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.
- 01Reka Bentuk Fungsi Objektif: Metrik yang Anda Optimumkan Secara Rahsia Memilih Strategi Anda
- 02Membuktikan Tiada Look-Ahead dalam Ujian Balik Multi-Timeframe: Ganggu Masa Depan, Buktikan Masa Lalu Tidak Dapat Melihatnya
- 03Look-Ahead Bias: Bagaimana Kesilapan Satu-Bar Menghasilkan Sharpe 15 daripada Bunyi Hingar Tulen
- 04Walk-Forward Optimization: Satu-Satunya Ujian 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 Kelajuan Enjin Backtest: 298x pada CPU Laptop, PnL Identik hingga Dagangan Terakhir
- 02Cukai Rangka Kerja: Bila Pustaka Backtest Anda Lebih Perlahan Daripada Gelung Pandas Naif
- 03Cache Parquet Teragregat: Cara Mempercepatkan Backtest Pelbagai Jangka Masa Ratusan Kali
- 04Ruang Parameter Dua Paksi: Mengapa Sebahagian Besar Sapuan Anda Sepatutnya Hampir Percuma
- +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 Pengesanan Arbitraj: Dari Bellman-Ford ke RICH
- 02Arbitraj Niaga Hadapan-Spot: Dari Cash-and-Carry ke DeFi-CeFi
- 03Matriks, Tensor, dan Aljabar Tropika: Aljabar Linear untuk Pengesanan Arbitraj
- 04Vine Copulas untuk Arbitraj: Pemodelan Kebergantungan 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 Kaedah WebSocket Orderbook Sebenarnya Berfungsi
- 02Jenis-Jenis Order dalam Dagangan Algoritma: Dari Limit dengan Pengejaran hingga Order Virtual
- 03Giliran di Dalam Dinding: Menganalisis Kedudukan Pesanan dalam Kepadatan Buku Pesanan
- 04Jenis Bar dan Kaedah Pengagregatan untuk Dagangan Algoritma
- +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 Portfolio Markowitz untuk Kripto: Dari Nol hingga Mahir
- 0212 Algoritma Pengoptimuman Portfolio Dibandingkan: HRP, Black-Litterman, NCO dan Lebih
- 03Di Dalam Algoritma Dalaman Kami: HRP + Long/Short + CVaR dengan Hull-White
- 04Model Kopula untuk Pemodelan Risiko Bersama dalam Portfolio 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: Matematik yang Membunuh Deposit Anda
- 02Lengkung slippage, bukan pemalar slippage: model kos yang bertahan apabila bersentuhan dengan dagangan langsung
- 03Monte Carlo Bootstrap: Cara Mendapatkan Selang Keyakinan untuk Backtest dalam 10 Baris Kod
- 04Kriteria Kelly untuk strategi: cara memilih saiz posisi dan mengagihkan 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 Dagangan Pasangan: Pelaksanaan dan Analisis dengan Rust
- 02Arbitraj Statistik dan Dagangan Pasangan dalam Pasaran Kripto: Dari Kointegrasi hingga Penapis Kalman
- 03Korelasi Isyarat: Berapa Banyak Pasangan Yang Perlu Dipantau
- 04Menggabungkan Strategi Mean Reversion dan Momentum Secara Dinamik dalam Arbitraj Statistik: Asas Matematik dan Pelaksanaan Praktikal
- +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 Ramalan Portfolio Pelbagai Ufuk
- 02Model Peresapan vs Anarki Mata Wang Kripto: Mengapa DDPM Boleh Meramal Kejatuhan Bitcoin Lebih Baik Daripada Ahli Astrologi Anda
- 03Kronos: Model Asas yang Mengajar Carta Candlestick Berbicara dalam Bahasa Transformer
- 04Conformal Prediction untuk Penentuan Saiz Posisi yang Sedar 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 Pengurusan Portfolio Pelaburan dengan AI Agentik
- 02TradingAgents: Rangka Kerja AI Multi-Ejen yang Meniru Sebuah Hedge Fund
- 03AI4Finance Foundation: Ekosistem FinGPT, FinRL, dan FinRobot untuk Algo-Trading
- 04AI Hedge Fund: Dana Pelbagai Ejen di Mana Penganalisis AI Mengundi Dagangan
- +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 Dagangan Algoritmik: Seni Bina yang Bertutur dalam Bahasa Pasaran
- 02QuestDB untuk Dagangan Algoritmik: Sambungan SQL yang Mengubah Permainan
- 03QuestDB untuk Dagangan Algoritma: Dari Buku Pesanan hingga Seni Bina Pengeluaran
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: Gambaran Keseluruhan Teknologi
- 02Aeron: Di Dalam Sistem Pesanan Yang Menguasai Separuh Industri HFT
- 03ZigBolt: Mengapa Kami Membina Aeron Kami Sendiri dalam Zig dan Mencapai 20 Nanosaat Per Mesej
- 04Membangunkan Scalper C++ Mudah 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 lawan VWAP lawan POV: memilih penanda aras eksekusi (dan mengetahui bila setiap satu menipu anda)
- 02Almgren-Chriss Tanpa Berselindung: Pelaksanaan Optimum yang Boleh Anda Laksanakan dalam Satu Petang
- 03Di dalam slice: taktik child-order antara scheduler anda dan exchange
- 04Penghalaan Pesanan Pintar dalam Kripto: Satu Pesanan, Dua Belas Venue, Tiada 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
- 02The MEV supply chain: PBS, MEV-Boost, and who actually captures the value
- 03Arbitraj dalam rantaian: kitaran atom, pinjaman kilat, dan lelongan yang perlu anda menangi
- 04Liquidasi on-chain: mekanik Aave dan Compound, dan perniagaan bot di sekitarnya
- +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 Differenced Granger: Does the BTC Lead-Lag Survive?
- 02Transfer Entropy: Which Way Does Information Flow Between Crypto Assets?
- 03PCMCI: Causal Discovery in Multivariate Crypto Time Series
- 04Kesan Rawak Heterogen untuk Dagangan menggunakan Causal Forests
- +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): Meramal Volatiliti Kripto
- 02GARCH Tak Simetri dan Ekor Tebal: EGARCH, GJR, dan Student-t
- 03DCC-GARCH: Korelasi Dinamik untuk Pairs dan Risiko Portfolio
- 04Penyasaran Kemeruapan dan Berdagang dengan Ramalan 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
- 02Kaedah Ensembel: Menggabungkan Pelajar Lemah untuk Alfa Teguh
- 03AutoML untuk Saluran Paip Dagangan Sistematik
- 04Multi-Task Learning for Simultaneous Price, Volume, and Volatility Prediction
- +11 more