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
加密貨幣市場的統計套利與配對交易：從協整到卡爾曼濾波
加密貨幣市場統計套利完全指南。協整分析、卡爾曼濾波、基差策略、跨交易所套利。包含回測與Python程式碼。
交易者的數字指紋：如何通過訂單簿行為識別做市商
每個演算法都會留下獨特的指紋。學會解讀它——你就能知道交易對手方是誰。
按活躍時間計算PnL：改變策略排名的指標
為什麼年度原始PnL不適合比較不同交易時間的策略。如何計算有效收益率，為什麼需要fill_efficiency，以及為什麼27% PnL的策略可能優於300%的策略。
自適應下鑽：從分鐘到原始交易的可變粒度回測
自適應資料粒度如何加速回測並節省儲存空間：僅在價格顯著波動或成交量異常的位置從1分鐘下鑽到1秒、100毫秒和原始交易，而非對整個歷史序列進行處理。
聚合 Parquet 快取：如何將多時間框架回測加速數百倍
如何從分鐘級K線預計算時間框架和指標，儲存為 parquet 檔案，並在大規模策略測試中使用，避免重複計算。
Walk-Forward 最佳化：唯一誠實的策略測試方法
為什麼單次訓練/測試分割無法防止過擬合，walk-forward 最佳化如何系統性地驗證參數穩健性，以及為什麼一個具有 21 個參數、PnL@ML 達 +3342% 的策略在沒有 WFO 的情況下是一顆定時炸彈。
訊號相關性：需要監控多少個交易對
為什麼10個加密貨幣交易對無法提供10倍分散化，如何通過correlation_factor計算effective_N，以及實際需要監控多少個交易對才能達到80-90%的編排器插槽利用率。
Polars vs Pandas 演算法交易實戰基準測試
Polars 與 Pandas 在演算法交易任務上的詳細對比：過濾、聚合、滾動訊號計算、I/O 和記憶體消耗的基準測試。Polars + Numba 混合架構實現最大回測效能。
平臺分析：如何區分穩健最優與過擬合
為什麼找到最佳策略參數只是工作的一半。如何從視覺和定量兩方面區分穩定的平臺與脆弱的尖峰，以及為什麼Optuna等高線圖是將最佳化後的策略投入生產前的必要步驟。
座標下降法 vs 貝葉斯最佳化：哪種方法能找到更好的參數
為什麼窮舉搜尋對12個以上參數不可行，座標下降法如何遺漏參數互動作用，以及Optuna的TPE取樣器如何在500次迭代中找到OAT在96次中無法找到的結果。實用程式碼示例、取樣器對比與多目標最佳化。
多品種驗證：在所有交易對上檢驗你的策略
為什麼在ETHUSDT上最佳化的策略可能在山寨幣上失敗。如何正確按交易對分組（藍籌、大市值、垃圾幣）進行測試，以及什麼水平的cross-symbol robustness score才算足夠。
資金費率扼殺你的槓桿：為什麼 PnL×50x 是虛構的
Binance/Bybit 上的資金費率如何將高槓杆下漂亮的回測結果變成確定的虧損。公式、真實策略的重新計算，以及資金費率不吞噬利潤的最大槓桿倍數。