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.
Processus gaussiens pour la modélisation des prix non paramétriques
Conception de noyau pour les séries temporelles financières — rugosité de Matern, composition localement périodique, mélanges spectraux — et vraisemblance marginale en tant que régulariseur qui ne nécessite aucun ensemble de validation. Plus la liste honnête de ce qui doit encore être mesuré avant que tout cela soit échangeable.
Opérateur neuronal de Fourier pour la modélisation financière basée sur la PDE
L'apprentissage des opérateurs cartographie des espaces de fonctions entiers, pas des points - comment l'opérateur neuronal de Fourier paramétre un opérateur de solution PDE dans l'espace de fréquence, ce qu'il achète pour la tarification des options et lesquelles de ses affirmations doivent encore être mesurées sur du matériel réel.
Un contexte d’une journée complète bat-il un contexte de dix minutes ? Attention flash et question de longueur de séquence
Flash Attention crée un contexte de trading de 23 400 étapes sans calcul : mosaïque, softmax en ligne et limite d'E/S de N^2 d^2 / M. La question de savoir si ce contexte plus long améliore le modèle est une question distincte, et elle doit être mesurée et non affirmée.
Méthodes d'ensemble : combiner des apprenants faibles pour une alpha robuste
Trois choses sur les ensembles commerciaux que ce blog n'a pas abordées : pourquoi le terme de covariance (et non le nombre de modèles) domine l'erreur d'ensemble, comment l'empilement fonctionne comme une couche de combinaison de signaux avec des méta-fonctionnalités hors du champ de pli, et si la compensation du chiffre d'affaires sur de nombreux signaux réduit réellement le coût d'exécution.
Double Machine Learning : Estimer un Paramètre Causal au lieu de Prédire les Rendements
Tous les modèles de ce blog répondent jusqu'à présent 'qu'est-ce qui prédit quoi ?'. Double ML répond 'qu'est-ce qui cause quoi ?' — avec une erreur standard que vous pouvez défendre. Le modèle partiellement linéaire, l'orthogonalité de Neyman, le cross-fitting purgé sur les données de carnet d'ordres et un compte rendu honnête de la raison pour laquelle un intervalle de confiance DML valide survit à exactement une question prédéfinie.
Forêts causales pour effets de traitement hétérogènes dans le trading
Chaque backtest sur ce blog estime une moyenne conditionnelle. Les forêts causales estiment un effet de traitement conditionnel à la place — tau(x) plutôt que mu(x) — avec un splitting honnête, une représentation de poids de noyau adaptatif et un test de calibration qui vous dit si l'hétérogénéité que vous avez trouvée est réelle.
Épistémique vs Aléatoire : Mesurer ce qu'un modèle de rendement ne sait pas
Chaque règle de dimensionnement dans ce blog traite l'incertitude comme un seul nombre. MC Dropout et les deep ensembles la divisent en ignorance du modèle et bruit de marché — et les deux méritent des tailles de position différentes.
AutoML pour les pipelines de trading systématique
Génération automatisée de fonctionnalités (tsfresh, Featuretools), recherche de modèles tenant compte du budget (l'optimiseur économique de FLAML) et usine alpha de formules WorldQuant - les parties du pipeline de recherche que l'arc de recherche et de surajustement de ce blog n'a jamais couvertes, et ce que les propres résultats de l'arc en disent.
Les cascades de liquidations comme signal de trading : lire un flux force et preannonce
Chaque position a effet de levier annonce le prix auquel elle doit etre vendue. Comment construire le graphique de profondeur des liquidations on-chain et la heatmap des liquidations des perps CEX, modeliser la dynamique des cascades comme un nombre de reproduction et trader le flux force comme un signal au lieu de le craindre uniquement comme un risque.
Stratégies LP Uniswap v3 et couverture
Перевод статьи на fr