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.
Articoli
Look-Ahead Bias: Come un Errore di un Singolo Bar Genera uno Sharpe di 15 dal Rumore Puro
Uno studio controllato dei sottili leak di look-ahead che gonfiano silenziosamente i backtest. Con zero vantaggio reale, un fill sullo stesso bar genera uno Sharpe annualizzato di +14.8 dal puro rumore; una sbirciata di un bar sull'indicatore, +4.8. La tassonomia, le magnitudini misurate, e come rilevare ogni leak prima che ti costi denaro.
La Scala di Velocità del Backtest: 298x su una CPU da Laptop, PnL Identico Fino all'Ultimo Trade
Cinque implementazioni dello stesso sweep di parametri a 80 combo, tutte verificate per produrre lo stesso PnL: pandas rolling.apply impiega 69.9 secondi, numpy 3.1, numba 2.0, numba parallelo 0.23 — uno speedup misurato di 298x su un Apple M2 Max a parità di hardware, e ancora ~13x rispetto a una baseline vettorizzata competente. Cosa guadagna ogni gradino, perché una GPU non è il pezzo mancante, e dove si trova il vero collo di bottiglia nella ricerca massiva di parametri.
researcher: un archivio di ricerca quant ricercabile per umani e agenti AI
Come abbiamo costruito researcher.marketmaker.cc — un archivio unificato e interrogabile a tutto testo della ricerca quant (paper di arXiv, repository GitHub, blog quant, script Pine di TradingView) che gli umani sfogliano e gli agenti AI interrogano tramite MCP.
algo-investor-skills: le Skill di Claude Code che costruiscono una proposta per investitori a prova di truffa
Uno sguardo approfondito ad algo-investor-skills — un insieme di skill di Claude Code che portano una strategia di algotrading dai fatti grezzi misurati a una proposta per investitori sottoposta ad audit e improntata all'onestà. Sei skill componibili, un motore di modelli finanziari, un pacchetto di prove a verifica indipendente e un gate di audit obbligatorio con un investitore scettico che non inventa mai un numero.
Criterio di Kelly per le strategie: come scegliere la dimensione della posizione e allocare il capitale
Una strategia con aspettativa matematica positiva può mandare in rovina il deposito se si sbaglia la dimensione della puntata. Analizziamo il criterio di Kelly dalla derivazione della formula al portafoglio di strategie: perché il full Kelly è pericoloso, come il Kelly frazionario offre il 75% della crescita a metà della volatilità, e un calcolatore interattivo dove si vede come la frazione di Kelly modifica rendimento e rischio.
Analisi azionaria quotidiana: un sistema AI che trasforma una watchlist in un cruscotto decisionale giornaliero
Un'analisi approfondita di daily_stock_analysis di ZhuLinsen — un sistema open-source che recupera dati di mercato per azioni A, Hong Kong, USA e altro, esegue analisi tecnica e di notizie tramite un LLM e invia un 'cruscotto decisionale' strutturato al tuo messenger ogni giorno di contrattazione. Architettura, fallback dei dati, strategie agente, limiti.
Temporal Fusion Transformer per la previsione multi-orizzonte di portafoglio
Come il Temporal Fusion Transformer di Google porta una previsione multi-orizzonte interpretabile nella gestione quantitativa del portafoglio, con selezione delle variabili basata sull'attenzione, output a quantili e una pipeline pratica con pytorch-forecasting.
Conformal Prediction per il dimensionamento delle posizioni consapevole del rischio
Intervalli di previsione distribution-free con copertura garantita. Usiamo split conformal, jackknife+ e adaptive conformal inference per calibrare il rischio di trading e dimensionare le posizioni senza assunzioni parametriche.
Modellazione e previsione dello spread bid-ask con il machine learning
Scomporre e prevedere gli spread bid-ask con il ML — dallo stimatore implicito di Roll al gradient boosting e alle reti neurali — con le insidie di unità di misura, leakage e benchmarking che fanno male in produzione.
DeepLOB: Deep Learning sui Limit Order Book
Come DeepLOB combina una CNN, un modulo inception e una LSTM per prevedere i movimenti del mid-price a partire dai dati grezzi dell'order book — l'architettura, i numeri reali su FI-2010 e una reimplementazione funzionante in PyTorch.
Nel Nostro Algoritmo di Casa: HRP + Long/Short + CVaR con Hull-White
Un'analisi approfondita di Pipeline — l'algoritmo di allocazione composito che abbiamo costruito sopra HRP. Hierarchical Risk Parity come base, un overlay long/short guidato dai segnali degli agenti e dalla confidenza, e una correzione finale del rischio tramite CVaR con aggiustamento della volatilità di Hull-White. La matematica completa dalla nostra specifica, più l'implementazione reale in Rust.
12 Algoritmi di Ottimizzazione del Portafoglio a Confronto: HRP, Black-Litterman, NCO e Oltre
Un paniere di criptovalute, dodici algoritmi di allocazione, un confronto onesto. Abbiamo reso open source un ottimizzatore di portafoglio in Rust che esegue HRP, HERC, MVO, Black-Litterman, NCO, Entropy Pooling e altro ancora tramite un'unica interfaccia — ecco come ragiona ciascuno e perché non esiste un vincitore assoluto.