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.
非參數價格建模的高斯過程
金融時間序列的核設計——母體粗糙度、局部週期成分、光譜混合——以及作為不需要驗證集的正則化器的邊際似然。加上在任何東西可以交易之前仍然需要衡量的誠實清單。
基於偏微分方程的金融建模的傅立葉神經算子
算子學習映射整個函數空間，而不是點——傅立葉神經算子如何在頻率空間中參數化 PDE 解算子，為選擇權定價購買什麼，以及它的哪些主張仍然需要在真實硬體上測量。
一整天的內容能勝過十分鐘的內容嗎？ Flash 注意力與序列長度問題
Flash Attention 讓 23,400 步驟的交易上下文無需計算——平鋪、線上 softmax 和 N^2 d^2 / M 的 IO 界限。更長的上下文是否使模型更好是一個單獨的問題，它必須被測量，而不是斷言。
整合方法：結合弱學習者以獲得穩健的 Alpha
本部落格未涵蓋有關交易整合的三件事：為什麼協方差項（而不是模型計數）在整合誤差中占主導地位，堆疊如何作為具有折疊元特徵的訊號組合層工作，以及跨多個訊號的周轉淨額是否真正降低了執行成本。
Double Machine Learning：估計因果參數而非預測報酬
本博客至今所有模型回答「什麼預測什麼」。Double ML 回答「什麼導致什麼」——帶有可辯護的標準誤。部分線性模型、Neyman 正交性、order book 數據上的清理交叉擬合，以及為何有效 DML 信賴區間僅對一個預先指定的問題成立的誠實說明。
交易中異質治療效果的因果森林
本博客每個回測估計條件平均值。因果森林估計條件治療效果 — tau(x) 而非 mu(x) — 具有誠實分裂、自適應核權重表示以及告訴您發現的異質性是否真實的校準測試。
認識與對立：衡量收益模型不知道的東西
本博客的每個位置 sizing 規則都把不確定性坍縮成單一純量。MC Dropout 和深度集成將其拆分為模型無知與市場噪聲——這兩者值得不同的 position size。
用於系統化交易流程的 AutoML
自動特徵生成（tsfresh、Featuretools）、具預算感知的模型搜尋（FLAML 的節省成本最佳化器），以及 WorldQuant 公式化 alpha 工廠——本部落格搜尋與過度擬合系列尚未涵蓋的研究流程部分，以及該系列自身結果對它們的啟示。
將清算級聯作為交易訊號：解讀被迫且預先宣告的流量
Перевод статьи на zh-Hant
Uniswap v3 LP 策略與對沖
Перевод статьи на zh-Hant