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.
Artikel
Jaringan Neural Hamiltonian: Apakah Sistem Keuangan Menghemat Sesuatu?
Jaringan Neural Hamiltonian terbukti stabil — tetapi stabilitas tidak ada gunanya jika kuantitas yang dilestarikan tidak ada. Mempelajari skalar H melalui autograd, integrasi simplektis, dan uji falsifikasi yang memutuskan apakah pasangan finansial (q, p) bersifat kanonik.
Toda-Yamamoto vs Granger yang Berbeda: Apakah Lead-Lag BTC Bertahan?
Kausalitas Granger pada harga kripto dilakukan dengan dua cara — perbedaan pengembalian dan level Toda-Yamamoto — dengan implementasi Wald yang benar, matriks kausalitas terkoreksi-N yang efektif, dan uji stabilitas bergulir untuk mengetahui apakah lag dapat diperdagangkan atau tidak.
Proses Gaussian untuk Pemodelan Harga Non-Parametrik
Desain kernel untuk deret waktu keuangan — Kekasaran matern, komposisi periodik lokal, campuran spektral — dan kemungkinan marjinal sebagai pengatur yang tidak memerlukan set validasi. Ditambah daftar jujur tentang apa yang masih harus diukur sebelum dapat diperdagangkan.
Operator Neural Fourier untuk Pemodelan Keuangan Berbasis PDE
Pembelajaran operator memetakan seluruh ruang fungsi, bukan titik — bagaimana Fourier Neural Operator membuat parameter operator solusi PDE dalam ruang frekuensi, apa yang dibeli untuk harga opsi, dan klaim mana yang masih perlu diukur pada perangkat keras sebenarnya.
Apakah Konteks Sehari Penuh Mengalahkan Konteks Sepuluh Menit? Perhatian Kilat dan Pertanyaan Panjang Urutan
Flash Attention menjadikan konteks perdagangan 23.400 langkah bebas komputasi — ubin, softmax online, dan batasan IO sebesar N^2 d^2 / M. Apakah konteks yang lebih panjang tersebut menjadikan model lebih baik adalah pertanyaan terpisah, dan harus diukur, bukan ditegaskan.
Metode Ensemble: Menggabungkan Pembelajar yang Lemah untuk Alpha yang Kuat
Tiga hal tentang ansambel perdagangan yang belum dibahas di blog ini: mengapa istilah kovarians — bukan jumlah model — mendominasi kesalahan ansambel, bagaimana penumpukan berfungsi sebagai lapisan kombinasi sinyal dengan fitur meta yang tidak dapat dilipat, dan apakah jaring omset di banyak sinyal benar-benar mengurangi biaya eksekusi.
Double Machine Learning: Mengestimasi Parameter Kausal Alih-alih Memprediksi Return
Setiap model di blog ini menjawab 'apa yang memprediksi apa?'. Double ML menjawab 'apa yang menyebabkan apa?' — dengan standar error yang bisa Anda pertahankan. Model partially linear, orthogonalitas Neyman, cross-fitting yang dipurges pada data order book, dan perhitungan jujur mengapa interval kepercayaan DML yang valid bertahan untuk tepat satu pertanyaan yang telah ditentukan sebelumnya.
Causal Forests untuk Efek Perawatan Heterogen dalam Trading
Setiap backtest di blog ini memperkirakan rata-rata bersyarat. Causal forests memperkirakan efek perawatan bersyarat sebagai gantinya — tau(x) bukan mu(x) — dengan honest splitting, representasi bobot kernel adaptif, dan tes kalibrasi yang memberi tahu Anda apakah heterogenitas yang Anda temukan nyata.
Epistemik vs Aleatorik: Mengukur Apa yang Tidak Diketahui Model Return
Setiap aturan sizing di blog ini memperlakukan ketidakpastian sebagai satu angka. MC Dropout dan deep ensembles membaginya menjadi ketidaktahuan model dan noise pasar — dan keduanya layak mendapat ukuran posisi yang berbeda.
AutoML untuk Pipeline Perdagangan Sistematis
Automated feature generation (tsfresh, Featuretools), budget-aware model search (FLAML's cost-frugal optimizer), and the WorldQuant formulaic alpha factory — the parts of the research pipeline this blog's search-and-overfit arc never covered, and what the arc's own results say about them.
Kaskade likuidasi sebagai sinyal trading: membaca arus terpaksa yang telah diumumkan sebelumnya
Setiap posisi berleverage mengumumkan harga saat posisi itu harus dijual. Cara membangun grafik kedalaman likuidasi on-chain dan heatmap likuidasi CEX, memodelkan dinamika kaskade sebagai bilangan reproduksi, serta memperdagangkan arus terpaksa sebagai sinyal, bukan hanya menganggapnya sebagai risiko.
Active Uniswap v3 LPing as Market Making: Range Selection, Rebalancing, and Delta Hedging
An active v3 LP is running a market-making book with gas costs and no cancel button. Size ranges from a GARCH vol forecast, frame rebalancing as fee-gain vs realized-cost, derive the position delta from tick math and hedge it with perps, and understand JIT liquidity and the honest pitfalls of backtesting LP from on-chain data.