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
بوابة الدقة: البحث من الخشن إلى الدقيق في الاختبار الرجعي يخدعك أسرع ما لم يُرتّب الوكيل الرخيص الإعدادات مثلما يفعل التقييم المكلف
البحث المتدرج / متعدد الدقة (drill-down) — مثل ASHA والتنصيف المتتالي (successive halving) و Hyperband — يفحص آلاف الإعدادات بتكلفة زهيدة ولا يرقّي إلى التقييم الكامل المكلف سوى الناجين منها. هذا تسريع حقيقي — لكنه ينهار بصمت إذا اختلف ترتيب الدقة المنخفضة عن ترتيب الدقة العالية. قسنا الارتباط بين ترتيب الطيّات: عند طيّة واحدة يمكن أن يبلغ معامل ارتباط الرتب لسبيرمان ρ قيمة 0.03 فقط (ترتيب شبه عشوائي)، ليرتفع إلى 0.43 ثم 0.67 ثم 0.78 ثم 0.91 مع تراكم الطيّات. الحل هو بوابة إلزامية واحدة — قِس ρ(الرخيص، الكامل) أولاً، وارفع تلقائياً الحد الأدنى للدقة إلى أول درجة يبلغ فيها ρ ≥ 0.5.
البحث العشوائي مقابل البحث الذكي: نقطة التقاطع هي تكلفة التقييم، لا الخوارزمية
عندما يكون الاختبار الخلفي الواحد رخيصًا، يفوز تسلسل Sobol العشوائي المخلوط الغبي بمعدل الإنتاجية الخام — بينما تدفع أدوات أخذ العينات "الذكية" (TPE وCMA-ES وASHA) ضريبة ask/tell في بايثون تُبطئها 20 مرة، فتقيّم نقاطًا أقل بكثير في نفس زمن التنفيذ الفعلي وتخسر. اجعل كل تقييم مكلفًا (أطر زمنية متعددة + طيات walk-forward) وتنقلب نقطة التقاطع. قسنا كلا النظامين، ولماذا تُعد دقة ترتيب الطيات (ρ@1 ترتفع من 0.03 إلى 0.43) الشرط المسبق لنجاح التقليم.
فضاء المعاملات ذو المحورين: لماذا ينبغي أن يكون معظم المسح لديك شبه مجاني
ليست كل المعاملات متساوية في تكلفة البحث. تنقسم معاملات الاستراتيجية إلى محور مكلف (المؤشرات — يعاد حسابها على السلسلة كلها) ومحور رخيص (عتبات القرار — تمريرة O(n) على إشارات محسوبة مسبقا). ولأن المؤشرات ثابتة تجاه العتبات، تحسبها مرة واحدة وتمسح آلاف تكوينات العتبات بمعدل ~5,600 تكوين/ثانية — أي أرخص بنحو 1,600x من إعادة الحساب لكل تكوين. إعادة تسعير للعنة الأبعاد.
ضريبة الإطار: عندما تكون مكتبة الاختبار الرجعي لديك أبطأ من حلقة pandas ساذجة
قِسنا أداء ثمانية محركات اختبار رجعي على عملية مسح معاملات واحدة متطابقة — 150k شمعة، و80 توليفة من تقاطعات HMA، مع تثبيت تكافؤ عدد الصفقات عند 2707. اثنان من أشهر الأطر المدفوعة بالأحداث جاءا أبطأ من حلقة pandas مكتوبة يدويا، بينما شغّل محرك متجهي/مُصرَّف العمل نفسه أسرع بنحو 13,000×. دراسة للعبء لكل شمعة الذي لم تُبنَ المكتبات الشائعة لتوزيعه على مدى الحساب.
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.