Collections
Curated reading paths through the blog, ordered from basics to advanced.
Backtesting Without Fooling Yourself
A step-by-step path from what your backtest really optimizes to proving an edge survives overfitting, multiple testing, and live execution. Read top to bottom — each part builds on the last.
- 01Diseño de la función objetivo: la métrica que optimizas elige en secreto tu estrategia
- 02Demostrando la ausencia de look-ahead en backtests multi-timeframe: perturbar el futuro para probar que el pasado no puede verlo
- 03Look-Ahead Bias: cómo un error de una vela fabrica un Sharpe de 15 a partir de puro ruido
- 04Walk-Forward Optimization: The Only Honest Strategy Test
- +7 more
High-Performance Backtest Engines
How to build a backtest engine that runs hundreds of times faster without changing a single PnL number — data layout, caching, adaptive resolution, and architecture, from first speedups to production internals.
- 01La escalera de velocidad del backtest: 298x en la CPU de un portátil, PnL idéntico hasta la última operación
- 02El impuesto del framework: cuando tu librería de backtest es más lenta que un bucle ingenuo de pandas
- 03Cache Parquet Agregado: Cómo Acelerar Backtests Multi-Timeframe Cientos de Veces
- 04El espacio de parámetros de dos ejes: por qué la mayor parte de tu barrido debería ser casi gratis
- +7 more
Complex Arbitrage in Rust
A six-part build-up of multi-leg crypto arbitrage — from negative-cycle detection to the linear algebra, copulas, and machine learning behind it, ending in low-latency Rust execution.
- 01Algoritmos de grafos para la detección de arbitraje: de Bellman-Ford a RICH
- 02Arbitraje Futuros-Spot: Del Cash-and-Carry al DeFi-CeFi
- 03Matrices, tensores y álgebra tropical: álgebra lineal para la detección de arbitraje
- 04Vine Copulas para Arbitraje: Modelado de Dependencias de Alta Dimensión
- +2 more
Order Book & Market Microstructure
How the order book really works — accessing the data, reading queue position, rebuilding bars from order flow, and modeling it with deep learning and Hawkes processes.
- 01CCXT: Cómo funcionan realmente los métodos WebSocket de order book
- 02Tipos de órdenes en el trading algorítmico: de la limit con persecución a las órdenes virtuales
- 03Queue Inside the Wall: Analyzing Order Position in Order Book Density
- 04Tipos de Barras y Métodos de Agregación para Trading Algorítmico
- +8 more
Portfolio Construction & Risk
From Markowitz to production HRP + CVaR: how to allocate across crypto assets, model tail dependence with copulas, and size positions without blowing up.
- 01Teoría de Carteras de Markowitz para Cripto: De Cero a Experto
- 0212 algoritmos de optimización de carteras, comparados: HRP, Black-Litterman, NCO y más
- 03Dentro de nuestro algoritmo propio: HRP + Long/Short + CVaR con Hull-White
- 04Modelos de cópula para la modelización conjunta del riesgo en carteras cripto
- +1 more
Risk & Position Sizing
Build position sizes from drawdown math, realistic trading costs, and uncertainty in backtest results before applying Kelly.
- 01Asimetría Pérdida-Ganancia: La Matemática que Destruye tu Depósito
- 02Curvas de slippage, no constantes de slippage: modelos de costos que sobreviven al contacto con el trading en vivo
- 03Monte Carlo Bootstrap: cómo obtener intervalos de confianza para un backtest en 10 líneas de código
- 04El criterio de Kelly para estrategias: cómo dimensionar posiciones y asignar capital
Statistical Arbitrage & Pairs Trading
Trade the spread between correlated assets — from the distance approach to cointegration and Kalman filters, then dynamically combining mean reversion with momentum.
- 01El Enfoque de Distancia en el Pairs Trading: Implementación y Análisis con Rust
- 02Statistical Arbitrage and Pairs Trading in Crypto Markets: From Cointegration to the Kalman Filter
- 03Signal Correlation: How Many Pairs to Monitor
- 04Combinación dinámica de estrategias de reversión a la media y momentum en el arbitraje estadístico: fundamentos matemáticos e implementación práctica
- +1 more
Deep Learning for Markets
Neural forecasting for crypto — transformers, diffusion models, and foundation models, and how conformal prediction keeps their uncertainty honest.
- 01Temporal Fusion Transformers for Multi-Horizon Portfolio Forecasting
- 02Modelos de difusión vs anarquía de las criptomonedas: por qué DDPM predice los desplomes de Bitcoin mejor que tu astrólogo
- 03Kronos: un modelo fundacional que enseña a los gráficos de velas a hablar el lenguaje de los transformers
- 04Predicción conforme para el dimensionamiento de posiciones consciente del riesgo
AI Agents for Trading
The agentic-AI stack for markets — multi-agent frameworks, open-source hedge funds, and LLMs that mine alpha from earnings calls.
- 01Revolución en la gestión de carteras de inversión con IA agéntica
- 02TradingAgents: Multi-Agent AI Framework That Models a Hedge Fund
- 03AI4Finance Foundation: El ecosistema FinGPT, FinRL y FinRobot para el trading algorítmico
- 04AI Hedge Fund: un fondo multiagente donde los analistas de IA votan sobre las operaciones
- +1 more
QuestDB for Algorithmic Trading
Stand up a time-series stack for trading on QuestDB — from architecture to the SQL that matters, to a production deployment.
- 01QuestDB for Algorithmic Trading: Architecture That Speaks the Language of Markets
- 02QuestDB for Algorithmic Trading: SQL Extensions That Change the Game
- 03QuestDB for Algorithmic Trading: From Order Books to Production Architecture
Low-Latency Trading Infrastructure
The plumbing under an HFT stack — how components talk (WebSocket, FIX, gRPC, Aeron), messaging on Aeron and Zig, and a C++ FIX/FAST scalper.
- 01Comunicación de datos en sistemas de trading algorítmico: una visión general de la tecnología
- 02Aeron: por dentro del sistema de mensajeria que impulsa a la mitad de la industria HFT
- 03ZigBolt: Why We Built Our Own Aeron in Zig and Hit 20 Nanoseconds Per Message
- 04Developing a Simple C++ Scalper Using FAST/FIX: Step-by-Step Guide
Execution & Market Making
From TWAP/VWAP and Almgren-Chriss to TCA, slippage models, and the Avellaneda-Stoikov market maker — how to turn a signal into fills without paying the spread twice.
- 01TWAP vs VWAP vs POV: cómo elegir un benchmark de ejecución (y saber cuándo cada uno te miente)
- 02Almgren-Chriss sin rodeos: ejecución óptima que puedes implementar en una tarde
- 03Dentro del slice: tácticas de órdenes hijas entre tu scheduler y el exchange
- 04Enrutamiento inteligente de órdenes en cripto: una orden, doce plazas, sin NBBO
- +7 more
Onchain & DeFi Quant
Quantitative DeFi from first principles — MEV and sandwich attacks, atomic arbitrage, liquidation cascades on lending protocols, and LP profitability on Uniswap v3.
- 01Anatomía del MEV: sandwiches, frontrunning y el bosque oscuro del mempool
- 02La cadena de suministro de MEV: PBS, MEV-Boost y quién captura realmente el valor
- 03Arbitraje on-chain: ciclos atómicos, préstamos flash y la subasta que tienes que ganar
- 04Liquidaciones on-chain: la mecánica de Aave y Compound, y el negocio de los bots alrededor de ellas
- +5 more
Causality & Lead-Lag in Markets
Who moves whom — Granger causality, transfer entropy, PCMCI discovery, and the causal ML toolbox (double ML, causal forests, synthetic control) applied to crypto markets.
- 01Toda-Yamamoto vs Differenced Granger: Does the BTC Lead-Lag Survive?
- 02Transfer Entropy: Which Way Does Information Flow Between Crypto Assets?
- 03PCMCI: Causal Discovery in Multivariate Crypto Time Series
- 04Bosques causales para efectos de tratamiento heterogéneos en trading
- +3 more
Volatility Modeling & Regimes
Forecast volatility with the GARCH family — asymmetry and leverage effects, dynamic correlations, vol targeting — then detect market regimes with HMMs and trade adaptively.
- 01GARCH(1,1): pronóstico de la volatilidad en cripto
- 02GARCH asimetrico y de colas pesadas: EGARCH, GJR y Student-t
- 03DCC-GARCH: Correlaciones Dinámicas para Pares y Riesgo de Cartera
- 04Targeting de volatilidad y trading con pronósticos GARCH
- +1 more
Modern ML for Trading
The full gradient-boosting-to-neural-operator toolkit — ensembles, AutoML, probabilistic forecasting, distillation and pruning for latency, plus physics-informed architectures like Neural ODEs and Fourier operators.
- 01XGBoost for Return Direction: Class Imbalance and Decision Thresholds
- 02Métodos conjuntos: combinación de alumnos débiles para una alfa sólida
- 03AutoML para canalizaciones de trading sistemático
- 04Multi-Task Learning for Simultaneous Price, Volume, and Volatility Prediction
- +11 more