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
The Other Way a Regression Lies: Endogeneity, 2SLS, and the Gamma Calibration Problem
Selection bias in the search is not the only way a regression fools you. When the regressor is correlated with the error, more data makes the estimate more confidently wrong. Instrumental variables applied to the one endogeneity problem this blog has already left open: permanent impact from net taker flow.
Hawkes Processes for Order Arrival and Market Event Modeling
Fitting a self-exciting point process to real crypto trade tape: where the three numbers (mu, alpha, beta) come from, how to estimate the branching ratio n, whether the exponential kernel survives a goodness-of-fit test, and how much n moves when you change the estimation window.
Hamiltonian Neural Networks: Does a Financial System Conserve Anything?
Hamiltonian Neural Networks are provably stable — but stability is worthless if the conserved quantity does not exist. Learning a scalar H via autograd, symplectic integration, and the falsification test that decides whether a financial (q, p) pair is canonical at all.
Toda-Yamamoto vs Differenced Granger: Does the BTC Lead-Lag Survive?
Granger causality on crypto prices done two ways — differenced returns and Toda-Yamamoto on levels — with a correct Wald implementation, an effective-N corrected causality matrix, and a rolling-stability test of whether the lag is tradeable at all.
Procesos gaussianos para modelado de precios no paramétrico
Diseño de kernel para series de tiempo financieras (rugosidad materna, composición periódica local, mezclas espectrales) y la probabilidad marginal como regularizador que no necesita conjunto de validación. Además de la lista honesta de lo que aún debe medirse antes de que algo sea comercializable.
Operador neuronal de Fourier para modelado financiero basado en PDE
El aprendizaje del operador mapea espacios funcionales completos, no puntos: cómo el operador neuronal de Fourier parametriza un operador de solución PDE en el espacio de frecuencia, qué compra para el precio de opciones y cuáles de sus afirmaciones aún necesitan medirse en hardware real.
¿Un contexto de día completo supera a uno de diez minutos? Atención flash y la pregunta sobre la longitud de la secuencia
Flash Attention hace que un contexto comercial de 23,400 pasos sea computacionalmente libre: mosaico, softmax en línea y un límite de IO de N^2 d^2 / M. Si ese contexto más largo mejora el modelo es una cuestión aparte, y debe medirse, no afirmarse.
Métodos conjuntos: combinación de alumnos débiles para una alfa sólida
Tres cosas sobre el comercio de conjuntos que este blog no ha cubierto: por qué el término de covarianza (no el recuento de modelos) domina el error del conjunto, cómo funciona el apilamiento como una capa de combinación de señales con metacaracterísticas desplegadas y si la compensación de rotación entre muchas señales en realidad reduce el costo de ejecución.
Double Machine Learning: Estimando un Parametro Causal en Vez de Predecir Retornos
Todos los modelos en este blog hasta ahora responden 'que predice que'. Double ML responde 'que causa que' — con un error estandar que puedes defender. El modelo parcialmente lineal, ortogonalidad de Neyman, cross-fitting purgado en datos de libro de ordenes y un relato honesto de por que un intervalo de confianza DML valido sobrevive exactamente a una pregunta preespecificada.
Bosques causales para efectos de tratamiento heterogéneos en trading
Cada backtest en este blog estima una media condicional. Los bosques causales estiman un efecto de tratamiento condicional en su lugar — tau(x) en lugar de mu(x) — con división honesta, una representación de pesos de núcleo adaptativo y una prueba de calibración que te dice si la heterogeneidad que encontraste es real.
Epistémico vs Aleatorio: Midiendo lo que un modelo de retornos no sabe
Cada regla de dimensionamiento en este blog trata la incertidumbre como un solo número. MC Dropout y los deep ensembles la dividen en ignorancia del modelo y ruido de mercado — y ambos merecen tamaños de posición diferentes.
AutoML para canalizaciones de trading sistemático
Generación automatizada de características (tsfresh, Featuretools), búsqueda de modelos consciente del presupuesto (el optimizador frugal en costes de FLAML) y la fábrica de alfas formularios de WorldQuant: las partes del proceso de investigación que esta serie sobre búsqueda y sobreajuste nunca cubrió, y lo que sus propios resultados dicen al respecto.