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
Statistical Arbitrage and Pairs Trading in Crypto Markets: From Cointegration to the Kalman Filter
A complete guide to statistical arbitrage for crypto markets. Cointegration, Kalman filter, basis strategies, cross-exchange arbitrage. With backtests and Python code.
La Huella Digital de un Trader: Cómo Identificar a un Market Maker por su Comportamiento en el Libro de Órdenes
Cada algoritmo deja una huella única. Aprende a leerla — y sabrás quién está al otro lado de tu operación.
PnL por tiempo activo: la métrica que cambia el ranking de estrategias
Por qué el PnL anual bruto es una métrica pobre para comparar estrategias con distinto tiempo de trading. Cómo calcular el retorno efectivo, por qué se necesita fill_efficiency, y por qué una estrategia con 27% de PnL puede superar a una con 300%.
Drill-down adaptativo: backtest con granularidad variable, de minutos a operaciones individuales
Cómo la granularidad adaptativa de los datos acelera los backtests y ahorra almacenamiento: drill-down de 1m a 1s, 100ms y operaciones individuales solo donde el precio se movió de forma significativa o el volumen se disparó, no en toda la serie histórica.
Cache Parquet Agregado: Cómo Acelerar Backtests Multi-Timeframe Cientos de Veces
Cómo precalcular timeframes e indicadores a partir de velas de un minuto, guardarlos en parquet y usarlos para pruebas masivas de estrategias sin recálculos redundantes.
Walk-Forward Optimization: The Only Honest Strategy Test
Why a single train/test split does not protect against overfitting, how walk-forward optimization systematically verifies parameter robustness, and why a strategy with +3342% PnL@ML on 21 parameters is a ticking time bomb without WFO.
Signal Correlation: How Many Pairs to Monitor
Why 10 crypto pairs don't provide 10x diversification, how to calculate effective_N via correlation_factor, and how many pairs you really need to monitor for 80-90% orchestrator slot utilization.
Polars vs Pandas para Algotrading: Benchmarks con Datos Reales
Comparación detallada de Polars y Pandas en tareas de algotrading: benchmarks de filtrado, agregación, cálculos de señales rolling, I/O y consumo de memoria. Arquitectura híbrida Polars + Numba para el máximo rendimiento en backtests.
Análisis de meseta: cómo distinguir un óptimo robusto del overfitting
Por qué encontrar los mejores parámetros de una estrategia es solo la mitad del trabajo. Cómo distinguir visual y cuantitativamente una meseta estable de un pico frágil, y por qué los gráficos de contorno de Optuna son un paso obligatorio antes de lanzar una estrategia optimizada a producción.
Descenso por Coordenadas vs. Optimización Bayesiana: Cuál Encuentra Mejores Parámetros
Por qué la búsqueda exhaustiva es imposible con 12+ parámetros, cómo el descenso por coordenadas pasa por alto las interacciones, y cómo Optuna con un sampler TPE encuentra en 500 iteraciones lo que OAT no puede encontrar en 96. Ejemplos de código prácticos, comparación de samplers y optimización multiobjetivo.
Validación multi-símbolo: prueba tu estrategia en todos los pares
Por qué una estrategia optimizada en ETHUSDT puede fallar en altcoins. Cómo probar correctamente en grupos de pares (blue chips, large caps, shitcoins) y qué puntuación de robustez cross-symbol se considera suficiente.
Las Funding Rates matan tu apalancamiento: por qué PnL×50x es una ficción
Cómo las funding rates en Binance/Bybit convierten hermosos resultados de backtest con alto apalancamiento en pérdidas garantizadas. Fórmulas, recálculo de estrategias reales y el apalancamiento máximo al que el funding no se come las ganancias.