← 返回 Quant Digests · 站点首页

别把 ADL 只当交易所黑盒：这篇 2026 Columbia 论文更适合先落地的是「water-filling leverage equalization × factor-adjusted deleveraging」共享 overlay

更新时间：2026-04-04 09:48 UTC 研究时间：2026-04-04 09:47 UTC 类型：交易所公开规则文档 主题标签：overlay/risk/leverage/adl/auto-deleveraging/perpetual-futures/cross-margin/factor-adjusted-leverage/water-filling/liquidation-cascade/sizing/veto/portfolio-risk/btc/eth/1m/3m/5m/15m/paper/public-docs 证据类型：论文证据 + 交易所公开规则文档

源文件：research/quant_digests/2026-04-04_0947_adl-waterfill-factorleverage-overlay.md

1. 这次看了什么

主材料是 Steven Campbell, Natascha Hey, Ciamac C. Moallemi, Marcel Nutz (2026), _Risk-Based Auto-Deleveraging_。先按这轮要求回答一句：

> 这篇东西的 base alpha 是什么？ > > 答：它不是独立 raw alpha。 > > 它真正值得 desk 拿走的，是一套极端行情下的统一去杠杆 / 缩仓分配原则：如果必须砍仓，不要再用“谁盈利多、谁看起来排队靠前”这种经验规则，而是优先把最高风险 leverage 压平；在 cross-margin 下，压的还不是 naive gross leverage，而是factor-adjusted leverage。

所以这篇 paper 的正确定位不是 alpha 本体，而是 shared risk overlay。

2. 核心结论

一句话版：

> 当系统被迫 ADL / 缩风险暴露时，最稳的做法不是按 PnL × leverage 之类启发式排队，而是按“谁的 post-ADL leverage 最高”去做 water-filling 式 leverage equalization；如果是 cross-margin 组合，还应改成 factor-adjusted leverage。

最该记住的硬点：

  1. 现实相关性不低：论文指出，约 95% 的 perpetual volume 发生在采用 queue-based ADL 的交易所上；这不是边角机制，而是主流市场结构的一部分。
  2. 极端行情不是假设题：文中点到 2026-01-30 单日约 $2.56B leveraged positions 被清算，而 2025-10-10~11 多个 major venue 也触发了 ADL。
  3. 单资产 isolated margin 下：在 expected-loss 目标下，唯一最优解就是最小化系统内最大 leverage，最后会落成一个非常直观的 water-filling / leverage-draining 规则。
  4. CVaR 下：water-filling 仍然最优，只是不再唯一；高于某个 leverage cutoff 的账户，先怎么砍都行，但最终必须把 leverage 压回 cutoff 以下。
  5. cross-margin 下：gross leverage 可能是错指标。如果组合里有真实 hedge，按 gross leverage 生砍会误伤；论文给出的解析 benchmark 是 single-factor 下对 factor-adjusted leverage 做 clipped water-filling。

3. 为什么它和当前 desk 直接相关

这轮我没有再补第 N 条 entry alpha，而是补一个我们迟早要有、但目前研究池里还很缺的部件：

> 统一的极端行情去杠杆规则。

原因很简单：最近两天我们已经连续 intake 了大量 raw alpha——pairs、carry、cross-sectional、microstructure、single-asset mean reversion 都在补——但这些线一旦实盘并行，真正会把组合打穿的，往往不是“信号方向错了一点”，而是：

所以它虽然不是 raw alpha，本质上却是在补live component 拆解。

3.5 策略拆解（必填）

4. 论文真正给了什么可落地部件

4.1 单资产 isolated margin：先压平最高 leverage，而不是先找“最赚钱的人”

论文最有用的一点，不是“ADL 很重要”这种废话，而是把它写成了明确优化问题。

在单资产、isolated margin 设定下，若交易所要在总共 Q 的目标回补量里，决定每个账户该被买回多少 x_i，那么在 expected loss 目标下，最优规则等价于：

> 最小化系统里最大的 post-ADL leverage。

最后得到的是一个非常实用的 threshold rule：

换成人话：

> 不是排队砍完 A 再砍 B，而是把系统里最危险的几根杠杆杆子一起削平。

这比常见 queue-based 逻辑更适合 desk 自己做 portfolio risk overlay，因为它天然更像一个连续的 risk budget 分配器，而不是僵硬的单列队。

4.2 为什么 paper 认为现行 queue-based ADL 规则不够好

论文直接点名了主流 perpetual venue 常用的 queue-based 方法：

但 paper 认为这种规则有几个结构性问题：

  1. Sybil resistance 不好：拆成多个小账户，可能改变排队位置；
  2. path dependence：分两次 ADL 和一次性 ADL，结果可能不同；
  3. wash-trade resistance 不好：如果排序显式依赖 P&L，就可能被交易路径影响。

相反，paper 里的 minimax leverage / water-filling 规则在理论上具备：

对 desk 来说，最实际的含义不是“追求完美机制设计”，而是：

> 别让 risk overlay 被账户拆分、PnL 幻觉或分批触发顺序轻易绕开。

4.3 cross-margin：别再迷信 gross leverage

这是这篇 paper 最值得我们 desk 拿走的第二部分。

一旦进入 multi-asset / cross-margin，真正风险就不再只是“谁 notional 大”。

举个 desk 语境里的直白例子：

论文的关键判断是：

> naive gross leverage 会误伤有真实 hedge 的组合。

所以在 cross-margin 下，正确 benchmark 不是继续看 gross leverage，而是引入 asset-level shadow prices，再在 single dominant factor 情况下，回到一种 factor-adjusted leverage 的 clipped water-filling。

翻成人话：

> 真正该先砍的，不是名义仓位最大的腿，而是对共同风险因子最裸奔、最缺缓冲的腿。

这对我们这种会把多条 1m / 3m / 5m / 15m 线一起挂在 perp book 上的 desk，意义比“再补一条 entry”更直接。

5. 和 1m / 3m / 5m / 15m 的关系怎么理解

这条东西不是逐根方向信号，所以不能伪装成 “1m 看多 / 5m 看空” 的 alpha。

更准确的映射是：

1m / 3m

这是紧急降档层。

适合干的事：

5m / 15m

这是正常风控重平衡层。

适合干的事：

所以它和 short-cycle desk 的关系不是“预测下一根涨跌”，而是：

> 决定极端行情里哪几条短周期 alpha 还能继续活着。

6. 最小实验该怎么做

这轮我没有去做“公开价格快检”，因为这篇 paper 的 edge 不在公开行情本身，而在账户层 / sleeve 层状态机。只看公开 K 线，复现不出它真正要解决的问题。

更合理的最小实验口径应该是：

实验 A：先把 desk 的策略簿状态化

对当前并行运行或历史回测的每条 sleeve，按 1m 采样出：

然后为每条 sleeve 构造两种风险刻画：

  1. gross_leverage = notional / equity
  2. factor_adjusted_leverage = |beta_factor| * notional / equity（第一版先用单因子近似即可）

实验 B：比较 3 套去杠杆规则

在同一批 stress 时刻上，对比：

  1. pro-rata 减仓
  2. exchange-style queue（按 PnL × leverage 或盈利优先的近似队列）
  3. water-filling / factor-adjusted water-filling

实验 C：stress 事件口径

优先拿这几类窗口：

实验 D：看 4 个结果指标

至少先看：

第一版通过条件

如果 overlay 能做到：

那它就值得进 live risk stack。

7. 我对这条材料的结论

7.1 值得 intake 吗？

值得。

虽然它不是 raw alpha，但它补的是一个现在越来越该认真拆的 live component：

> 极端行情下，组合该怎么有原则地缩仓。

7.2 现在就能直接上 production 吗？

不能直接照搬。

原因也很明确：

  1. 论文主要是规范性 / 优化型结果，不是一份历史 pnl 论文；
  2. 它默认 ADL 价格和账户状态可被清楚观测，而我们 desk 的真实执行会更脏；
  3. factor-adjusted leverage 要先选好因子、beta 估计窗和更新频率。

7.3 最准确的 desk 化定位

我会把它定位成：

> 高优先级 shared risk overlay 候选：先做 desk-level replay，验证它能不能在不明显伤害 gross edge 的前提下，降低强平 / 尾部 shortfall。

8. 风险与保留意见

9. 下一步怎么测

最值得立刻开的，不是更多文献阅读，而是一个很实在的 replay：

  1. 挑 3 条 raw alpha：
  1. 给每条线补状态变量：notional / equity / beta / recent edge。
  2. 回放最近 20~30 个 stress 窗口，比较：
  1. 如果 factor-adjusted 版本只在 tails 改善、但对常态收益损害很小，就可以继续往 live risk governor 走。

10. 来源

  1. Campbell, S., Hey, N., Moallemi, C. C., & Nutz, M. (2026). _Risk-Based Auto-Deleveraging_. arXiv / q-fin.RM.
  1. Hyperliquid Docs — Auto-deleveraging.

11. 文件与页面