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.
Artikelen
Onregelmatige tijd in tick-modellen: continue tijdcoderingen versus gewone positionele inbedding
Sequentiemodellen die gevoed worden met tekengegevens gaan nog steeds uit van een regelmatige tussenruimte. Drie manieren om een Transformer te vertellen wanneer een tick daadwerkelijk heeft plaatsgevonden: continue codering op leerbare tijdschaal, ODE-RNN latente status en delta_t als een duidelijk kenmerk – en de ablatie die tussen deze twee beslist.
Synthetische controlemethoden voor het evalueren van handelsstrategieën
Deze serie heeft de selectieroute tot een vals voordeel geprijsd: DSR prijst de winnaar, PBO prijst de zoektocht. Geen van beide heeft betrekking op verwarring: de strategie die geld opleverde omdat de volatiliteit verdubbelde in de week dat u deze gebruikte. De Synthetic Control Method bouwt een gewogen contrafeitelijk onderzoek op uit een donorpool van onaangeroerde instrumenten en geeft u een vervalsingscriterium en een placebo-p-waarde.
Probabilistische voorspellingen scoren: CRPS, PIT-kalibratie en DeepAR
Hoe je een voorspellende verdeling eerlijk kunt evalueren: CRPS als een goede scoreregel, het PIT-histogram als kalibratiediagnostiek en DeepAR-sampling in GluonTS.
Op natuurkunde geïnformeerde neurale netwerken voor optieprijzen
Door de PDE's van Heston, free-boundary en jump-diffusion pricing in een neuraal netwerkverlies te stoppen - het log-prijsresidu, de mixed-partial autograd-truc, en wat nog moet worden gemeten.
PCMCI: Causale ontdekking in multivariate crypto-tijdreeksen
Hoe de tweetraps MCI-test van PCMCI gerichte causale verbanden tussen crypto-activa herstelt waar correlatie en bivariate Granger dat niet kunnen: de constructie, de tigramietpijplijn en het onderzoek naar echte gegevens die het nog steeds nodig heeft.
Order Flow Imbalance: The Cont-Kukanov-Stoikov Event Decomposition
Turning raw book updates into a signed flow quantity: the CKS event decomposition, multi-level OFI with PCA reduction, and Lee-Ready trade classification — plus an honest accounting of what the headline R-squared actually measures.
Neural ODEs: Does Continuous Time Beat a Delta-Time Feature?
Neural ODEs, Neural SDEs and continuous normalizing flows for irregularly-sampled market data — and the one ablation that decides whether continuous dynamics are worth their solver cost.
Multi-Task Learning for Simultaneous Price, Volume, and Volatility Prediction
Does jointly predicting return, volume, and volatility actually help? Measuring loss-balancing schemes and diagnosing negative transfer through gradient cosine similarity — with a classical baseline and purged walk-forward folds.
Model Pruning for Low-Latency Trading Inference
Magnitude and structured pruning, the Lottery Ticket Hypothesis, movement pruning, distillation and 2:4 sparsity — the methods behind shrinking a trading model, and what still has to be measured before any of it ships.
Updating the Volume Curve Intraday: Does Adaptive Forecasting Actually Help?
Our VWAP article shipped a static, weekly-refit volume curve and called the forecaster the weakest link. This is the follow-up: a Bayesian intraday updater run against the same 500-parent BTCUSDT harness, with the IS delta conditioned on realized curve error.
Koopman Operators and DMD: Do Market Modes Survive Out-of-Sample?
Dynamic Mode Decomposition fits a linear operator to nonlinear market dynamics. The only question that matters: do the fitted modes persist from one window to the next, and does the rolling spectral radius lead realised volatility? Here is the measurement protocol and the code to run it.
Knowledge Distillation: Compressing Trading Models for Low-Latency Deployment
The blog's standing answer to the accuracy-vs-latency tension is a two-stage fast/slow split. Distillation is a different answer: train one small model to mimic the ensemble. The KD loss, temperature, born-again nets, early exits for a variable latency budget, and the distill-to-FPGA pipeline — plus the measurements that would decide whether it beats the two-stage split.