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
Deflated Sharpe Ratio: Berapa Banyak 'Pemenang' Backtest Anda yang Selamat dari Multiple Testing?
Pencarian parameter adalah mesin pembuat keberuntungan. Pada noise murni — 1,000 strategi dengan edge sejati nol — Sharpe tahunan terbaik rata-rata 1.63 dan uji signifikansi naif menandai penemuan 100% dari waktu. Kami membangun ground truth terkontrol dan menunjukkan bahwa Deflated Sharpe Ratio, haircut Harvey-Liu, dan Reality Check milik White memulihkan kejujuran: penemuan palsu turun dari 1.000 menjadi 0.001-0.057, edge sejati di atas plafon noise dipertahankan dengan power ~1 — dan satu jebakan nyata (grid berkorelasi) di mana DSR mentah over-deflate dan vonisnya harus dibaca melintasi seluruh rentang estimator effective-trial, bukan satu angka saja.
Objective-Function Design: Metrik yang Anda Optimalkan Diam-Diam Memilih Strategi Anda
Untuk mencari strategi 'terbaik' Anda harus lebih dulu mendefinisikan 'terbaik' — dan skalar itu diam-diam memilih pemenangnya. Pada data sintetis dengan edge yang diketahui (600 seed, T=2000, 80 threshold), per-trade Sharpe yang naif menobatkan sebuah lotre: ia memilih pemenang ber-eksposur di bawah 5% pada 56% seed dan berdegenerasi pada 57% — pada seed paling ekstrem, 8 trade mencetak Sharpe in-sample 21.09 yang runtuh menjadi 0.13 out-of-sample. Perbaikan yang jujur nyaris membosankan: ukur pada seluruh timeline, yang tidak pernah berdegenerasi (out-of-sample 1.71). Shrinkage jumlah-trade (conf_k) dan sebuah exposure floor bisa merombak metrik per-trade, tetapi bahkan setelah sepenuhnya diperbaiki keduanya hanya menyamai full-timeline Sharpe (1.70 vs 1.71) — tidak pernah mengalahkannya. Hukum Goodhart, dalam sebuah backtest, dengan ground truth terkontrol.
Look-Ahead Bias: Bagaimana Kesalahan Satu Bar Menciptakan Sharpe 15 dari Noise Murni
Studi terkontrol tentang kebocoran look-ahead halus yang diam-diam menggelembungkan backtest. Dengan edge nyata nol, fill same-bar menciptakan Sharpe tahunan +14.8 dari noise murni; intipan indikator satu bar, +4.8. Taksonominya, magnitudo yang terukur, dan cara mendeteksi setiap kebocoran sebelum merugikan Anda.
Tangga Kecepatan Engine Backtest: 298x pada CPU Laptop, PnL Identik hingga Transaksi Terakhir
Lima implementasi dari sweep parameter 80-kombinasi yang sama, semuanya diverifikasi menghasilkan PnL identik: pandas rolling.apply membutuhkan 69.9 detik, numpy 3.1, numba 2.0, numba paralel 0.23 — percepatan terukur 298x pada Apple M2 Max tanpa perubahan hardware sama sekali, dan tetap ~13x lebih cepat dibanding baseline vektorisasi yang kompeten. Apa yang didapat dari setiap anak tangga, mengapa GPU bukan bagian yang hilang, dan di mana bottleneck sebenarnya dalam pencarian parameter skala besar berada.
researcher: Arsip Riset Kuantitatif yang Dapat Dicari untuk Manusia dan Agen AI
Bagaimana kami membangun researcher.marketmaker.cc — arsip riset kuantitatif yang terpadu dan dapat dicari secara teks penuh (makalah arXiv, repositori GitHub, blog kuant, skrip Pine TradingView) yang ditelusuri manusia dan dikueri agen AI melalui MCP.
algo-investor-skills: Claude Code Skills yang Menyusun Proposal Investor Anti-Penipuan
Tinjauan mendalam tentang algo-investor-skills — sekumpulan Claude Code skills yang membawa strategi algotrading dari fakta terukur mentah menjadi proposal investor yang telah diaudit dan mengutamakan kejujuran. Enam skill yang dapat dikomposisikan, sebuah mesin model finansial, paket bukti verifikasi independen, dan gerbang audit investor skeptis yang wajib dan tidak pernah mengarang angka.
Kriteria Kelly untuk strategi: cara memilih ukuran posisi dan mengalokasikan modal
Strategi dengan ekspektasi matematis positif bisa menghancurkan deposit jika ukuran taruhannya salah. Kita bahas kriteria Kelly dari penurunan rumus hingga portofolio strategi: mengapa full Kelly berbahaya, bagaimana Kelly fraksional memberi 75% pertumbuhan dengan separuh volatilitas, dan kalkulator interaktif yang memperlihatkan bagaimana fraksi Kelly mengubah imbal hasil dan risiko.
Analisis Saham Harian: Sistem AI yang Mengubah Watchlist Menjadi Dasbor Keputusan Harian
Telaah mendalam atas daily_stock_analysis karya ZhuLinsen — sistem open-source yang mengambil data pasar untuk saham A, Hong Kong, AS, dan lainnya, menjalankan analisis teknikal dan berita melalui LLM, serta mengirimkan 'dasbor keputusan' terstruktur ke aplikasi pesan Anda setiap hari bursa. Arsitektur, fallback data, strategi agen, keterbatasan.
Temporal Fusion Transformer untuk Peramalan Portofolio Multi-Horizon
Bagaimana Temporal Fusion Transformer dari Google menghadirkan peramalan multi-horizon yang dapat diinterpretasi ke manajemen portofolio kuantitatif, dengan seleksi variabel berbasis attention, keluaran kuantil, dan pipeline pytorch-forecasting yang dikerjakan langkah demi langkah.
Conformal Prediction untuk Position Sizing yang Sadar Risiko
Interval prediksi bebas distribusi dengan jaminan cakupan. Kami menggunakan split conformal, jackknife+, dan adaptive conformal inference untuk mengkalibrasi risiko trading dan menentukan ukuran posisi tanpa asumsi parametrik.
Pemodelan dan Prediksi Bid-Ask Spread dengan Machine Learning
Mendekomposisi dan memprediksi bid-ask spread dengan ML — dari estimator implisit Roll hingga gradient boosting dan jaringan saraf — beserta jebakan satuan, kebocoran data, dan benchmarking yang menggigit di produksi.
DeepLOB: Deep Learning pada Limit Order Book
Bagaimana DeepLOB menggabungkan CNN, modul inception, dan LSTM untuk memprediksi pergerakan mid-price dari data order book mentah — arsitekturnya, angka FI-2010 yang sebenarnya, dan reimplementasi PyTorch yang berfungsi.