Analisis Kritis Tarun Chitra Mengungkapkan Bagaimana Algoritma ADL Kuno Membuat Hyperliquid Kehilangan $650 Juta

Kejadian crash pasar kripto pada 10 Oktober memicu diskusi luas tentang mekanisme keamanan bursa, dan Tarun Chitra, CEO perusahaan manajemen risiko Gauntlet, kembali menyoroti adanya celah sistemik dalam cara platform menangani kerugian trader. Temuannya mengungkapkan adanya kesenjangan yang mengkhawatirkan antara praktik industri saat ini dan manajemen risiko yang optimal—yang seharusnya bisa mencegah rantai kerugian yang menghancurkan.

Krisis Likuidasi 10 Oktober dan Dampak Tak Terduga

Ketika pasar jatuh pada 10 Oktober, posisi senilai $1,9 miliar menghadapi likuidasi di berbagai platform utama. Namun, pasca kejadian terungkap sesuatu yang lebih mengkhawatirkan daripada volatilitas pasar biasa. Liputan Jinse Finance menyoroti bahwa biaya sebenarnya bagi trader yang menguntungkan jauh melebihi apa yang akan terjadi jika hanya likuidasi dasar saja.

Krisis ini menjadi studi kasus untuk memahami bagaimana satu mekanisme dapat memperbesar kerugian melebihi level pasar alami. Investigasi Tarun Chitra menunjukkan bahwa kerusakan tidak hanya menyentuh trader yang insolvent—tetapi juga trader yang menguntungkan.

Memahami Auto-Deleveraging: “Backstop” yang Menjadi Masalah

Auto-Deleveraging (ADL) berfungsi sebagai apa yang Tarun Chitra definisikan sebagai mekanisme “penyangga terakhir”. Ketika bursa menghadapi utang buruk dari posisi yang tidak mampu mereka tanggung, sistem secara otomatis mengurangi ukuran posisi trader yang menguntungkan untuk menutupi kerugian—secara esensial menyebarkan kerugian dari posisi yang underwater ke trader yang masih dalam posisi menguntungkan.

Mekanisme ini sendiri bukan hal baru. Pendekatan algoritmik berurutan ini telah digunakan selama lebih dari satu dekade, diadopsi oleh berbagai platform kontrak perpetual termasuk Hyperliquid dan Lighter. Umur panjang sistem ini menciptakan rasa aman palsu, meskipun kondisi pasar berubah secara dramatis.

Analisis Tarun Chitra mengungkapkan skala transfer ini: lebih dari $650 juta dileveraged dari posisi trader yang menguntungkan di Hyperliquid saja. Untuk memberi konteks, utang buruk yang harus ditanggung trader ini hanya sebesar $23 juta—berarti trader yang menguntungkan membayar sekitar 28 kali lipat dari utang aktual yang harus ditanggung bursa mereka.

Mengapa Algoritma Saat Ini Kurang Efektif: Temuan Tarun Chitra

Masalah utama yang diidentifikasi Tarun Chitra bukan pada konsep Auto-Deleveraging itu sendiri, tetapi pada algoritma antrean usang yang menjalankannya. Sistem yang ada membuat keputusan penghapusan berdasarkan urutan berurutan, bukan optimisasi canggih, sehingga menciptakan inefisiensi yang berakumulasi menjadi kerusakan besar.

Trader yang posisi menguntungkan sebelum crash secara sistematis kehilangan keuntungan mereka untuk menutupi kerugian yang tidak mereka sebabkan. Ini bukan likuidasi pasar—melainkan transfer kekayaan mekanis yang dilakukan oleh algoritma yang sudah usang.

Jalan Menuju Solusi: Usulan dari Gauntlet

Tarun Chitra dan Gauntlet telah merinci alternatif komprehensif dalam laporan teknis sepanjang 95 halaman, memperkenalkan algoritma ADL modern yang dirancang untuk meminimalkan dampak pada posisi menguntungkan sekaligus melindungi bursa dari insolvensi.

Pendekatan baru ini memungkinkan platform memenuhi kewajiban utangnya tanpa memicu deleveraging massal seperti yang terjadi pada 10 Oktober. Solusi ini merupakan hasil riset bertahun-tahun tentang distribusi risiko yang optimal—tepat seperti yang diidentifikasi Tarun Chitra sebagai kekurangan mendasar dari sistem saat ini.

Bagi platform kontrak perpetual, pilihan yang jelas adalah: terus menggunakan algoritma yang sudah berumur satu dekade yang mengutamakan kesederhanaan daripada efisiensi, atau mengadopsi kerangka kerja yang telah terbukti secara riset dapat secara drastis mengurangi kerusakan collateral terhadap trader yang menguntungkan. Kerugian sebesar $650 juta di Hyperliquid saja menunjukkan bahwa industri tidak mampu lagi bertahan dengan pendekatan yang lama.