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 : comment extraire des signaux de trading des earnings calls et des documents financiers
Comment utiliser les grands modèles de langage pour extraire des signaux de trading à partir des appels avec les investisseurs, des rapports et des actualités. Chain-of-thought prompting, extraction structurée, backtesting de signaux.
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.
L'empreinte digitale d'un trader : comment identifier un market maker à son comportement dans le carnet d'ordres
Chaque algorithme laisse une empreinte unique. Apprenez à la lire — et vous saurez qui se trouve de l'autre côté de votre trade.
PnL par temps actif : la métrique qui change le classement des stratégies
Pourquoi le PnL annuel brut est une mauvaise métrique pour comparer des stratégies avec des temps de trading différents. Comment calculer le rendement effectif, pourquoi il faut fill_efficiency, et pourquoi une stratégie avec 27% de PnL peut surpasser une stratégie à 300%.
Drill-down adaptatif : backtest à granularité variable, de la minute aux transactions brutes
Comment la granularité adaptative des données accélère les backtests et économise du stockage : drill-down de 1m vers 1s, 100ms et transactions brutes uniquement là où le prix a fortement bougé ou le volume a explosé, et non sur toute la série historique.
Cache Parquet Agrégé : Comment Accélérer les Backtests Multi-Timeframe des Centaines de Fois
Comment précalculer les timeframes et indicateurs à partir de bougies d'une minute, les sauvegarder en parquet et les utiliser pour des tests massifs de stratégies sans recalculs redondants.
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 pour l'Algotrading : Benchmarks sur Données Réelles
Comparaison détaillée de Polars et Pandas sur des tâches d'algotrading : benchmarks de filtrage, agrégation, calculs de signaux rolling, I/O et consommation mémoire. Architecture hybride Polars + Numba pour des performances de backtest maximales.
Analyse de plateau : comment distinguer un optimum robuste de l'overfitting
Pourquoi trouver les meilleurs paramètres d'une stratégie n'est que la moitié du travail. Comment distinguer visuellement et quantitativement un plateau stable d'un pic fragile, et pourquoi les graphiques de contour d'Optuna sont une étape obligatoire avant de lancer une stratégie optimisée en production.
Descente de Coordonnées vs Optimisation Bayésienne : Qui Trouve les Meilleurs Paramètres
Pourquoi la recherche exhaustive est impossible avec 12+ paramètres, comment la descente de coordonnées passe à côté des interactions, et comment Optuna avec un sampler TPE trouve en 500 itérations ce qu'OAT ne peut pas trouver en 96. Exemples de code pratiques, comparaison de samplers et optimisation multi-objectifs.