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.
บทความ
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.
กระบวนการเกาส์เซียนสำหรับการสร้างแบบจำลองราคาแบบไม่อิงพารามิเตอร์
การออกแบบเคอร์เนลสำหรับอนุกรมเวลาทางการเงิน — ความหยาบของมารดา องค์ประกอบตามคาบเฉพาะที่ ส่วนผสมสเปกตรัม — และความน่าจะเป็นส่วนเพิ่มในฐานะตัวทำให้สม่ำเสมอที่ไม่จำเป็นต้องตั้งค่าการตรวจสอบความถูกต้อง รวมถึงรายการสิ่งที่ต้องวัดอย่างตรงไปตรงมาก่อนที่จะซื้อขายได้
ตัวดำเนินการระบบประสาทฟูริเยร์สำหรับการสร้างแบบจำลองทางการเงินที่ใช้ PDE
การเรียนรู้ของผู้ปฏิบัติงานจะแมปพื้นที่ฟังก์ชันทั้งหมด ไม่ใช่ชี้ - วิธีที่ Fourier Neural Operator กำหนดพารามิเตอร์ตัวดำเนินการโซลูชัน PDE ในพื้นที่ความถี่ สิ่งที่ซื้อสำหรับการกำหนดราคาตัวเลือก และการอ้างสิทธิ์ใดที่ยังต้องมีการวัดบนฮาร์ดแวร์จริง
บริบทเต็มวันเอาชนะหนึ่งนาทีได้หรือไม่? ความสนใจแบบแฟลชและคำถามแบบเรียงลำดับความยาว
Flash Attention ทำให้บริบทการซื้อขาย 23,400 ขั้นตอนไม่มีค่าใช้จ่ายในการคำนวณ — การเรียงต่อกัน, ซอฟต์แม็กซ์ออนไลน์ และขอบเขต IO ที่ N^2 d^2 / M ไม่ว่าบริบทที่ยาวกว่านั้นจะทำให้โมเดลดีขึ้นหรือไม่นั้นเป็นคำถามแยกต่างหาก และจะต้องวัดผล ไม่ใช่ยืนยัน
วิธีการรวมกลุ่ม: ผสมผสานผู้เรียนที่อ่อนแอเพื่ออัลฟ่าที่แข็งแกร่ง
สามสิ่งที่เกี่ยวกับกลุ่มการค้าขายในบล็อกนี้ยังไม่ครอบคลุม: เหตุใดคำความแปรปรวนร่วม (ไม่ใช่การนับแบบจำลอง) จึงครอบงำข้อผิดพลาดทั้งมวล วิธีการทำงานของการซ้อนเป็นเลเยอร์การรวมสัญญาณที่มีคุณลักษณะเมตาที่ไม่อยู่ในขอบเขต และการหมุนเวียนสุทธิของสัญญาณจำนวนมากจะช่วยลดต้นทุนการดำเนินการได้จริงหรือไม่
Double Machine Learning: การประมาณค่าพารามิเตอร์เชิงสาเหตุแทนการทำนายผลตอบแทน
ทุกโมเดลในบล็อกนี้จนถึงตอนนี้ตอบคำถามว่า 'อะไรทำนายอะไร' Double ML ตอบว่า 'อะไรทำให้เกิดอะไร' — พร้อมค่ามาตรฐานข้อผิดพลาดที่คุณสามารถปกป้องได้ โมเดลเส้นตรงบางส่วน ออร์โธโกนาลิตีของ Neyman cross-fitting ที่ถูกล้างบนข้อมูล order book และการอธิบายอย่างซื่อสัตย์ว่าเหตุใดช่วงความมั่นใจ DML ที่ถูกต้องจะอยู่รอดได้เพียงคำถามที่ระบุไว้ล่วงหน้าเพียงหนึ่งคำถาม
ป่าสาเหตุสำหรับผลกระทบการรักษาที่แตกต่างกันในการเทรด
แบ็คเทสทุกตัวในบล็อกนี้ประมาณค่าเฉลี่ยแบบมีเงื่อนไข ป่าสาเหตุประมาณผลกระทบการรักษาแบบมีเงื่อนไขแทน — tau(x) แทน mu(x) — ด้วยการแบ่งที่ซื่อสัตย์ การแสดงถึงน้ำหนักเคอร์เนลแบบปรับตัว และการทดสอบการสอบเทียบที่บอกว่าความแตกต่างที่คุณพบเป็นสิ่งจริงหรือไม่
เอพิสเทมิกกับอาเลโทอิก: วัดสิ่งที่โมเดลผลตอบแทนไม่รู้
ทุกกฎขนาดตำแหน่งในบล็อกนี้ย่อไม่แน่นอนให้เป็นตัวเลขเดียว MC Dropout และ deep ensembles แยกมันเป็นความไม่รู้ของโมเดลและความผิดปกติของตลาด และทั้งสองอย่างนี้สมควรได้รับขนาดตำแหน่งที่ต่างกัน
AutoML สำหรับไปป์ไลน์การซื้อขายเชิงระบบ
Automated feature generation (tsfresh, Featuretools), budget-aware model search (FLAML's cost-frugal optimizer), and the WorldQuant formulaic alpha factory — the parts of the research pipeline this blog's search-and-overfit arc never covered, and what the arc's own results say about them.
Liquidation cascades as a trading signal: reading forced, pre-announced flow
Every leveraged position advertises the price at which it must be sold. How to build the on-chain liquidation depth chart and the CEX liquidation heatmap, model cascade dynamics as a reproduction number, and trade forced flow as a signal instead of only fearing it as a risk.
Active Uniswap v3 LPing as Market Making: Range Selection, Rebalancing, and Delta Hedging
An active v3 LP is running a market-making book with gas costs and no cancel button. Size ranges from a GARCH vol forecast, frame rebalancing as fee-gain vs realized-cost, derive the position delta from tick math and hedge it with perps, and understand JIT liquidity and the honest pitfalls of backtesting LP from on-chain data.