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
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.
Processos Gaussianos para Modelagem Não Paramétrica de Preços
Projeto de kernel para séries temporais financeiras - rugosidade Matern, composição periódica local, misturas espectrais - e a probabilidade marginal como um regularizador que não precisa de conjunto de validação. Além da lista honesta do que ainda precisa ser medido antes que qualquer coisa seja negociável.
Operador Neural de Fourier para Modelagem Financeira Baseada em PDE
O aprendizado do operador mapeia espaços funcionais inteiros, não pontos – como o Operador Neural de Fourier parametriza um operador de solução PDE no espaço de frequência, o que ele compra para o preço das opções e quais de suas reivindicações ainda precisam ser medidas em hardware real.
Um contexto de dia inteiro supera um contexto de dez minutos? Atenção Flash e a questão do comprimento da sequência
Flash Attention torna um contexto de negociação de 23.400 etapas computacionalmente livre - lado a lado, softmax online e um limite IO de N ^ 2 d ^ 2 / M. Se esse contexto mais longo torna o modelo melhor é uma questão separada e deve ser medida, não afirmada.
Métodos Ensemble: Combinando Alunos Fracos para um Alfa Robusto
Este blog não abordou três coisas sobre conjuntos de negociação: por que o termo de covariância - e não a contagem de modelos - domina o erro de conjunto, como o empilhamento funciona como uma camada de combinação de sinais com meta-recursos fora de dobra e se a compensação de rotatividade em muitos sinais realmente reduz o custo de execução.
Double Machine Learning: Estimando um Parâmetro Causal em Vez de Prever Retornos
Todos os modelos neste blog até agora respondem 'o que prediz o quê'. Double ML responde 'o que causa o quê' — com um erro padrão que você pode defender. O modelo parcialmente linear, ortogonalidade de Neyman, cross-fitting purgado em dados de livro de ordens e um relato honesto de por que um intervalo de confiança DML válido sobrevive exatamente a uma pergunta pré-especificada.
Causal Forests para Efeitos de Tratamento Heterogêneos no Trading
Cada backtest neste blog estima uma média condicional. Causal forests estimam um efeito de tratamento condicional em vez disso — tau(x) em vez de mu(x) — com honest splitting, uma representação de pesos de kernel adaptativo, e um teste de calibração que lhe diz se a heterogeneidade que você encontrou é real.
Epistêmico vs Aleatório: Medindo o que um Modelo de Retorno Não Sabe
Todas as regras de dimensionamento de posição neste blog colapsam a incerteza em um escalar. MC Dropout e deep ensembles a dividem em ignorância do modelo e ruído de mercado — e esses dois merecem tamanhos de posição diferentes.
AutoML para pipelines de trading sistemático
Geração automatizada de atributos (tsfresh, Featuretools), busca de modelos consciente do orçamento (o otimizador econômico em custo do FLAML) e a fábrica de alfas formulaicos da WorldQuant — as partes do pipeline de pesquisa que esta série sobre busca e overfitting nunca cobriu, e o que os próprios resultados da série dizem sobre elas.
Cascatas de liquidação como sinal de trading: lendo o fluxo forçado e anunciado
Перевод статьи на pt
Estratégias de LP no Uniswap v3 e hedge
Перевод статьи на pt