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.
非参数价格建模的高斯过程
金融时间序列的核设计——母体粗糙度、局部周期成分、光谱混合——以及作为不需要验证集的正则化器的边际似然。加上在任何东西可以交易之前仍然需要衡量的诚实清单。
基于偏微分方程的金融建模的傅立叶神经算子
算子学习映射整个函数空间，而不是点——傅里叶神经算子如何在频率空间中参数化 PDE 解算子，为期权定价购买什么，以及它的哪些主张仍然需要在真实硬件上测量。
一整天的内容能胜过十分钟的内容吗？ Flash 注意力和序列长度问题
Flash Attention 使 23,400 步的交易上下文无需计算——平铺、在线 softmax 和 N^2 d^2 / M 的 IO 界限。更长的上下文是否使模型更好是一个单独的问题，它必须被测量，而不是断言。
集成方法：结合弱学习者以获得稳健的 Alpha
本博客未涵盖有关交易集成的三件事：为什么协方差项（而不是模型计数）在集成误差中占主导地位，堆栈如何作为具有折叠元特征的信号组合层工作，以及跨多个信号的周转净额是否真正降低了执行成本。
Double Machine Learning：估计因果参数而非预测收益
本博客至今所有模型回答'什么预测什么'。Double ML 回答'什么导致什么'——带有可辩护的标准误。部分线性模型、Neyman 正交性、order book 数据上的清理交叉拟合，以及为何有效 DML 置信区间仅对一个预先指定的问题成立的诚实说明。
交易中异质处理效应的因果森林
本博客每个回测估计条件平均值。因果森林估计条件处理效果 — tau(x) 而非 mu(x) — 具有诚实分裂、自适应核权重表示以及告诉您发现的异质性是否真实的校准测试。
认识与对立：衡量收益模型不知道的东西
本博客的每个 position sizing 规则都把不确定性坍缩成单一纯量。MC Dropout 和深度集成将其拆分为模型无知与市场噪声——这两者值得不同的 position size。
用于系统化交易流程的 AutoML
自动特征生成（tsfresh、Featuretools）、预算感知的模型搜索（FLAML 的节约成本优化器）以及 WorldQuant 公式化 alpha 工厂——这篇博客的搜索与过拟合系列尚未覆盖的研究流程部分，以及该系列自身结果对它们的启示。
将清算级联作为交易信号：解读被迫且预先宣布的流量
Перевод статьи на zh
Uniswap v3 LP 策略与对冲
Перевод статьи на zh