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
Multi-Symbol-Validierung: Teste deine Strategie auf allen Paaren
Warum eine auf ETHUSDT optimierte Strategie bei Altcoins versagen kann. Wie man richtig über Paar-Gruppen (Blue Chips, Large Caps, Shitcoins) hinweg testet und welcher Cross-Symbol-Robustheitswert als ausreichend gilt.
Funding Rates töten deinen Hebel: Warum PnL×50x eine Fiktion ist
Wie Funding Rates auf Binance/Bybit wunderschöne Backtest-Ergebnisse mit hohem Hebel in garantierte Verluste verwandeln. Formeln, Neuberechnung realer Strategien und der maximale Hebel, bei dem Funding die Gewinne nicht auffrisst.
Kaskadenstrategien: Prioritätsausführung mit Fallback-Auffüllung
Finale der Serie 'Backtests ohne Illusionen'. Wie man einen Orchestrator aus N Strategien x M Paaren baut, den Kaskadenmodus mit Priorität und Fallback-Ausführung implementiert, dual_size wählt und warum Strategie-Portfolios nicht durch einfaches Summieren des PnL zurückgetestet werden können.
Backtest-Live-Parität: warum dein Bot anders handelt als im Backtest
Vollständige Taxonomie der Abweichungen zwischen Backtesting und Live-Trading: von Slippage und Teilausführungen bis zur Desynchronisierung der Codebasis. Architekturmuster zur Erreichung von Parität, Python-Beispiele für ein gemeinsames Core-Modul und eine Checkliste für Produktions-Monitoring.
Monte-Carlo-Bootstrap: Wie man in 10 Codezeilen Konfidenzintervalle für einen Backtest erhält
Warum eine Einzelpunktschätzung aus einem Backtest eine gefährliche Illusion ist. Wie Monte-Carlo-Bootstrap in 2 Sekunden Rechenzeit ein 95%-Konfidenzintervall für PnL und MaxDD liefert, und warum dies ein Pflichtschritt vor dem Livegang einer Strategie ist.
Funding-Rate-Arbitrage über Exchanges hinweg: Wie man von Ratenunterschieden profitiert
Wie Funding-Rate-Arbitrage zwischen Krypto-Exchanges funktioniert, warum sich die Raten auf Binance, Bybit, OKX und dYdX unterscheiden, und wie man ein Monitoring- und Ausführungssystem baut, um Profit aus diesen Diskrepanzen zu ziehen.
QuestDB for Algorithmic Trading: SQL Extensions That Change the Game
Deep dive into QuestDB's time-series SQL extensions: SAMPLE BY, ASOF JOIN, HORIZON JOIN, WINDOW JOIN, LATEST ON, and real-world trading query patterns.
QuestDB for Algorithmic Trading: From Order Books to Production Architecture
Materialized views, 2D array order book analytics, and reference architecture for a QuestDB-powered algorithmic trading platform.
QuestDB for Algorithmic Trading: Architecture That Speaks the Language of Markets
Deep dive into QuestDB's three-tier storage architecture — WAL, columnar storage, and Parquet on object storage — and schema design principles for algorithmic trading systems.
Datenkommunikation in Algo-Trading-Systemen: Ein Technologieüberblick
Wir analysieren Kommunikationstechnologien auf allen Ebenen einer algorithmischen Handelsplattform: von Börsen-Konnektivitätsprotokollen (REST, WebSocket, FIX) bis zu interner IPC, Message-Brokern und Datenspeichern.
Verlust-Gewinn-Asymmetrie: Die Mathematik, die dein Depot zerstört
Warum ein Verlust von 50% ein Wachstum von 100% zur Erholung erfordert, wie Volatility Drag Kapital selbst in Seitwärtsmärkten vernichtet, und welche Formeln jeder Algo-Trader für den Aufbau von Risikomanagement kennen muss.
Komplexe Arbitrage-Ausführung in Rust: Von Nanosekunden zu atomaren Multi-Legs
Wie man aus Rust maximale Performance für Multi-Leg-Arbitrage-Ausführung herausholt: io_uring, lock-freie Orderbücher, LMAX Disruptor, SIMD, Type-State-Maschinen und Arena-Allokatoren.