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.
Articoli
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.
Processi gaussiani per la modellazione dei prezzi non parametrica
Progettazione del kernel per serie temporali finanziarie - rugosità Matern, composizione periodica locale, miscele spettrali - e verosimiglianza marginale come regolarizzatore che non necessita di un set di validazione. Inoltre, l'elenco onesto di ciò che deve ancora essere misurato prima che tutto ciò sia commerciabile.
Operatore neurale di Fourier per la modellazione finanziaria basata su PDE
L'apprendimento degli operatori mappa interi spazi funzionali, non punti: come l'operatore neurale di Fourier parametrizza un operatore di soluzione PDE nello spazio delle frequenze, cosa acquista per il prezzo delle opzioni e quali delle sue affermazioni necessitano ancora di essere misurate su hardware reale.
Un contesto di un'intera giornata batte uno di dieci minuti? Attenzione flash e domanda sulla lunghezza della sequenza
Flash Attention rende computazionalmente gratuito un contesto di trading di 23.400 passaggi: affiancamento, softmax online e un limite IO di N ^ 2 d ^ 2 / M. Se quel contesto più lungo renda il modello migliore è una questione separata e deve essere misurato, non affermato.
Metodi d'insieme: combinare studenti deboli per un alfa robusto
Tre cose sugli insiemi di trading che questo blog non ha trattato: perché il termine di covarianza – e non il conteggio dei modelli – domina l'errore dell'insieme, come lo stacking funziona come uno strato di combinazione di segnali con meta-caratteristiche out-of-fold e se la compensazione del turnover tra molti segnali riduce effettivamente i costi di esecuzione.
Double Machine Learning: Stimare un Parametro Causale Invece che Prevedere i Ritorni
Ogni modello in questo blog finora risponde 'cosa predice cosa'. Double ML risponde 'cosa causa cosa' — con un errore standard che puoi difendere. Il modello parzialmente lineare, ortogonalita di Neyman, cross-fitting purgato sui dati del order book e un resoconto onesto del perche un intervallo di confidenza DML valido sopravvive esattamente a una domanda pre-specificata.
Causal Forests per effetti di trattamento eterogenei nel trading
Ogni backtest in questo blog stima una media condizionale. I causal forests stimano un effetto di trattamento condizionale invece — tau(x) invece di mu(x) — con honest splitting, una rappresentazione di pesi kernel adattivi e un test di calibrazione che ti dice se l'eterogeneita che hai trovato è reale.
Epistemico vs Aleatorico: Misurare ciò che un modello di rendimento non sa
Ogni regola di sizing in questo blog tratta l'incertezza come un unico numero. MC Dropout e i deep ensembles la dividono in ignoranza del modello e rumore di mercato — e entrambi meritano dimensioni di posizione diverse.
AutoML per pipeline di trading sistematico
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.
Le cascate di liquidazioni come segnale di trading: leggere il flusso forzato e preannunciato
Ogni posizione a leva rende noto il prezzo al quale deve essere venduta. Come costruire il grafico della profondità di liquidazione on-chain e la heatmap delle liquidazioni CEX, modellare la dinamica della cascata come un numero di riproduzione e tradare il flusso forzato come un segnale invece di temerlo soltanto come un rischio.
Strategie LP su Uniswap v3 e hedging
Перевод статьи на it