用于计算集中度）。
• 参数校准：建议压力参数 $\beta=0.10$，置信度 $\alpha=0.95$，目标做市商数量 $N_{target}=15$。
• 警报阈值：当 $SaR_{adj}(0.95) > 5\%$ 或 $TSaR$ 超过保险基金 2 倍时，应触发临界警报并限制新头寸。

---

总结：该论文提出了一套严谨的、基于订单簿微观结构的量化框架，成功解决了永续合约市场中流动性风险的前瞻性度量难题。通过实证分析证明，SaR 不仅能准确预测极端市场事件中的滑点和赤字，还能有效指导保险基金的动态配置，对提升 DeFi 基础设施的韧性和安全性具有重大理论与实践价值。