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
디플레이티드 샤프 비율: 백테스트 '승자' 중 다중 검정에서 살아남는 것은 몇 개인가?
파라미터 서치는 운을 제조하는 기계입니다. 순수한 노이즈에서 — 진짜 엣지가 전혀 없는 전략 1,000개 — 최고 연간 샤프는 평균 1.63이고, 나이브 유의성 검정은 100%의 확률로 발견을 선언합니다. 통제된 실측값을 구축하여 디플레이티드 샤프 비율, Harvey-Liu 헤어컷, White의 Reality Check가 정직함을 회복시킨다는 것을 보입니다: 거짓 발견은 1.000에서 0.001-0.057로 떨어지고, 노이즈 천장 위의 진짜 엣지는 검정력 ~1로 유지됩니다 — 그리고 상관된 그리드라는 하나의 진짜 함정에서는 raw DSR이 과잉 디플레이션을 일으키며, 판정은 하나가 아니라 유효 시행 수 추정치 전체 밴드에 걸쳐 읽어야 합니다.
목적함수 설계: 최적화하는 지표가 전략을 은밀하게 고른다
"최선"의 전략을 찾으려면 먼저 "최선"이 무엇인지부터 정의해야 합니다 — 그리고 그 스칼라가 은밀하게 승자를 결정합니다. 알려진 엣지를 가진 합성 데이터(600개 시드, T=2000, 80개 임계값)에서, 나이브한 거래당 샤프는 복권을 승자로 옹립합니다: 56%의 시드에서 노출도 5% 미만인 승자를 고르고 57%에서는 퇴화합니다 — 가장 극단적인 시드에서는 8건의 거래가 인샘플 샤프 21.09를 기록했다가 아웃오브샘플에서 0.13으로 무너집니다. 정직한 수리법은 거의 시시할 정도입니다: 전체 타임라인에서 측정하면 결코 퇴화하지 않습니다(아웃오브샘플 1.71). 거래 수(conf_k) 축소와 노출 하한선으로 거래당 지표를 사후 보강할 수 있지만, 완전히 수리해도 전체 타임라인 샤프와 같아질 뿐입니다(1.70 대 1.71) — 결코 그것을 넘어서지 못합니다. 굿하트의 법칙, 백테스트 안에서, 통제된 실측값과 함께.
미래 참조 편향(Look-Ahead Bias): 한 바(bar)의 실수가 순수한 노이즈에서 Sharpe 15를 만들어내는 방법
백테스트를 조용히 부풀리는 미묘한 미래 참조 누출들에 대한 통제된 연구. 실제 엣지가 전혀 없는 상태에서, 동일 바 체결은 순수한 노이즈만으로 연율화 Sharpe +14.8을 만들어내고, 한 바 앞선 지표 엿보기는 +4.8을 만들어냅니다. 누출의 분류 체계, 측정된 규모, 그리고 돈을 잃기 전에 각 누출을 탐지하는 방법.
백테스트 엔진 속도 사다리: 노트북 CPU에서 298배, 마지막 트레이드까지 동일한 PnL
동일한 80개 조합 파라미터 스윕을 다섯 가지 방식으로 구현하고 모두 동일한 PnL을 내는 것을 검증했습니다: pandas rolling.apply는 69.9초, numpy는 3.1초, numba는 2.0초, 병렬 numba는 0.23초 — Apple M2 Max에서 하드웨어 변경 없이 측정된 298배 속도 향상이며, 유능한 벡터화 기준선 대비로도 여전히 약 13배입니다. 각 단계에서 실제로 얻는 것이 무엇인지, GPU가 왜 빠진 조각이 아닌지, 그리고 대규모 파라미터 탐색의 진짜 병목이 어디에 있는지.
researcher: 사람과 AI 에이전트를 위한 검색 가능한 퀀트 리서치 아카이브
researcher.marketmaker.cc를 어떻게 구축했는가 — arXiv 논문, GitHub 저장소, 퀀트 블로그, TradingView Pine 스크립트를 아우르는 퀀트 리서치를 전체 텍스트로 검색할 수 있는 통합 아카이브. 사람은 직접 둘러보고 AI 에이전트는 MCP를 통해 질의한다.
algo-investor-skills: 사기 방지형 투자자 제안서를 만들어 주는 Claude Code 스킬
algo-investor-skills를 깊이 들여다본다 — 알고트레이딩 전략을 측정된 원시 사실에서 감사를 거친 정직 우선 투자자 제안서로 끌어올리는 Claude Code 스킬 모음이다. 조합 가능한 여섯 개의 스킬, 금융 모델 엔진, 독립 검증 증빙 패키지, 그리고 어떤 숫자도 결코 조작하지 않는 필수 회의적 투자자 감사 게이트로 구성된다.
전략을 위한 켈리 기준: 포지션 크기를 정하고 자본을 배분하는 법
양의 기대값을 가진 전략이라도 베팅 크기를 잘못 잡으면 계좌를 날릴 수 있다. 공식 유도부터 전략 포트폴리오까지 켈리 기준을 파헤친다: 왜 full Kelly가 위험한지, 어떻게 분수 켈리가 절반의 변동성으로 75%의 성장을 주는지, 그리고 켈리 비율이 수익과 리스크를 어떻게 바꾸는지 보여주는 인터랙티브 계산기까지.
데일리 주식 분석: 관심 종목 목록을 일일 의사결정 대시보드로 바꾸는 AI 시스템
ZhuLinsen이 만든 daily_stock_analysis 심층 분석 — A주, 홍콩, 미국 등 여러 시장에서 데이터를 가져오고, LLM을 통해 기술적 분석과 뉴스 분석을 수행하며, 매 거래일마다 구조화된 '의사결정 대시보드'를 메신저로 전송하는 오픈소스 시스템. 아키텍처, 데이터 폴백, 에이전트 전략, 한계까지.
다중 기간 포트폴리오 예측을 위한 Temporal Fusion Transformer
구글의 Temporal Fusion Transformer가 어텐션 기반 변수 선택, 분위수 출력, 그리고 실제로 동작하는 pytorch-forecasting 파이프라인을 통해 어떻게 해석 가능한 다중 기간 예측을 정량적 포트폴리오 관리에 적용하는지 살펴봅니다.
리스크 인식 포지션 사이징을 위한 컨포멀 예측
보장된 커버리지를 제공하는 분포 무관 예측 구간. split conformal, jackknife+, adaptive conformal inference를 사용해 모수적 가정 없이 트레이딩 리스크를 보정하고 포지션 크기를 산정한다.
머신러닝을 활용한 매수-매도 스프레드 모델링과 예측
Roll의 암묵 추정량부터 그래디언트 부스팅과 신경망까지, ML로 매수-매도 스프레드를 분해하고 예측한다. 실전에서 발목을 잡는 단위, 누수, 벤치마킹 함정까지 함께 다룬다.
DeepLOB: 지정가 주문장에 적용한 딥러닝
DeepLOB가 CNN, 인셉션 모듈, LSTM을 결합해 원시 주문장 데이터로부터 중간 가격의 움직임을 예측하는 방법 — 아키텍처, 실제 FI-2010 수치, 그리고 동작하는 PyTorch 재구현.