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.
Artikelen
Cascadestrategieën: prioriteitsuitvoering met fallback-opvulling
Finale van de reeks 'Backtests zonder illusies'. Hoe bouw je een orchestrator uit N strategieën x M paren, implementeer je cascademodus met prioriteit en fallback-uitvoering, kies je dual_size, en waarom strategieportfolio's niet kunnen worden teruggetest door simpelweg de PnL op te tellen.
Backtest-live pariteit: waarom je bot anders handelt dan in de backtest
Volledige taxonomie van afwijkingen tussen backtesting en live trading: van slippage en gedeeltelijke fills tot desynchronisatie van de codebase. Architectuurpatronen voor het bereiken van pariteit, Python-voorbeelden van een gedeelde core-module en een checklist voor monitoring in productie.
Monte Carlo Bootstrap: hoe je in 10 regels code betrouwbaarheidsintervallen voor een backtest krijgt
Waarom een puntschatting uit een backtest een gevaarlijke illusie is. Hoe Monte Carlo bootstrap in 2 seconden rekentijd een 95%-betrouwbaarheidsinterval voor PnL en MaxDD oplevert, en waarom dit een verplichte stap is voordat je een strategie in productie neemt.
Funding Rate Arbitrage Tussen Exchanges: Hoe Winst te Maken uit Renteverschillen
Hoe funding rate arbitrage werkt tussen crypto-exchanges, waarom rates verschillen op Binance, Bybit, OKX en dYdX, en hoe je een monitoring- en uitvoeringssysteem bouwt om winst uit deze verschillen te halen.
QuestDB for Algorithmic Trading: SQL Extensions That Change the Game
Deep dive into QuestDB's time-series SQL extensions: SAMPLE BY, ASOF JOIN, HORIZON JOIN, WINDOW JOIN, LATEST ON, and real-world trading query patterns.
QuestDB for Algorithmic Trading: From Order Books to Production Architecture
Materialized views, 2D array order book analytics, and reference architecture for a QuestDB-powered algorithmic trading platform.
QuestDB for Algorithmic Trading: Architecture That Speaks the Language of Markets
Deep dive into QuestDB's three-tier storage architecture — WAL, columnar storage, and Parquet on object storage — and schema design principles for algorithmic trading systems.
Datacommunicatie in Algo Trading-systemen: Een Technologie-overzicht
We analyseren communicatietechnologieën op alle niveaus van een algoritmisch handelsplatform: van exchange-connectiviteitsprotocollen (REST, WebSocket, FIX) tot interne IPC, message brokers en datastores.
Verlies-Winst Asymmetrie: De Wiskunde die je Deposito Vernietigt
Waarom 50% verlies 100% groei vereist om te herstellen, hoe volatility drag kapitaal vernietigt zelfs in zijwaartse markten, en welke formules elke algo-trader moet kennen om risicobeheer op te bouwen.
Complexe Arbitrage-uitvoering in Rust: Van Nanoseconden tot Atomaire Multi-Legs
Hoe je maximale prestaties uit Rust haalt voor multi-leg arbitrage-uitvoering: io_uring, lock-vrije orderboeken, LMAX Disruptor, SIMD, type-state machines en arena-allocators.
GNN, Transformers en RL voor arbitrage: wanneer neurale netwerken leren traden
Hoe grafische neurale netwerken arbitrageketens vinden in 78 ms, waarom RL-agenten 142% jaarlijks rendement laten zien tegenover 12% voor regelgebaseerde bots, en hoe je een geïntegreerd systeem bouwt in Rust.
Matrices, tensoren en tropische algebra: lineaire algebra voor arbitragedetectie
Hoe de matrix van wisselkoersen, eigenwaarden, tropische algebra en tensor-decomposities de chaos van de cryptomarkt omzetten in heldere arbitragesignalen.