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
+702% on SOL. Where Is Jev in This Backtest?
We ran a trend strategy across 15 crypto pairs, checked costs and access to future candles, and tested Jev separately. Where did profits appear, and why can't we promise them in live trading yet?
XGBoost for Return Direction: Class Imbalance and Decision Thresholds
Return-direction classifiers are imbalanced problems, and 0.5 is the wrong decision threshold. Comparing scale_pos_weight, focal loss, and precision-constrained threshold optimization on crypto data — plus the engineering differences between XGBoost, LightGBM, and CatBoost.
Transfer Entropy: Which Way Does Information Flow Between Crypto Assets?
DCC-GARCH tells you when crypto dependence tightens. Transfer entropy tells you which way it points. A directed information-flow measure, its null calibration, and an honest account of what it does and does not add over average pairwise correlation.
Trade Classification When You Have No Side Flag: Tick, Quote, Lee-Ready, BVC
Reconstructing trade direction from OHLCV, bar history, or venues without an aggressor flag — the classic rules, the stale-quote problem, bulk volume classification, and how to measure them against crypto's free ground truth.
Temps irrégulier dans les modèles de ticks : codages en temps continu par rapport aux intégrations positionnelles simples
Les modèles de séquence alimentés par les données de ticks supposent toujours un espacement régulier. Trois façons d'indiquer à un transformateur quand un tick s'est réellement produit - codage continu à échelle de temps apprenable, état latent ODE-RNN et delta_t en tant que fonctionnalité simple - et l'ablation qui décide entre elles.
Méthodes de contrôle synthétiques pour évaluer les stratégies de trading
Cette série a évalué la voie de sélection à un faux avantage : le DSR fixe le prix du gagnant, le DPB fixe le prix de la recherche. Ni l’une ni l’autre ne touche à la confusion : la stratégie qui a rapporté de l’argent parce que la volatilité a doublé la semaine où vous l’avez déployée. La méthode de contrôle synthétique construit un contrefactuel pondéré à partir d'un pool de donneurs d'instruments intacts et vous donne un critère de falsification et une valeur p placebo.
Évaluation des prévisions probabilistes : CRPS, calibrage PIT et DeepAR
Comment évaluer honnêtement une distribution prédictive : le CRPS comme règle de notation appropriée, l'histogramme PIT comme diagnostic d'étalonnage et l'échantillonnage DeepAR dans GluonTS.
Réseaux de neurones basés sur la physique pour la tarification des options
Placer les PDE de tarification Heston, à frontière libre et à diffusion par saut dans une perte de réseau neuronal - le résidu de prix logarithmique, l'astuce d'autogradation mixte-partielle et ce qui doit encore être mesuré.
PCMCI: Causal Discovery in Multivariate Crypto Time Series
How PCMCI's two-stage MCI test recovers directed causal links between crypto assets where correlation and bivariate Granger cannot — the construction, the tigramite pipeline, and the real-data study it still needs.
Order Flow Imbalance: The Cont-Kukanov-Stoikov Event Decomposition
Turning raw book updates into a signed flow quantity: the CKS event decomposition, multi-level OFI with PCA reduction, and Lee-Ready trade classification — plus an honest accounting of what the headline R-squared actually measures.
Neural ODEs: Does Continuous Time Beat a Delta-Time Feature?
Neural ODEs, Neural SDEs and continuous normalizing flows for irregularly-sampled market data — and the one ablation that decides whether continuous dynamics are worth their solver cost.
Multi-Task Learning for Simultaneous Price, Volume, and Volatility Prediction
Does jointly predicting return, volume, and volatility actually help? Measuring loss-balancing schemes and diagnosing negative transfer through gradient cosine similarity — with a classical baseline and purged walk-forward folds.