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
Le Deflated Sharpe Ratio : combien de vos 'gagnants' de backtest survivent aux tests multiples ?
Une recherche de paramètres est une machine à fabriquer de la chance. Sur du pur bruit — 1 000 stratégies à edge réel nul — le meilleur Sharpe annualisé atteint en moyenne 1,63 et le test de significativité naïf signale une découverte 100 % du temps. Nous construisons une vérité terrain contrôlée et montrons que le Deflated Sharpe Ratio, la coupe de cheveux de Harvey-Liu et le Reality Check de White restaurent l'honnêteté : les fausses découvertes chutent de 1,000 à 0,001-0,057, les edges véritables au-dessus du plafond de bruit sont conservés avec une puissance ~1 — et un piège bien réel (les grilles corrélées) où le DSR brut sur-déflate et où le verdict doit se lire sur toute une bande d'estimations du nombre effectif d'essais, pas sur un seul chiffre.
Conception de la fonction objectif : la métrique que vous optimisez choisit secrètement votre stratégie
Pour chercher la 'meilleure' stratégie, il faut d'abord définir 'meilleure' — et ce scalaire choisit silencieusement le gagnant. Sur des données synthétiques avec un edge connu (600 seeds, T=2000, 80 seuils), un Sharpe par trade naïf couronne une loterie : il choisit un gagnant à moins de 5% d'exposition dans 56% des seeds et dégénère dans 57% des cas — sur le seed le plus extrême, 8 trades affichent un Sharpe in-sample de 21.09 qui s'effondre à 0.13 hors échantillon. La réparation honnête est presque banale : mesurer sur la timeline complète, qui ne dégénère jamais (hors échantillon 1.71). Un shrinkage par nombre de trades (conf_k) et un plancher d'exposition peuvent réparer une métrique par trade, mais même entièrement corrigés, ils ne font qu'égaler le Sharpe pleine timeline (1.70 contre 1.71) — jamais le dépasser. La loi de Goodhart, dans un backtest, avec une vérité terrain contrôlée.
Look-Ahead Bias : comment une erreur d'une bougie fabrique un Sharpe de 15 à partir de pur bruit
Une étude contrôlée des fuites subtiles de look-ahead qui gonflent silencieusement les backtests. Sans aucun edge réel, une exécution sur la même bougie fabrique un Sharpe annualisé de +14,8 à partir de pur bruit ; un coup d'œil d'un indicateur une bougie en avance, +4,8. La taxonomie, les magnitudes mesurées, et comment détecter chaque fuite avant qu'elle ne vous coûte de l'argent.
L'échelle de vitesse du backtest : 298x sur le CPU d'un portable, PnL identique jusqu'au dernier trade
Cinq implémentations du même balayage de 80 combinaisons de paramètres, toutes vérifiées pour produire un PnL identique : pandas rolling.apply prend 69,9 secondes, numpy 3,1, numba 2,0, numba parallèle 0,23 — une accélération mesurée de 298x sur un Apple M2 Max sans aucun changement matériel, et encore ~13x par rapport à une base vectorisée compétente. Ce que chaque échelon apporte, pourquoi un GPU n'est pas la pièce manquante, et où se situe le vrai goulot d'étranglement dans la recherche massive de paramètres.
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 : des skills Claude Code qui construisent une proposition aux investisseurs à l'épreuve des arnaques
Un regard approfondi sur algo-investor-skills — un ensemble de skills Claude Code qui fait passer une stratégie d'algotrading de faits bruts mesurés à une proposition aux investisseurs auditée et axée sur l'honnêteté. Six skills composables, un moteur de modèles financiers, un dossier de preuves de vérification indépendante et une porte d'audit obligatoire avec investisseur sceptique qui ne fabrique jamais un chiffre.
Le critère de Kelly pour les stratégies : comment dimensionner les positions et allouer le capital
Une stratégie à espérance positive peut quand même faire sauter votre compte si la taille de la mise est mal choisie. Nous parcourons le critère de Kelly, de la dérivation de la formule jusqu'à un portefeuille de stratégies : pourquoi le Kelly complet est dangereux, comment le Kelly fractionnaire capture 75% de la croissance avec moitié moins de volatilité, et une calculatrice interactive qui montre comment la fraction de Kelly déplace le rendement et le risque.
Daily Stock Analysis : un système d'IA qui transforme une watchlist en tableau de bord décisionnel quotidien
Une analyse approfondie de daily_stock_analysis par ZhuLinsen — un système open source qui récupère les données de marché pour les actions A, Hong Kong, les États-Unis et plus encore, effectue une analyse technique et d'actualités via un LLM, et envoie un 'tableau de bord décisionnel' structuré sur votre messagerie chaque jour de bourse. Architecture, repli de données, stratégies d'agents, limites.
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.
Prédiction conforme pour un dimensionnement de position tenant compte du risque
Des intervalles de prédiction sans hypothèse de distribution, avec une couverture garantie. Nous utilisons le split conformal, le jackknife+ et l'inférence conforme adaptative pour calibrer le risque de trading et dimensionner les positions sans hypothèses paramétriques.
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 : Apprentissage Profond sur les Carnets d'Ordres Limites
Comment DeepLOB combine un CNN, un module inception et un LSTM pour prédire les mouvements du prix médian à partir de données brutes du carnet d'ordres — l'architecture, les vrais chiffres FI-2010 et une réimplémentation PyTorch fonctionnelle.