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 Probability of Backtest Overfitting: Did Your Search Beat a Coin Flip?
The Deflated Sharpe Ratio prices the winning strategy; PBO prices the search that picked it. Combinatorially Symmetric Cross-Validation runs C(16,8) = 12,870 train/test splits over a 1000x200 performance matrix and asks: does the in-sample winner land in the bottom half out of sample? The catch almost everyone misses — PBO's null is 0.5, not 1. On 200 zero-edge strategies the best in-sample annualized Sharpe of 1.98 collapses to 0.06 out of sample and PBO = 0.476: a coin flip, fully overfit. Plant a real edge (annualized Sharpe 2.38) and PBO drops to 0.001, the in-sample 3.73 surviving to an out-of-sample 2.34. A moving-average grid on a pure random walk has no out-of-sample skill either — PBO 0.463 averaged over 60 matrices, statistically indistinguishable from the null — and on one representative matrix the mirage is vivid: a best in-sample Sharpe of 2.33 collapses to a median out-of-sample -0.22, PBO 0.573, a 63% chance of a loss.
IPC салығы: бэктест қозғалтқышын сокеттің артына қойып, 13% жоғалту — оның ішінде сокетке қатысты дерлік ештеңе жоқ
Біз numba бэктест ядросын жолма-жол Rust тіліне порттап, оны процесс шекарасы арқылы төрт түрлі жолмен шақырдық, соңғы мәмілеге дейін бірдей PnL растайтын эквиваленттілік қақпасымен. 1.2 МБ баға сериясының барлығын Unix сокеті арқылы жіберу ~2 мс тұрады — тапсырманың шамамен 0.1%. Сол пейлоудты JSON форматында кодтау шикі байттардан 1348 есе қымбатқа түседі, комбинация сайынғы "chatty" шақырулар деректерді 80 рет қайта жібереді, ал бар сайынғы шақыру үлгісі 2.0 с тапсырмада 2.1 с таза IPC-ге ақы төлер еді. Шекара арзан; салық оны қалай кесіп өтуіңізде жатыр.
Deflated Sharpe Ratio: Бэктест 'жеңімпаздарыңыздың' қаншасы көптеген тестілеуден аман қалады?
Параметрлерді іздеу — сәттілікті жасанды түрде өндіретін машина. Таза шуда — шынайы эджі нөлге тең 1000 стратегияда — үздік жылдық Sharpe орта есеппен 1.63-ке жетеді, ал шикі маңыздылық тесті жаңалықты 100% жағдайда белгілейді. Біз бақыланатын шынайы негіз құрып, Deflated Sharpe Ratio, Harvey-Liu haircut және White's Reality Check әдістерінің шындықты қалай қалпына келтіретінін көрсетеміз: жалған жаңалықтар 1.000-нен 0.001-0.057-ге дейін төмендейді, шу шегінен жоғары шынайы эдждер ~1 қуатпен сақталады — және бір нақты тұзақ (корреляцияланған торлар) бар, мұнда шикі DSR шамадан тыс дефляцияланады да, қорытынды бір ғана бағалаудан емес, тиімді сынақтар санының бүкіл диапазонынан оқылуы керек.
Мақсат-функциясын жобалау: сіз оңтайландыратын метрика стратегияңызды жасырын түрде таңдайды
"Ең жақсы" стратегияны іздеу үшін алдымен "ең жақсыны" анықтау керек — және сол скаляр жеңімпазды үнсіз таңдайды. Белгілі edge бар синтетикалық деректерде (600 seed, T=2000, 80 табалдырық) қарапайым per-trade Sharpe лотереяны тәж киеді: ол 56% seed-те 5%-дан төмен экспозициясы бар жеңімпазды таңдайды және 57%-да азғындайды — ең айқын seed-те 8 мәміле in-sample Sharpe 21.09 көрсетеді, ол out of sample кезінде 0.13-ке дейін құлайды. Адал жөндеу дерлік жалықтырарлық: толық уақыт өсінде өлшеу, ол ешқашан азғындамайды (out-of-sample 1.71). Мәміле санына негізделген shrinkage (conf_k) және экспозиция табалдырығы per-trade метрикасын жөндей алады, бірақ толығымен түзетілсе де олар тек full-timeline Sharpe-пен теңеседі (1.70-ге қарсы 1.71) — ешқашан одан асып түспейді. Гудхарт заңы, бэктестте, бақыланатын негізгі шындықпен.
Look-Ahead Bias: бір бардың қатесі таза шудан қалай 15 Sharpe жасап шығарады
Бэктесттерді байқаусызда ісіндіретін нәзік look-ahead ағып кетулерін бақыланатын түрде зерттеу. Нақты edge мүлдем болмаса да, бір бардағы орындалу таза шудан +14.8 жылдық Sharpe жасап шығарады; индикатордың бір барға алдын ала қарауы — +4.8. Таксономия, өлшенген шамалар және әр ағып кетуді ақшаңызға тиер алдында қалай анықтау керек.
Бэктест жылдамдығының сатысы: ноутбук CPU-да 298 есе, соңғы транзакцияға дейін бірдей PnL
Бір 80 комбинациялы параметр сканерлеуінің бес имплементациясы, бәрі бірдей PnL беретіні тексерілген: pandas rolling.apply 69.9 секунд алады, numpy 3.1, numba 2.0, параллельді numba 0.23 — Apple M2 Max-та ешқандай аппараттық өзгеріссіз өлшенген 298 еселік жеделдету, әрі әбден жарамды векторланған базистен де әлі ~13 есе жоғары. Әр саты не береді, GPU неге жетіспейтін бөлік емес, және жаппай параметр іздеудегі нағыз тар жер қайда.
researcher: A Searchable Quant-Research Archive for Humans and AI Agents
How we built researcher.marketmaker.cc — a unified, full-text-searchable archive of quant research (arXiv papers, GitHub repos, quant blogs, TradingView Pine scripts) that humans browse and AI agents query over MCP.
algo-investor-skills: алаяқтықтан қорғалған инвестор ұсынысын құратын Claude Code скилдері
algo-investor-skills — алгосауда стратегиясын өлшенген нақты деректерден аудиттелген, адалдыққа бағытталған инвестор ұсынысына айналдыратын Claude Code скилдерінің жиынтығына терең шолу. Алты құрастырылатын скил, қаржылық модельдер қозғалтқышы, тәуелсіз тексеру дәлел пакеті және ешқашан сан ойдан шығармайтын міндетті скептик-инвестор аудитінің қақпасы.
Стратегиялар үшін Келли критерийі: позиция көлемін қалай анықтап, капиталды бөлу керек
Оң күтілетін мәні бар стратегия да, егер бет мөлшері дұрыс таңдалмаса, шотыңызды жоя алады. Біз Келли критерийін формуланы шығарудан бастап стратегиялар портфеліне дейін талдаймыз: неге толық Келли қауіпті, дробтық Келли жартылай құбылмалылықпен өсімнің 75% қалай қамтамасыз етеді, және Келли үлесінің табыс пен тәуекелді қалай өзгертетінін көрсететін интерактивті калькулятор.
Daily Stock Analysis: бақылау тізімін күнделікті шешім қабылдау тақтасына айналдыратын AI жүйесі
ZhuLinsen жасаған daily_stock_analysis жобасына терең шолу — A-акциялар, Гонконг, АҚШ және басқа нарықтар бойынша нарықтық деректерді алатын, LLM арқылы техникалық және жаңалықтар талдауын жүргізетін және әр сауда күні құрылымдалған 'шешім тақтасын' сіздің мессенджеріңізге жіберетін ашық бастапқы кодты жүйе. Архитектура, деректердің резервтік тізбегі, агент стратегиялары, шектеулер.
Temporal Fusion Transformers for Multi-Horizon Portfolio Forecasting
How Google's Temporal Fusion Transformer brings interpretable multi-horizon forecasting to quantitative portfolio management, with attention-based variable selection, quantile outputs, and a worked pytorch-forecasting pipeline.
Тәуекелді Ескеретін Позиция Көлемін Анықтауға арналған Конформды Болжам
Кепілдендірілген қамтуы бар, үлестірімге тәуелсіз болжам аралықтары. Сауда тәуекелін калибрлеу және параметрлік болжамдарсыз позицияларды өлшеу үшін split conformal, jackknife+ және adaptive conformal inference қолданамыз.