Eugen Soloviov
Инженер торговых систем
Разработка торговых ботов с 2017 года: межбиржевой арбитраж (подключал до 30 бирж), парный арбитраж на коинтеграции между спотом и фьючерсами, скальпинг, фронтраннинг, торговля по новостям, сентиментный анализ, трендовые алгоритмы, а также алгоритмы управления и балансировки портфелей. Делает выставление ордеров до 1 мс, warehouse для big data, бэктестинг-движки, AI-агентов и интерфейсы для ботов (в т.ч. open-source profitmaker.cc). Стек: JS/TS, Python, Rust/Zig/Go, DevOps, backend, frontend, архитектура.
Статьи
Deflated Sharpe Ratio: сколько "победителей" бэктеста переживают множественное тестирование?
Поиск параметров — это машина по производству удачи. На чистом шуме — 1,000 стратегий с нулевым истинным edge — лучший годовой Sharpe в среднем составляет 1.63, а наивный тест значимости фиксирует открытие в 100% случаев. Мы строим контролируемую истину и показываем, что Deflated Sharpe Ratio, haircut Harvey-Liu и Reality Check Уайта восстанавливают честность: доля ложных открытий падает с 1.000 до 0.001-0.057, настоящие edge выше потолка шума сохраняются с power ~1 — и одна реальная ловушка (коррелированные сетки), где сырой DSR передефлирует, а вердикт нужно читать по всей полосе оценок эффективного числа испытаний, а не по одной цифре.
Дизайн целевой функции: метрика, которую вы оптимизируете, тайно выбирает вашу стратегию
Чтобы искать "лучшую" стратегию, нужно сначала определить "лучшее" — и этот скаляр тайно выбирает победителя. На синтетических данных с известным edge (600 seeds, T=2000, 80 порогов) наивный per-trade Sharpe коронует лотерею: он выбирает победителя с exposure ниже 5% в 56% seeds и вырождается в 57% случаев — на самом ярком seed 8 сделок дают in-sample Sharpe 21.09, который схлопывается до 0.13 out of sample. Честное исправление почти скучно: измерять на полном таймлайне, который никогда не вырождается (out-of-sample 1.71). Trade-count shrinkage (conf_k) и exposure floor способны доработать per-trade метрику, но даже полностью исправленные они лишь сравниваются с full-timeline Sharpe (1.70 против 1.71) — никогда не превосходят его. Закон Гудхарта в бэктесте, с контролируемой истиной.
Look-Ahead Bias: как ошибка в один бар фабрикует Sharpe 15 из чистого шума
Контролируемое исследование скрытых look-ahead утечек, которые незаметно раздувают бэктесты. При полном отсутствии реального edge исполнение на баре сигнала фабрикует годовой Sharpe +14.8 из чистого шума; подглядывание индикатора на один бар вперед — +4.8. Таксономия, измеренные величины и как обнаружить каждую утечку до того, как она обойдется вам в деньги.
Лесенка скорости бэктест-движка: 298x на CPU ноутбука, идентичный PnL до последней сделки
Пять реализаций одного и того же перебора 80 комбинаций параметров, каждая проверена на идентичность PnL: pandas rolling.apply занимает 69.9 секунды, numpy — 3.1, numba — 2.0, параллельная numba — 0.23 — измеренное ускорение 298x на Apple M2 Max без единого изменения в железе, и все еще ~13x против добротной векторизованной базовой реализации. Что дает каждая ступень, почему GPU — не то недостающее звено, и где на самом деле находится узкое место в массовом переборе параметров.
researcher: архив количественных исследований с поиском для людей и ИИ-агентов
Как мы построили researcher.marketmaker.cc — единый архив количественных исследований с полнотекстовым поиском (статьи arXiv, репозитории GitHub, квант-блоги, Pine-скрипты с TradingView), по которому люди ищут вручную, а ИИ-агенты обращаются через MCP.
algo-investor-skills: навыки Claude Code, которые собирают защищенное от обвинений в мошенничестве предложение для инвестора
Подробный разбор algo-investor-skills — набора навыков Claude Code, которые проводят алготрейдинговую стратегию от сырых измеренных фактов до проверенного, честного предложения для инвестора. Шесть компонуемых навыков, движок финансовых моделей, пакет независимой проверки и обязательный аудит скептичным инвестором, который никогда не выдумывает цифры.
Критерий Келли для стратегий: как выбрать размер позиции и распределить капитал
Стратегия с положительным мат. ожиданием может разорить депозит, если ошибиться с размером ставки. Разбираем критерий Келли от вывода формулы до портфеля стратегий: почему full Kelly опасен, как дробный Kelly дает 75% роста при половине волатильности, и интерактивный калькулятор, где видно, как доля Келли меняет доходность и риск.
Daily Stock Analysis: AI-система, которая превращает список акций в ежедневный дашборд решений
Разбор проекта daily_stock_analysis от ZhuLinsen — открытая система, которая собирает рыночные данные по рынкам Китая, Гонконга, США и не только, прогоняет технический и новостной анализ через LLM и каждый торговый день присылает в мессенджер структурированный дашборд решения. Архитектура, отказоустойчивость данных, стратегии, ограничения.
Temporal Fusion Transformer для многогоризонтного прогнозирования портфеля
Как Temporal Fusion Transformer от Google привносит интерпретируемое многогоризонтное прогнозирование в количественное управление портфелем — отбор переменных на основе внимания, квантильные выходы и разобранный пайплайн на pytorch-forecasting.
Конформное прогнозирование для риск-ориентированного определения размера позиции
Свободные от распределения предсказательные интервалы с гарантированным покрытием. Мы используем split conformal, jackknife+ и адаптивный конформный вывод, чтобы калибровать торговый риск и определять размер позиций без параметрических предположений.
Моделирование и прогнозирование bid-ask спреда с помощью машинного обучения
Разложение и прогнозирование bid-ask спреда средствами ML — от неявного оценщика Ролла до градиентного бустинга и нейросетей — с разбором единиц измерения, утечек данных и ловушек бенчмаркинга, которые бьют по системе в продакшене.
DeepLOB: глубокое обучение на книгах лимитных ордеров
Как DeepLOB объединяет CNN, inception-модуль и LSTM для прогнозирования движений средней цены по сырым данным книги ордеров — архитектура, реальные цифры на FI-2010 и рабочая реализация на PyTorch.