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.
Bài Viết
Deflated Sharpe Ratio: Có Bao Nhiêu Chiến Lược 'Thắng' Trong Backtest Của Bạn Sống Sót Qua Multiple Testing?
Một tìm kiếm tham số là một cỗ máy sản xuất may mắn. Trên nhiễu thuần túy — 1,000 chiến lược với lợi thế thực bằng không — Sharpe hàng năm tốt nhất trung bình đạt 1.63 và bài kiểm định ý nghĩa ngây thơ báo hiệu một phát hiện 100% số lần. Chúng tôi xây dựng ground truth có kiểm soát và chỉ ra rằng Deflated Sharpe Ratio, haircut Harvey-Liu, và White's Reality Check khôi phục sự trung thực: phát hiện sai giảm từ 1.000 xuống 0.001-0.057, các lợi thế thực sự trên trần nhiễu được giữ lại với sức mạnh phát hiện ~1 — và một cái bẫy thực sự (lưới tham số tương quan) nơi DSR thô khử lạm phát quá mức và phán quyết phải được đọc trên toàn bộ dải các ước lượng số lần thử hiệu quả, chứ không phải chỉ một.
Thiết Kế Hàm Mục Tiêu: Chỉ Số Bạn Tối Ưu Hóa Âm Thầm Chọn Chiến Lược Của Bạn
Để tìm kiếm chiến lược 'tốt nhất' bạn trước tiên phải định nghĩa 'tốt nhất' — và con số vô hướng đó âm thầm chọn ra người chiến thắng. Trên dữ liệu tổng hợp với lợi thế đã biết (600 seed, T=2000, 80 ngưỡng), một Sharpe per-trade ngây thơ tôn vinh một vé số: nó chọn một người chiến thắng có mức độ tiếp xúc dưới 5% trong 56% số seed và thoái hóa trong 57% — ở seed cực đoan nhất, 8 giao dịch đạt Sharpe in-sample 21.09 sụp đổ xuống 0.13 out-of-sample. Cách khắc phục trung thực gần như nhàm chán: đo trên toàn bộ dòng thời gian, thứ không bao giờ thoái hóa (out-of-sample 1.71). Một shrinkage theo số lượng giao dịch (conf_k) và một sàn tiếp xúc (exposure floor) có thể vá lại một chỉ số per-trade, nhưng ngay cả khi được sửa hoàn toàn chúng cũng chỉ khớp với Sharpe toàn dòng thời gian (1.70 so với 1.71) — không bao giờ vượt qua nó. Định luật Goodhart, trong một backtest, với ground truth có kiểm soát.
Look-Ahead Bias: Một Sai Lầm Một Nến Tạo Ra Sharpe 15 Từ Nhiễu Thuần Túy
Một nghiên cứu có kiểm soát về các rò rỉ look-ahead tinh vi âm thầm thổi phồng backtest. Với lợi thế thực bằng không, một fill cùng nến tạo ra Sharpe hàng năm +14.8 từ nhiễu thuần túy; một lần nhìn trộm chỉ báo lệch một nến, +4.8. Phân loại đầy đủ, các mức độ đo được, và cách phát hiện từng rò rỉ trước khi nó khiến bạn mất tiền.
Thang Tốc Độ Backtest: 298x Trên CPU Laptop, PnL Giống Hệt Đến Giao Dịch Cuối
Năm cách triển khai của cùng một sweep tham số 80 combo, tất cả được xác minh cho ra PnL giống hệt nhau: pandas rolling.apply mất 69.9 giây, numpy 3.1, numba 2.0, numba song song 0.23 — mức tăng tốc đo được 298x trên Apple M2 Max mà không đổi bất kỳ phần cứng nào, và vẫn còn ~13x so với baseline vector hóa có năng lực. Mỗi bậc mang lại điều gì, tại sao GPU không phải là mảnh ghép còn thiếu, và nút thắt cổ chai thực sự trong tìm kiếm tham số quy mô lớn nằm ở đâu.
researcher: Kho lưu trữ nghiên cứu quant có thể tìm kiếm dành cho con người và AI agent
Cách chúng tôi xây dựng researcher.marketmaker.cc — một kho lưu trữ nghiên cứu quant hợp nhất, có thể tìm kiếm toàn văn (bài báo arXiv, repo GitHub, blog quant, script Pine của TradingView) mà con người duyệt và AI agent truy vấn qua MCP.
algo-investor-skills: Bộ kỹ năng Claude Code dựng đề xuất gọi vốn chống lừa đảo
Phân tích chuyên sâu về algo-investor-skills — một bộ kỹ năng Claude Code đưa chiến lược algotrading từ các dữ kiện thô đã đo lường đến một đề xuất gọi vốn đã được kiểm toán, đặt sự trung thực lên hàng đầu. Sáu kỹ năng ghép nối được, một động cơ mô hình tài chính, một gói chứng minh kiểm chứng độc lập, và một cổng kiểm toán nhà đầu tư hoài nghi bắt buộc không bao giờ bịa ra một con số.
Tiêu chí Kelly cho các chiến lược: cách chọn kích thước vị thế và phân bổ vốn
Một chiến lược có kỳ vọng toán dương vẫn có thể làm cháy tài khoản nếu chọn sai kích thước đặt cược. Phân tích tiêu chí Kelly từ việc suy ra công thức đến danh mục chiến lược: vì sao full Kelly nguy hiểm, cách Kelly phân số mang lại 75% mức tăng trưởng với một nửa độ biến động, và một máy tính tương tác cho thấy tỷ lệ Kelly thay đổi lợi nhuận và rủi ro như thế nào.
Phân tích cổ phiếu hàng ngày: Hệ thống AI biến danh sách theo dõi thành bảng điều khiển quyết định mỗi ngày
Phân tích chuyên sâu về daily_stock_analysis của ZhuLinsen — một hệ thống mã nguồn mở thu thập dữ liệu thị trường trên cổ phiếu A, Hồng Kông, Mỹ và nhiều thị trường khác, chạy phân tích kỹ thuật và tin tức qua LLM, rồi đẩy một 'bảng điều khiển quyết định' có cấu trúc đến ứng dụng nhắn tin của bạn vào mỗi ngày giao dịch. Kiến trúc, dự phòng dữ liệu, chiến lược agent, hạn chế.
Temporal Fusion Transformer cho dự báo danh mục đa tầm nhìn
Cách Temporal Fusion Transformer của Google mang lại khả năng dự báo đa tầm nhìn có thể diễn giải cho quản lý danh mục định lượng, với lựa chọn biến dựa trên attention, đầu ra phân vị và một pipeline pytorch-forecasting hoàn chỉnh.
Conformal Prediction cho việc định cỡ vị thế nhận biết rủi ro
Khoảng dự báo không phụ thuộc phân phối với mức bao phủ được bảo đảm. Chúng tôi dùng split conformal, jackknife+ và adaptive conformal inference để hiệu chỉnh rủi ro giao dịch và định cỡ vị thế mà không cần giả định tham số.
Mô hình hóa và dự báo spread bid-ask bằng Machine Learning
Phân rã và dự báo spread bid-ask bằng ML — từ ước lượng ẩn của Roll đến gradient boosting và mạng neural — cùng những cạm bẫy về đơn vị, rò rỉ dữ liệu và benchmarking thường gặp trong môi trường thực tế.
DeepLOB: Học sâu trên sổ lệnh giới hạn
Cách DeepLOB kết hợp CNN, mô-đun inception và LSTM để dự đoán biến động giá trung bình từ dữ liệu sổ lệnh thô — kiến trúc, các con số FI-2010 thực tế, và một bản tái hiện PyTorch hoạt động được.