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 Terselamat daripada Ujian Berganda?
Carian parameter ialah mesin untuk menghasilkan nasib baik secara buatan. Pada bunyi hingar tulen — 1,000 strategi dengan kelebihan sebenar sifar — Sharpe tahunan terbaik purata 1.63 dan ujian signifikan naif menandakan penemuan 100% daripada masa. Kami membina ground truth terkawal dan menunjukkan bahawa Deflated Sharpe Ratio, haircut Harvey-Liu, dan Reality Check White memulihkan kejujuran: penemuan palsu jatuh daripada 1.000 kepada 0.001-0.057, kelebihan tulen di atas siling bunyi hingar dikekalkan dengan kuasa ~1 — dan satu perangkap sebenar (grid berkorelasi) di mana DSR mentah terlebih-deflasi dan keputusan mesti dibaca merentasi keseluruhan jalur penganggar cubaan-berkesan, bukan satu.
Reka Bentuk Fungsi Objektif: Metrik yang Anda Optimumkan Secara Rahsia Memilih Strategi Anda
Untuk mencari strategi 'terbaik' anda perlu dahulu mentakrifkan 'terbaik' — dan skalar itu secara senyap memilih pemenang. Pada data sintetik dengan kelebihan yang diketahui (600 seed, T=2000, 80 ambang), Sharpe setiap-dagangan naif menobatkan satu loteri: ia memilih pemenang berpendedahan-bawah-5% dalam 56% seed dan merosot dalam 57% — pada seed paling ekstrem, 8 dagangan mencatatkan Sharpe dalam-sampel 21.09 yang runtuh kepada 0.13 di luar sampel. Pembaikan yang jujur hampir membosankan: ukur pada garis masa penuh, yang tidak pernah merosot (luar-sampel 1.71). Pengecilan bilangan-dagangan (conf_k) dan lantai pendedahan boleh menaik taraf metrik setiap-dagangan, tetapi walaupun dibaiki sepenuhnya ia hanya menyamai Sharpe garis-masa-penuh (1.70 vs 1.71) — tidak pernah mengatasinya. Hukum Goodhart, dalam satu backtest, dengan ground truth terkawal.
Look-Ahead Bias: Bagaimana Kesilapan Satu-Bar Menghasilkan Sharpe 15 daripada Bunyi Hingar Tulen
Satu kajian terkawal tentang kebocoran look-ahead yang halus yang secara senyap-senyap menggembungkan backtest. Dengan tiada kelebihan sebenar langsung, satu fill same-bar menghasilkan Sharpe tahunan +14.8 daripada bunyi hingar tulen; satu tinjauan penunjuk satu-bar, +4.8. Taksonominya, magnitud yang diukur, dan cara mengesan setiap kebocoran sebelum ia menelan kos wang anda.
Tangga Kelajuan Enjin Backtest: 298x pada CPU Laptop, PnL Identik hingga Dagangan Terakhir
Lima pelaksanaan bagi sapuan parameter 80-kombo yang sama, semuanya disahkan menghasilkan PnL identik: pandas rolling.apply mengambil masa 69.9 saat, numpy 3.1, numba 2.0, numba selari 0.23 — kelajuan terukur 298x pada Apple M2 Max tanpa sebarang perubahan perkakasan, dan masih ~13x berbanding garis dasar vektor yang cekap. Apa yang diperoleh setiap anak tangga, mengapa GPU bukan bahagian yang hilang, dan di mana kesesakan sebenar dalam carian parameter besar-besaran berada.
researcher: Arkib Penyelidikan Kuant yang Boleh Dicari untuk Manusia dan Ejen AI
Bagaimana kami membina researcher.marketmaker.cc — arkib penyelidikan kuant yang bersatu dan boleh dicari secara teks penuh (kertas arXiv, repo GitHub, blog kuant, skrip Pine TradingView) yang dilayari manusia dan disoal oleh ejen AI melalui MCP.
algo-investor-skills: Kemahiran Claude Code yang Membina Cadangan Pelabur Kalis Penipuan
Tinjauan mendalam terhadap algo-investor-skills — satu set kemahiran Claude Code yang membawa strategi algotrading daripada fakta mentah yang diukur kepada cadangan pelabur yang diaudit dan mengutamakan kejujuran. Enam kemahiran yang boleh disusun, enjin model kewangan, pakej bukti pengesahan bebas, dan get audit pelabur skeptik yang wajib dan tidak pernah mereka-reka sebarang nombor.
Kriteria Kelly untuk strategi: cara memilih saiz posisi dan mengagihkan modal
Strategi dengan jangkaan matematik positif boleh meranapkan deposit jika anda tersilap saiz pertaruhan. Kita kupas kriteria Kelly dari penurunan formula hingga ke portfolio strategi: mengapa full Kelly berbahaya, bagaimana Kelly pecahan memberi 75% pertumbuhan pada separuh volatiliti, dan kalkulator interaktif yang menunjukkan bagaimana pecahan Kelly mengubah pulangan dan risiko.
Analisis Saham Harian: Sistem AI yang Menukar Senarai Pantau Menjadi Papan Pemuka Keputusan Harian
Tinjauan mendalam tentang daily_stock_analysis oleh ZhuLinsen — sistem sumber terbuka yang mengambil data pasaran bagi saham A, Hong Kong, AS, dan lain-lain, menjalankan analisis teknikal dan berita melalui LLM, serta menghantar 'papan pemuka keputusan' berstruktur ke aplikasi pemesejan anda setiap hari dagangan. Seni bina, fallback data, strategi ejen, batasan.
Temporal Fusion Transformer untuk Ramalan Portfolio Pelbagai Ufuk
Bagaimana Temporal Fusion Transformer daripada Google membawa ramalan pelbagai ufuk yang boleh ditafsir kepada pengurusan portfolio kuantitatif, dengan pemilihan pemboleh ubah berasaskan attention, output kuantil, dan saluran paip pytorch-forecasting yang lengkap.
Conformal Prediction untuk Penentuan Saiz Posisi yang Sedar Risiko
Selang ramalan bebas taburan dengan jaminan liputan. Kami menggunakan split conformal, jackknife+, dan adaptive conformal inference untuk mengkalibrasi risiko dagangan dan menentukan saiz posisi tanpa andaian parametrik.
Pemodelan dan Ramalan Spread Bid-Ask dengan Pembelajaran Mesin
Menguraikan dan meramalkan spread bid-ask dengan ML — daripada penganggar tersirat Roll kepada gradient boosting dan rangkaian neural — bersama unit, kebocoran, dan perangkap penanda aras yang menggigit dalam produksi.
DeepLOB: Pembelajaran Mendalam pada Limit Order Book
Bagaimana DeepLOB menggabungkan CNN, modul inception, dan LSTM untuk meramalkan pergerakan harga tengah daripada data order book mentah — seni binanya, angka FI-2010 yang sebenar, dan pelaksanaan semula PyTorch yang berfungsi.