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
Double Machine Learning: Einen Kausalen Parameter Schätzen, Statt Renditen Vorhusagen
Jedes Modell in diesem Blog beantwortet bislang 'was sagt was voraus?'. Double ML beantwortet 'was verursacht was?' — mit einem Standardfehler, den Sie verteidigen können. Das partiell lineare Modell, Neyman-Orthogonalität, purgiertes Cross-Fitting auf Orderbuchdaten und eine ehrliche Darstellung, warum ein gültiges DML-Konfidenzintervall genau einer vorab spezifizierten Frage standhält.
Causal Forests für heterogene Behandlungseffekte im Trading
Jedes Backtest in diesem Blog schätzt einen bedingten Mittelwert. Causal Forests schätzen stattdessen einen bedingten Behandlungseffekt — tau(x) statt mu(x) — mit honest splitting, einer adaptiven Kernel-Gewichtsdarstellung und einem Kalibrierungstest, der Ihnen sagt, ob die gefundene Heterogenität echt ist.
Epistemisch vs Aleatorisch: Was ein Rücklaufmodell nicht weiß
Jede Positionsgrößen-Regel in diesem Blog behandelt Unsicherheit als eine einzige Zahl. MC Dropout und Deep Ensembles teilen sie in Modellunwissen und Marktgeräusche auf — und beide verdienen unterschiedliche Positionsgrößen.
AutoML für systematische Handelspipelines
Automatisierte Feature-Generierung (tsfresh, Featuretools), budgetbewusste Modellsuche (der kostensparende Optimierer von FLAML) und die WorldQuant-Formel-Alpha-Fabrik – die Teile der Forschungspipeline, die im Such- und Overfit-Bogen dieses Blogs nie behandelt wurden, und was die eigenen Ergebnisse des Bogens über sie aussagen.
Liquidationskaskaden als Handelssignal: erzwungenen, vorab angekuendigten Flow lesen
Jede gehebelte Position gibt den Preis bekannt, zu dem sie verkauft werden muss. So baust du das On-Chain-Liquidationstiefenprofil und die CEX-Liquidations-Heatmap auf, modellierst die Kaskadendynamik als Reproduktionszahl und handelst erzwungenen Flow als Signal, statt ihn nur als Risiko zu fuerchten.
Uniswap-v3-LP-Strategien und Hedging
Перевод статьи на de
Die MEV-Lieferkette: PBS, MEV-Boost und wer den Wert tatsächlich abschöpft
MEV ist kein einzelner Bot mehr, sondern eine Montagelinie: Searcher, Builder, Relay, Proposer. Ein technischer Durchgang durch Proposer-Builder-Separation, die Sealed-Bid-Blockauktion von MEV-Boost, warum die Marge des Searchers weggeboten wird, Order-Flow-Auktionen als neuer Burggraben und wie sich das Jito-Modell von Solana unterscheidet.
On-chain Arbitrage: Atomare Zyklen, Flash Loans und die Auktion, die man gewinnen muss
Einen On-chain-Arbitragezyklus zu finden, ist die einfache Hälfte. Die schwierige Hälfte ist es, die Sealed-Bid-Prioritätsauktion gegen jeden anderen Searcher zu gewinnen, der denselben Zyklus gefunden hat. Eine technische Aufschlüsselung von Atomarität, Flash Loans, Backrunning und wo Arbitragegewinne tatsächlich überleben – einschließlich nicht-atomarer CEX-DEX-Arbitrage.
Impermanenter Verlust und LVR: Die wahre Mathematik der LP-Profitabilität
Impermanenter Verlust, Hebelwirkung konzentrierter Liquidität und Verlust-versus-Rebalancing, abgeleitet von ersten Prinzipien. Die geschlossenen Formen, das σ²/8-Ergebnis, der Per-Block-Markout und die exakte Gebühren-versus-Volatilitäts-Bedingung, unter der ein LP tatsächlich das HODLn übertrifft.
Im Innern des Slice: Child-Order-Taktiken zwischen Scheduler und Börse
Almgren-Chriss und VWAP legen nur die Slice-Budgets fest — gewonnen wird die Ausführung in der Taktik-Schicht. Eskalationstimer, Maker-Taker-Break-even-Rechnung, Amend- vs. Cancel-Replace-Queue-Semantik bei Binance/OKX/CME, Iceberg-Anti-Signaling und eine Python-Zustandsmaschine pro Slice.
Slippage-Kurven statt Slippage-Konstanten: Kostenmodelle, die den Kontakt mit dem Live-Handel überstehen
Ersetzen Sie konstante Slippage in bps durch größen-, volatilitäts- und liquiditätsabhängige Kostenkurven: das Quadratwurzelgesetz, das Fitten von Kurven aus TCA-Fills oder öffentlichen Daten, Regime-Stressmultiplikatoren und warum sich Ihr Strategie-Ranking neu sortiert.
Smart Order Routing in Crypto: Eine Order, zwölf Handelsplätze, kein NBBO
Warum Smart Order Routing in Crypto schwieriger ist als im Aktienhandel: kein konsolidiertes Tape, Phantom-Liquidität, vorfinanziertes Kapital. Eine konvexe Routing-Optimierung mit Mathematik und Python, Maker-bewusste Taktiken und venue-spezifische Markout-Ranglisten aus der eigenen TCA.