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.
Artikel
Anatomi MEV: sandwich, frontrunning, dan hutan gelap mempool
Setiap swap yang anda hantar ke RPC awam ialah order had yang kelihatan oleh semua tetapi tiada siapa wajib memenuhinya. Pecahan teknikal tentang cara pengekstrakan MEV berfungsi: penyusunan mempool, matematik sandwich pada Uniswap v2, PGA, Flashbots, dan pertahanan pedagang.
Simulasi fill: tangga dari fantasi harga penutup kepada realiti sedar-queue
Lima anak tangga ketepatan simulasi fill — dari fill harga penutup kepada model kebarangkalian kedudukan queue. Partial fill sebagai state machine, sempadan kebarangkalian fill limit sebagai bracket PnL, dan gelung kalibrasi terhadap fill live.
TWAP lawan VWAP lawan POV: memilih penanda aras eksekusi (dan mengetahui bila setiap satu menipu anda)
TWAP, VWAP dan POV adalah pertaruhan ke atas ramalan volum. Kami membedah andaian tersembunyi setiap penjadual, membina lengkung volum intraharian kripto, dan menjalankan ketiga-tiganya secara head-to-head ke atas data L2 yang dimainkan semula.
Almgren-Chriss Tanpa Berselindung: Pelaksanaan Optimum yang Boleh Anda Laksanakan dalam Satu Petang
Terbitan penuh model pelaksanaan optimum Almgren-Chriss: kesan linear, trajektori sinh/cosh, sempadan cekap, dan kod Python yang berfungsi untuk menentukur eta, gamma dan sigma daripada data L2 dan dagangan Binance.
Yang Negatif dengan Jujur: Puluhan Ribu Backtest, Lima Mata Wang Utama, Tiada Kelebihan yang Mantap
Kemuncak babak pencarian-dan-overfit, dan ia berakhir dengan satu keputusan negatif — yang betul. Satu carian dual-timeframe simbol tunggal pada ETHUSDT menemui satu konfigurasi bernilai +16.35% out-of-sample dan +2.62% pada satu holdout yang tidak disentuh; Deflated Sharpe Ratio, dengan mengambil kira ~37,000 percubaan, mendeflasikannya kepada 0.00. Satu larian merentas-instrumen ke atas lima mata wang utama (ETH/BTC/SOL/BNB/XRP, ~1.18M bar 1m setiap satu), memilih mengikut median out-of-sample, membunuhnya buat selama-lamanya: dual DSR 0.24 / PBO 0.264, triple DSR 0.14 / PBO 0.327 — kedua-duanya gagal gate. Juara ini menguntungkan pada 1 daripada 5 simbol dan negatif pada selebihnya. Inilah tujuan radas anti-overfit: untuk menghalang anda daripada melancarkan yang terbaik daripada hingar sebagai alpha.
Membuktikan Tiada Look-Ahead dalam Ujian Balik Multi-Timeframe: Ganggu Masa Depan, Buktikan Masa Lalu Tidak Dapat Melihatnya
Ujian balik (backtest) multi-timeframe membocorkan masa depan melalui bar timeframe lebih tinggi yang sedang terbentuk, yang harga penutupan akhirnya belum wujud lagi. Anda tidak boleh mencapai keyakinan hanya dengan menyemak kod — ia perlu diuji. Kami mengulangi semula peraturan bar-tertutup bot langsung dengan tepat, kemudian membuktikan tiada kebocoran dengan ujian anjakan-masa-depan: ganggu setiap bar masa depan dan sahkan setiap isyarat serta dagangan masa lalu kekal sama tepat sehingga bit terakhir. 25/25 semakan pariti, dan ujian ini benar-benar berkesan.
Apabila GPU Berbaloi: Roofline Sapuan Parameter, di Mana Tajuk Utama 167x Sebenarnya 27x Algoritma Darab 6.2x Perkakasan
Kelebihan GPU berbanding CPU tumbuh dengan saiz kelompok — 54.5x pada satu kombo setiap panggilan hingga 359.6x pada 61 dalam prapengiraan penunjuk pelbagai jangka masa kami — kerana sapuan kecil tidak dapat mengamortisasi overhead pelancaran kernel dan pemindahan. Kami menguraikan tajuk utama 167x kepada kemenangan algoritma 27x yang turut membantu CPU dan kemenangan perkakasan 6.2x, menunjukkan kelebihan sebenar GPU-berbanding-CPU-terbaik hanyalah 3.2x untuk jangka masa tunggal dan 6.2x untuk pelbagai jangka masa, dan memberikan panduan keputusan tentang berapa lebar sapuan perlu sebelum GPU berbaloi dibeli.
Perangkap Ketepatan GPU: Bagaimana Backtest fp32 pada Apple Metal Diam-diam Memulangkan Sampah
GPU Metal Apple tiada float64. Alih backtest tervektor kepadanya secara naif dan WMA prefix-sum yang menggoda itu melimpah fp32 — ralat relatif maksimum 211× — namun ia tetap berjalan dan memulangkan angka yang kelihatan munasabah. Penyelesaiannya bukan ketepatan lebih tinggi; ia adalah rumusan yang berbeza: konvolusi berjendela terus, selamat-fp32 sehingga 8×10⁻⁷ dan 55.9× lebih pantas daripada numba benang-tunggal. Perangkap itu, aritmetiknya, dan cara membuktikan anda tidak terjebak.
Pintu Gerbang Fideliti: Backtesting Kasar-ke-Halus Menipu Anda Lebih Pantas Melainkan Proksi Murah Menyusun Kedudukan Sama Seperti yang Mahal
Carian drill-down / multi-fideliti (ASHA, successive halving, Hyperband) menyaring ribuan konfigurasi secara murah dan hanya menaikkan taraf konfigurasi yang terselamat kepada penilaian penuh yang mahal. Ini adalah pempercepatan yang tulen — tetapi ia runtuh secara senyap jika kedudukan pada fideliti rendah tidak sepadan dengan kedudukan pada fideliti tinggi. Kami mengukur korelasi kedudukan-fold: pada satu fold, Spearman ρ boleh serendah 0.03 (kedudukan hampir rawak), meningkat kepada 0.43, 0.67, 0.78, 0.91 apabila fold bertambah. Penyelesaiannya ialah satu pintu gerbang wajib — ukur ρ(murah, penuh) dahulu, dan naikkan secara automatik fideliti minimum kepada tahap pertama di mana ρ ≥ 0.5.
Carian Rawak lawan Carian Pintar: Titik Persilangan Ialah Kos Penilaian, Bukan Algoritma
Apabila satu backtest itu murah, Sobol scrambled yang 'bodoh' menang dari segi throughput mentah — sampler pintar (TPE, CMA-ES, ASHA) menanggung cukai ask/tell Python yang menjatuhkan mereka 20x, jadi mereka menilai jauh lebih sedikit titik pada wall-clock yang sama dan kalah. Jadikan setiap penilaian mahal (multi-TF + lipatan walk-forward) dan titik persilangan itu berbalik. Kami mengukur kedua-dua rejim, dan sebab mengapa fideliti kedudukan-lipatan (fold-rank fidelity) (ρ@1 meningkat 0.03→0.43) adalah prasyarat untuk pruning memberi hasil.
Ruang Parameter Dua Paksi: Mengapa Sebahagian Besar Sapuan Anda Sepatutnya Hampir Percuma
Bukan semua parameter sama kosnya untuk dicari. Parameter sesebuah strategi terbahagi kepada paksi mahal (penunjuk — dikira semula merentasi keseluruhan siri) dan paksi murah (ambang keputusan — satu laluan O(n) ke atas isyarat prakira). Oleh sebab penunjuk invarian terhadap ambang, anda mengiranya sekali dan menyapu beribu-ribu konfigurasi ambang pada ~5,600 cfg/s — kira-kira 1,600x lebih murah daripada mengira semula bagi setiap konfigurasi. Satu penilaian harga semula terhadap sumpahan kedimensian.
Cukai Rangka Kerja: Bila Pustaka Backtest Anda Lebih Perlahan Daripada Gelung Pandas Naif
Kami menanda aras lapan enjin backtest pada satu sapuan parameter yang sama — 150k bar, 80 kombinasi silang HMA, pariti kiraan dagangan dikunci pada 2707. Dua daripada rangka kerja dipacu peristiwa yang paling popular ternyata lebih perlahan daripada gelung pandas yang ditulis tangan, manakala enjin tervektor/terkompil menjalankan kerja yang sama ~13,000× lebih pantas. Satu kajian tentang overhed per-bar yang pustaka popular memang tidak pernah dibina untuk melunaskan.