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
Der Deflated Sharpe Ratio: Wie viele Ihrer Backtest-'Gewinner' überleben Multiple Testing?
Eine Parametersuche ist eine Maschine zur Herstellung von Glück. Auf reinem Rauschen — 1.000 Strategien ohne echten Edge — liegt der beste annualisierte Sharpe im Schnitt bei 1,63, und der naive Signifikanztest meldet in 100 % der Fälle eine Entdeckung. Wir bauen eine kontrollierte Ground Truth und zeigen, dass der Deflated Sharpe Ratio, der Harvey-Liu-Haircut und White's Reality Check Ehrlichkeit wiederherstellen: Falschentdeckungen sinken von 1,000 auf 0,001-0,057, echte Edges oberhalb der Rausch-Obergrenze werden mit einer Power von ~1 erkannt — und es gibt eine echte Falle (korrelierte Grids), bei der der rohe DSR über-deflatiert und das Urteil über ein ganzes Band von Schätzungen der effektiven Trials gelesen werden muss, nicht über eine einzige Zahl.
Design der Zielfunktion: Die Metrik, die Sie optimieren, wählt heimlich Ihre Strategie
Um die 'beste' Strategie zu suchen, müssen Sie zuerst 'beste' definieren — und dieser Skalar wählt still den Gewinner. Auf synthetischen Daten mit bekanntem Edge (600 Seeds, T=2000, 80 Schwellenwerte) krönt ein naiver Per-Trade-Sharpe eine Lotterie: Er wählt in 56% der Seeds einen Gewinner mit unter 5% Exposure und entartet in 57% — beim extremsten Seed liefern 8 Trades einen In-Sample-Sharpe von 21.09, der Out-of-Sample auf 0.13 zusammenbricht. Die ehrliche Reparatur ist fast langweilig: Messung über die gesamte Zeitreihe, die nie entartet (Out-of-Sample 1.71). Ein Trade-Count-Shrinkage (conf_k) und ein Exposure-Floor können eine Per-Trade-Metrik nachrüsten, aber selbst vollständig repariert erreichen sie nur den vollständigen Zeitreihen-Sharpe (1.70 vs. 1.71) — nie darüber hinaus. Goodharts Gesetz, in einem Backtest, mit kontrollierter Ground Truth.
Look-Ahead Bias: Wie ein Ein-Balken-Fehler aus reinem Rauschen eine Sharpe Ratio von 15 fabriziert
Eine kontrollierte Studie der subtilen Look-Ahead-Lecks, die Backtests still und leise aufblähen. Ohne jeden realen Edge fabriziert eine Ausführung im selben Balken eine annualisierte Sharpe Ratio von +14,8 aus purem Rauschen; ein Ein-Balken-Blick eines Indikators in die Zukunft, +4,8. Die Taxonomie, die gemessenen Größenordnungen und wie man jedes Leck erkennt, bevor es Sie Geld kostet.
Die Backtest-Geschwindigkeitsleiter: 298x auf einer Laptop-CPU, identischer PnL bis zum letzten Trade
Fünf Implementierungen desselben Parameter-Sweeps über 80 Kombinationen, alle nachweislich mit identischem PnL: pandas rolling.apply braucht 69,9 Sekunden, numpy 3,1, numba 2,0, paralleles numba 0,23 — eine gemessene 298-fache Beschleunigung auf einem Apple M2 Max ohne jede Hardware-Änderung und immer noch ~13x gegenüber einer soliden vektorisierten Basislinie. Was jede Stufe bringt, warum eine GPU nicht das fehlende Teil ist und wo der eigentliche Engpass der massenhaften Parametersuche liegt.
researcher: A Searchable Quant-Research Archive for Humans and AI Agents
How we built researcher.marketmaker.cc — a unified, full-text-searchable archive of quant research (arXiv papers, GitHub repos, quant blogs, TradingView Pine scripts) that humans browse and AI agents query over MCP.
algo-investor-skills: Claude-Code-Skills, die ein betrugssicheres Investorenangebot erstellen
Ein tiefer Blick auf algo-investor-skills — eine Sammlung von Claude-Code-Skills, die eine Algotrading-Strategie von rohen gemessenen Fakten zu einem geprüften, ehrlichkeitsorientierten Investorenangebot führen. Sechs kombinierbare Skills, eine Finanzmodell-Engine, ein Proof-Pack zur unabhängigen Verifikation und ein verpflichtender Audit-Gate mit skeptischem Investor, der niemals eine Zahl erfindet.
Das Kelly-Kriterium für Strategien: Positionsgrößen und Kapitalallokation richtig bestimmen
Eine Strategie mit positivem Erwartungswert kann dein Konto trotzdem sprengen, wenn die Positionsgröße falsch gewählt ist. Wir leiten das Kelly-Kriterium her – von der Formel bis zum Strategie-Portfolio: warum volles Kelly gefährlich ist, wie fraktionales Kelly 75% des Wachstums bei halber Volatilität liefert, und ein interaktiver Rechner zeigt, wie der Kelly-Anteil Rendite und Risiko verschiebt.
Daily Stock Analysis: Ein KI-System, das eine Watchlist in ein tägliches Entscheidungs-Dashboard verwandelt
Eine ausführliche Analyse von daily_stock_analysis von ZhuLinsen — einem Open-Source-System, das Marktdaten für A-Aktien, Hongkong, die USA und mehr abruft, technische und Nachrichtenanalysen über ein LLM durchführt und jeden Handelstag ein strukturiertes 'Entscheidungs-Dashboard' an Ihren Messenger sendet. Architektur, Daten-Fallback, Agenten-Strategien, Grenzen.
Temporal Fusion Transformers for Multi-Horizon Portfolio Forecasting
How Google's Temporal Fusion Transformer brings interpretable multi-horizon forecasting to quantitative portfolio management, with attention-based variable selection, quantile outputs, and a worked pytorch-forecasting pipeline.
Konforme Prädiktion für risikobewusste Positionsgrößenbestimmung
Verteilungsfreie Prognoseintervalle mit garantierter Abdeckung. Wir nutzen Split-Conformal, Jackknife+ und adaptive konforme Inferenz, um Handelsrisiko zu kalibrieren und Positionen ohne parametrische Annahmen zu bemessen.
Bid-Ask Spread Modeling and Prediction with Machine Learning
Decomposing and predicting bid-ask spreads with ML — from Roll's implicit estimator to gradient boosting and neural networks — with the units, leakage, and benchmarking pitfalls that bite in production.
DeepLOB: Deep Learning für Limit-Orderbücher
Wie DeepLOB ein CNN, ein Inception-Modul und ein LSTM kombiniert, um Mid-Price-Bewegungen aus rohen Orderbuchdaten vorherzusagen — die Architektur, die echten FI-2010-Zahlen und eine funktionierende PyTorch-Reimplementierung.