Eugen Soloviov
Trading-systems engineer
Trading-systems engineer building bots since 2017: cross-exchange arbitrage (connected up to 30 venues), cointegration-based pairs arbitrage across spot and futures, scalping, news and sentiment-driven strategies, trend algorithms, and portfolio management and balancing algorithms. Also builds sub-millisecond order execution, big-data warehouses, backtesting engines, AI agents, and trading interfaces (incl. open-source profitmaker.cc). Stack: JS/TS, Python, Rust/Zig/Go, DevOps, backend, frontend, architecture.
Articles
Hamiltonian Neural Networks: Does a Financial System Conserve Anything?
Hamiltonian Neural Networks are provably stable — but stability is worthless if the conserved quantity does not exist. Learning a scalar H via autograd, symplectic integration, and the falsification test that decides whether a financial (q, p) pair is canonical at all.
Toda-Yamamoto vs Differenced Granger: Does the BTC Lead-Lag Survive?
Granger causality on crypto prices done two ways — differenced returns and Toda-Yamamoto on levels — with a correct Wald implementation, an effective-N corrected causality matrix, and a rolling-stability test of whether the lag is tradeable at all.
Gaußsche Prozesse zur nichtparametrischen Preismodellierung
Kernel-Design für Finanzzeitreihen – Matern-Rauheit, lokal periodische Zusammensetzung, Spektralmischungen – und die Grenzwahrscheinlichkeit als Regularisierer, der keinen Validierungssatz benötigt. Dazu die ehrliche Auflistung dessen, was noch gemessen werden muss, bevor etwas davon handelbar ist.
Neuronaler Fourier-Operator für PDE-basierte Finanzmodellierung
Das Lernen von Operatoren bildet ganze Funktionsräume ab, nicht Punkte – wie der neuronale Fourier-Operator einen PDE-Lösungsoperator im Frequenzraum parametrisiert, was er für die Optionspreisgestaltung kauft und welche seiner Ansprüche noch auf realer Hardware gemessen werden müssen.
Ist ein ganztägiger Kontext besser als ein zehnminütiger Kontext? Flash Attention und die Frage nach der Sequenzlänge
Flash Attention macht einen Handelskontext mit 23.400 Schritten rechenfrei – Kacheln, Online-Softmax und eine IO-Grenze von N^2 d^2 / M. Ob dieser längere Kontext das Modell besser macht, ist eine separate Frage und muss gemessen und nicht behauptet werden.
Ensemble-Methoden: Kombination schwacher Lernender für robustes Alpha
Drei Dinge über den Handel mit Ensembles wurden in diesem Blog nicht behandelt: Warum der Kovarianzterm – und nicht die Modellanzahl – den Ensemblefehler dominiert, wie Stacking als Signalkombinationsschicht mit Out-of-Fold-Metafunktionen funktioniert und ob die Umsatzverrechnung über viele Signale hinweg tatsächlich die Ausführungskosten senkt.
Double Machine Learning: Einen Kausalen Parameter Schätzen, Statt Renditen Vorhusagen
Jedes Modell in diesem Blog beantwortet bislang 'was sagt was voraus?'. Double ML beantwortet 'was verursacht was?' — mit einem Standardfehler, den Sie verteidigen können. Das partiell lineare Modell, Neyman-Orthogonalität, purgiertes Cross-Fitting auf Orderbuchdaten und eine ehrliche Darstellung, warum ein gültiges DML-Konfidenzintervall genau einer vorab spezifizierten Frage standhält.
Causal Forests für heterogene Behandlungseffekte im Trading
Jedes Backtest in diesem Blog schätzt einen bedingten Mittelwert. Causal Forests schätzen stattdessen einen bedingten Behandlungseffekt — tau(x) statt mu(x) — mit honest splitting, einer adaptiven Kernel-Gewichtsdarstellung und einem Kalibrierungstest, der Ihnen sagt, ob die gefundene Heterogenität echt ist.
Epistemisch vs Aleatorisch: Was ein Rücklaufmodell nicht weiß
Jede Positionsgrößen-Regel in diesem Blog behandelt Unsicherheit als eine einzige Zahl. MC Dropout und Deep Ensembles teilen sie in Modellunwissen und Marktgeräusche auf — und beide verdienen unterschiedliche Positionsgrößen.
AutoML für systematische Handelspipelines
Automatisierte Feature-Generierung (tsfresh, Featuretools), budgetbewusste Modellsuche (der kostensparende Optimierer von FLAML) und die WorldQuant-Formel-Alpha-Fabrik – die Teile der Forschungspipeline, die im Such- und Overfit-Bogen dieses Blogs nie behandelt wurden, und was die eigenen Ergebnisse des Bogens über sie aussagen.
Liquidationskaskaden als Handelssignal: erzwungenen, vorab angekuendigten Flow lesen
Jede gehebelte Position gibt den Preis bekannt, zu dem sie verkauft werden muss. So baust du das On-Chain-Liquidationstiefenprofil und die CEX-Liquidations-Heatmap auf, modellierst die Kaskadendynamik als Reproduktionszahl und handelst erzwungenen Flow als Signal, statt ihn nur als Risiko zu fuerchten.
Uniswap-v3-LP-Strategien und Hedging
Перевод статьи на de