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.
- 01Objective-Function Design: Metrik yang Anda Optimalkan Diam-Diam Memilih Strategi Anda
- 02Membuktikan Tidak Ada Look-Ahead pada Backtest Multi-Timeframe: Ganggu Masa Depan, Buktikan Masa Lalu Tidak Bisa Melihatnya
- 03Look-Ahead Bias: Bagaimana Kesalahan Satu Bar Menciptakan Sharpe 15 dari Noise Murni
- 04Walk-Forward Optimization: Satu-Satunya Uji Strategi yang Jujur
- +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.
- 01Tangga Kecepatan Engine Backtest: 298x pada CPU Laptop, PnL Identik hingga Transaksi Terakhir
- 02Pajak Framework: Saat Library Backtest Anda Lebih Lambat daripada Loop Pandas yang Naif
- 03Cache Parquet Teragregasi: Cara Mempercepat Backtest Multi-Timeframe Ratusan Kali Lipat
- 04Ruang Parameter Dua Sumbu: Mengapa Sebagian Besar Sweep Anda Seharusnya Nyaris 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.
- 01Algoritma Graf untuk Deteksi Arbitrase: Dari Bellman-Ford hingga RICH
- 02Arbitrase Futures-Spot: Dari Cash-and-Carry hingga DeFi-CeFi
- 03Matriks, Tensor, dan Aljabar Tropis: Aljabar Linear untuk Deteksi Arbitrase
- 04Vine Copulas untuk Arbitrase: Pemodelan Ketergantungan Berdimensi Tinggi
- +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: Cara Kerja Metode WebSocket Orderbook yang Sebenarnya
- 02Jenis-Jenis Order dalam Algorithmic Trading: Dari Limit dengan Chasing hingga Virtual Orders
- 03Antrean di Dalam Tembok: Menganalisis Posisi Order di Kerapatan Order Book
- 04Jenis Bar dan Metode Agregasi untuk Trading Algoritmik
- +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.
- 01Teori Portofolio Markowitz untuk Kripto: Dari Nol Hingga Mahir
- 0212 Algoritma Optimasi Portofolio, Dibandingkan: HRP, Black-Litterman, NCO dan Selebihnya
- 03Di Balik Algoritma Kami: HRP + Long/Short + CVaR dengan Hull-White
- 04Model Copula untuk Pemodelan Risiko Gabungan pada Portofolio Kripto
- +1 more
Risk & Position Sizing
Build position sizes from drawdown math, realistic trading costs, and uncertainty in backtest results before applying Kelly.
- 01Asimetri Kerugian-Keuntungan: Matematika yang Menghancurkan Deposit Anda
- 02Kurva slippage, bukan konstanta slippage: model biaya yang bertahan saat bersentuhan dengan live trading
- 03Monte Carlo Bootstrap: Cara Mendapatkan Confidence Interval untuk Backtest dalam 10 Baris Kode
- 04Kriteria Kelly untuk strategi: cara memilih ukuran posisi dan mengalokasikan modal
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.
- 01Pendekatan Jarak dalam Pairs Trading: Implementasi dan Analisis dengan Rust
- 02Arbitrase Statistik dan Pairs Trading di Pasar Kripto: Dari Kointegrasi hingga Kalman Filter
- 03Korelasi Sinyal: Berapa Banyak Pasangan yang Perlu Dipantau
- 04Menggabungkan Strategi Mean Reversion dan Momentum secara Dinamis dalam Arbitrase Statistik: Fondasi Matematis dan Implementasi Praktis
- +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 Transformer untuk Peramalan Portofolio Multi-Horizon
- 02Model Difusi vs Anarki Kripto: Mengapa DDPM Bisa Memprediksi Crash Bitcoin Lebih Baik dari Astrolog Anda
- 03Kronos: Model Fondasi yang Mengajarkan Grafik Candlestick Berbicara dalam Bahasa Transformer
- 04Conformal Prediction untuk Position Sizing yang Sadar Risiko
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.
- 01Revolusi dalam Manajemen Portofolio Investasi dengan Agentic AI
- 02TradingAgents: Kerangka AI Multi-Agen yang Memodelkan Hedge Fund
- 03AI4Finance Foundation: Ekosistem FinGPT, FinRL, dan FinRobot untuk Algo-Trading
- 04AI Hedge Fund: Dana Multi-Agen di Mana Analis AI Memilih Perdagangan
- +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 untuk Algorithmic Trading: Arsitektur yang Berbicara dalam Bahasa Pasar
- 02QuestDB untuk Perdagangan Algoritmik: Ekstensi SQL yang Mengubah Permainan
- 03QuestDB untuk Algorithmic Trading: Dari Order Book hingga Arsitektur Produksi
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.
- 01Komunikasi Data dalam Sistem Algo Trading: Tinjauan Teknologi
- 02Aeron: Di Balik Sistem Pesan yang Menggerakkan Setengah Industri HFT
- 03ZigBolt: Mengapa Kami Membangun Aeron Versi Kami Sendiri di Zig dan Mencapai 20 Nanodetik Per Pesan
- 04Mengembangkan Scalper C++ Sederhana Menggunakan FAST/FIX: Panduan Langkah demi Langkah
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: memilih benchmark eksekusi (dan mengetahui kapan masing-masing membohongi Anda)
- 02Almgren-Chriss Tanpa Basa-Basi: Eksekusi Optimal yang Bisa Anda Implementasikan dalam Satu Sore
- 03Di dalam slice: taktik child order antara scheduler dan exchange
- 04Smart Order Routing di Crypto: Satu Order, Dua Belas Venue, Tanpa 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.
- 01Anatomi MEV: sandwich, frontrunning, dan hutan gelap mempool
- 02Rantai pasok MEV: PBS, MEV-Boost, dan siapa yang sebenarnya menangkap nilai
- 03Arbitrase on-chain: siklus atomik, flash loan, dan lelang yang harus Anda menangkan
- 04Likuidasi on-chain: mekanika Aave dan Compound, serta bisnis bot di seputarnya
- +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 Granger yang Berbeda: Apakah Lead-Lag BTC Bertahan?
- 02Transfer Entropy: Which Way Does Information Flow Between Crypto Assets?
- 03PCMCI: Causal Discovery in Multivariate Crypto Time Series
- 04Causal Forests untuk Efek Perawatan Heterogen dalam 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): Memprediksi Volatilitas Crypto
- 02GARCH Asimetris dan Berekor Tebal: EGARCH, GJR, dan Student-t
- 03DCC-GARCH: Korelasi Dinamis untuk Pairs dan Risiko Portofolio
- 04Volatility Targeting dan Trading dengan Prakiraan 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
- 02Metode Ensemble: Menggabungkan Pembelajar yang Lemah untuk Alpha yang Kuat
- 03AutoML untuk Pipeline Perdagangan Sistematis
- 04Multi-Task Learning for Simultaneous Price, Volume, and Volatility Prediction
- +11 more