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
Queue Inside the Wall: Analyzing Order Position in Order Book Density
How understanding your place in the queue at a price level transforms scalping from guesswork into an engineering problem
LLM Alpha Mining: Wie man Trading-Signale aus Earnings Calls und Finanzdokumenten extrahiert
Wie man große Sprachmodelle nutzt, um Trading-Signale aus Investorengesprächen, Berichten und Nachrichten zu extrahieren. Chain-of-Thought-Prompting, strukturierte Extraktion, Signal-Backtesting.
Statistical Arbitrage and Pairs Trading in Crypto Markets: From Cointegration to the Kalman Filter
A complete guide to statistical arbitrage for crypto markets. Cointegration, Kalman filter, basis strategies, cross-exchange arbitrage. With backtests and Python code.
Digitaler Fingerabdruck eines Traders: Wie man einen Market Maker am Verhalten im Orderbuch erkennt
Jeder Algorithmus hinterlässt einen einzigartigen Fingerabdruck. Lernen Sie ihn zu lesen — und Sie wissen, wer auf der anderen Seite Ihres Trades steht.
PnL pro aktiver Zeit: Die Kennzahl, die Strategie-Rankings verändert
Warum der rohe Jahres-PnL eine schlechte Kennzahl ist, um Strategien mit unterschiedlicher Handelszeit zu vergleichen. Wie man die effektive Rendite berechnet, warum man fill_efficiency braucht und warum eine Strategie mit 27% PnL eine mit 300% übertreffen kann.
Adaptives Drill-Down: Backtest mit variabler Granularität von Minuten bis zu einzelnen Trades
Wie adaptive Datengranularität Backtests beschleunigt und Speicher spart: Drill-down von 1m auf 1s, 100ms und Roh-Trades nur dort, wo sich der Preis deutlich bewegt hat oder das Volumen ausschlug, nicht über die gesamte historische Zeitreihe.
Aggregierter Parquet-Cache: Wie man Multi-Timeframe-Backtests um das Hundertfache beschleunigt
Wie man Timeframes und Indikatoren aus Minutenkerzen vorberechnet, sie in Parquet speichert und für Massentests von Strategien nutzt, ohne redundante Neuberechnungen.
Walk-Forward Optimization: The Only Honest Strategy Test
Why a single train/test split does not protect against overfitting, how walk-forward optimization systematically verifies parameter robustness, and why a strategy with +3342% PnL@ML on 21 parameters is a ticking time bomb without WFO.
Signal Correlation: How Many Pairs to Monitor
Why 10 crypto pairs don't provide 10x diversification, how to calculate effective_N via correlation_factor, and how many pairs you really need to monitor for 80-90% orchestrator slot utilization.
Polars vs. Pandas für Algotrading: Benchmarks mit echten Daten
Detaillierter Vergleich von Polars und Pandas bei Algotrading-Aufgaben: Benchmarks für Filterung, Aggregation, Rolling-Signalberechnungen, I/O und Speicherverbrauch. Hybride Polars + Numba-Architektur für maximale Backtest-Performance.
Plateau-Analyse: Wie man ein robustes Optimum von Overfitting unterscheidet
Warum das Finden der besten Strategieparameter nur die halbe Arbeit ist. Wie man visuell und quantitativ ein stabiles Plateau von einer fragilen Spitze unterscheidet, und warum Optuna-Konturdiagramme ein Pflichtschritt vor dem Produktivstart einer optimierten Strategie sind.
Koordinatenabstieg vs. Bayessche Optimierung: Wer findet die besseren Parameter
Warum eine erschöpfende Suche bei 12+ Parametern unmöglich ist, wie der Koordinatenabstieg Wechselwirkungen übersieht und wie Optuna mit einem TPE-Sampler in 500 Iterationen findet, was OAT in 96 nicht finden kann. Praktische Codebeispiele, Sampler-Vergleich und Multi-Objective-Optimierung.