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
احتمال الإفراط في تخصيص الاختبار الرجعي: هل تغلب بحثك على رمية عملة؟
نسبة Sharpe المخفّضة تُسعِّر الاستراتيجية الفائزة؛ وPBO تُسعِّر البحث الذي اختارها. يُشغّل التحقق المتقاطع المتماثل تركيبياً (CSCV) C(16,8) = 12,870 تقسيمة تدريب/اختبار عبر مصفوفة أداء 1000x200 ويسأل: هل يهبط الفائز داخل العينة إلى النصف السفلي خارج العينة؟ الفخ الذي يُخطئه الجميع تقريباً — قيمة العدم لـPBO هي 0.5، لا 1. على 200 استراتيجية بلا ميزة، ينهار أفضل Sharpe سنوية داخل العينة البالغة 1.98 إلى 0.06 خارج العينة وPBO = 0.476: رمية عملة، إفراط كامل في التخصيص. ازرع ميزة حقيقية (Sharpe سنوية 2.38) وتهبط PBO إلى 0.001، مع نجاة الـ3.73 داخل العينة إلى 2.34 خارج العينة. شبكة تقاطع متوسط متحرك على مسير عشوائي خالص لا تملك مهارة خارج العينة أيضاً — PBO تبلغ 0.463 بالمتوسط عبر 60 مصفوفة، لا تُميَّز إحصائياً عن حالة العدم — وعلى مصفوفة تمثيلية واحدة يكون السراب صارخاً: أفضل Sharpe داخل العينة تبلغ 2.33 تنهار إلى وسيط Sharpe خارج العينة قدره -0.22، PBO تبلغ 0.573، واحتمال خسارة 63%.
ضريبة IPC: ضع محرك الاختبار الرجعي خلف مقبس وتخسر 13% — لا يكاد أي منها بسبب المقبس
نقلنا نواة اختبار رجعي بلغة numba سطراً بسطر إلى Rust واستدعيناها عبر حدود العملية بأربع طرق مختلفة، مع بوابة تكافؤ تُؤكد تطابق PnL حتى آخر صفقة. شحن سلسلة الأسعار الكاملة (1.2 ميجابايت) عبر مقبس Unix يكلف ~2 مللي ثانية — حوالي 0.1% من المهمة. ترميز نفس الحمولة بصيغة JSON يكلف 1348x أكثر من البايتات الخام، والاستدعاءات الثرثارة لكل توليفة تُعيد شحن البيانات 80 مرة، ونمط استدعاء لكل شمعة سيدفع 2.1 ثانية من IPC خالص على مهمة مدتها 2.0 ثانية. الحد رخيص؛ الضريبة في كيفية عبوره.
نسبة Sharpe المخفّضة: كم عدد "الفائزين" في اختبارك الرجعي ينجون من الاختبار المتعدد؟
البحث عن المعلمات آلة لتصنيع الحظ. على ضوضاء خالصة — 1,000 استراتيجية بلا أي ميزة حقيقية — يبلغ متوسط أفضل Sharpe سنوية 1.63، ويُبلغ اختبار الدلالة الساذج عن اكتشاف بنسبة 100% من الوقت. نبني حقيقة أساسية مضبوطة ونُظهر أن نسبة Sharpe المخفّضة، وتشذيب Harvey-Liu، وReality Check لـWhite تستعيد الصدق: تنخفض الاكتشافات الكاذبة من 1.000 إلى 0.001-0.057، وتُحفظ الميزات الحقيقية فوق سقف الضوضاء بقوة اكتشاف ~1 — وفخ حقيقي واحد (الشبكات المترابطة) حيث تُفرط نسخة DSR الخام في التخفيض ويجب قراءة الحكم عبر نطاق كامل من مقدّرات عدد التجارب الفعّال، وليس مقدّراً واحداً.
تصميم دالة الهدف: المقياس الذي تُحسّنه يختار استراتيجيتك سراً
للبحث عن الاستراتيجية 'الأفضل' يجب أولاً تعريف 'الأفضل' — وذلك الرقم القياسي يختار الفائز خفية. على بيانات اصطناعية بميزة معروفة (600 بذرة، T=2000، 80 عتبة)، تُتوّج نسبة Sharpe الساذجة لكل صفقة فائزاً قماريا: تختار فائزاً بتعرض سوقي أقل من 5% في 56% من البذور وتتحلل في 57% منها — وفي أوضح بذرة، 8 صفقات تُسجّل نسبة Sharpe داخل العينة قدرها 21.09 تنهار إلى 0.13 خارج العينة. الإصلاح الصادق يكاد يكون مملاً: القياس على كامل الخط الزمني، الذي لا يتحلل أبداً (خارج العينة 1.71). يمكن لتقليص عدد الصفقات (conf_k) وحد أدنى للتعرض إصلاح مقياس لكل صفقة بأثر رجعي، لكن حتى بعد الإصلاح الكامل فإنهما فقط يُطابقان Sharpe كامل الخط الزمني (1.70 مقابل 1.71) — ولا يتفوقان عليه أبداً. قانون Goodhart، في اختبار رجعي، بحقيقة أساسية مضبوطة.
تحيز النظر المستقبلي: كيف يُلفّق خطأ بفارق شمعة واحدة نسبة Sharpe تبلغ 15 من ضوضاء خالصة
دراسة مضبوطة لتسريبات النظر المستقبلي الدقيقة التي تُضخّم الاختبارات الرجعية بصمت. بدون أي ميزة حقيقية على الإطلاق، ينتج التنفيذ على نفس الشمعة نسبة Sharpe سنوية تبلغ +14.8 من ضوضاء خالصة؛ بينما تنتج نظرة مؤشر مستقبلية بشمعة واحدة +4.8. التصنيف، الأحجام المقاسة لكل تسريب، وكيفية اكتشاف كل تسريب قبل أن يكلفك المال.
سلم سرعة محرك الاختبار الرجعي: 298 ضعفاً على وحدة معالجة كمبيوتر محمول، بنفس PnL حتى آخر صفقة
خمسة تطبيقات لنفس مسح 80 توليفة من المعلمات، جميعها مُتحقق من أنها تُنتج نفس PnL تماماً: pandas rolling.apply يستغرق 69.9 ثانية، numpy 3.1، numba 2.0، numba المتوازي 0.23 — تسريع مقيس بمقدار 298 ضعفاً على Apple M2 Max بدون أي تغيير في العتاد، وما زال ~13 ضعفاً أسرع من خط أساس مُتّجه (vectorized) كفؤ. ماذا تشتري كل درجة، ولماذا ليست وحدة معالجة الرسوميات (GPU) هي القطعة المفقودة، وأين يكمن الاختناق الحقيقي في البحث الجماعي عن المعلمات.
researcher: أرشيف أبحاث كمية قابل للبحث للبشر ووكلاء الذكاء الاصطناعي
كيف بنينا researcher.marketmaker.cc — أرشيفاً موحداً قابلاً للبحث النصي الكامل لأبحاث التداول الكمي (أوراق arXiv، ومستودعات GitHub، ومدونات الكم، وسكربتات Pine على TradingView) يتصفحه البشر ويستعلم عنه وكلاء الذكاء الاصطناعي عبر MCP.
algo-investor-skills: مهارات Claude Code التي تبني عرضاً للمستثمرين عصياً على الاحتيال
نظرة معمقة على algo-investor-skills — مجموعة من مهارات Claude Code تأخذ استراتيجية تداول خوارزمي من حقائق خام مقيسة إلى عرض مدقَّق للمستثمرين يضع الصدق في المقدمة. ست مهارات قابلة للتركيب، ومحرك للنماذج المالية، وحزمة إثبات للتحقق المستقل، وبوابة تدقيق إلزامية بعقلية مستثمر متشكك لا تختلق رقماً أبداً.
معيار Kelly للاستراتيجيات: كيف تختار حجم المركز وتوزع رأس المال
الاستراتيجية ذات التوقع الرياضي الموجب قد تفجر الحساب إذا أخطأت في حجم الرهان. نشرح معيار Kelly من اشتقاق الصيغة وصولا إلى محفظة الاستراتيجيات: لماذا يكون full Kelly خطيرا، وكيف يمنح Kelly الجزئي 75% من النمو عند نصف التذبذب، وحاسبة تفاعلية ترى فيها كيف تغير حصة Kelly العائد والمخاطرة.
تحليل الأسهم اليومي: نظام ذكاء اصطناعي يحول قائمة المراقبة إلى لوحة قرارات يومية
نظرة معمقة على daily_stock_analysis من ZhuLinsen — نظام مفتوح المصدر يجلب بيانات السوق عبر الأسهم الصينية A والأسهم في هونغ كونغ والولايات المتحدة وغيرها، ويجري تحليلاً فنياً وإخبارياً عبر نموذج LLM، ويدفع لوحة قرارات منظمة إلى تطبيق المراسلة لديك في كل يوم تداول. البنية، تجاوز فشل البيانات، استراتيجيات الوكلاء، القيود.
محولات الدمج الزمني للتنبؤ متعدد الآفاق بالمحافظ الاستثمارية
كيف يضفي محول الدمج الزمني من Google قابلية التفسير على التنبؤ متعدد الآفاق في إدارة المحافظ الكمية، عبر اختيار المتغيرات المعتمد على الانتباه، ومخرجات الكميات، وخط أنابيب عملي مبني على pytorch-forecasting.
التنبؤ المطابق (Conformal Prediction) لتحديد حجم المراكز الواعي بالمخاطر
فترات تنبؤ خالية من الافتراضات التوزيعية مع ضمان تغطية مؤكد. نستخدم التنبؤ المطابق المقسّم (split conformal) و jackknife+ والاستدلال المطابق التكيفي لمعايرة مخاطر التداول وتحديد حجم المراكز دون افتراضات بارامترية.