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
+702% on SOL. Where Is Jev in This Backtest?
We ran a trend strategy across 15 crypto pairs, checked costs and access to future candles, and tested Jev separately. Where did profits appear, and why can't we promise them in live trading yet?
XGBoost for Return Direction: Class Imbalance and Decision Thresholds
Return-direction classifiers are imbalanced problems, and 0.5 is the wrong decision threshold. Comparing scale_pos_weight, focal loss, and precision-constrained threshold optimization on crypto data — plus the engineering differences between XGBoost, LightGBM, and CatBoost.
Transfer Entropy: Which Way Does Information Flow Between Crypto Assets?
DCC-GARCH tells you when crypto dependence tightens. Transfer entropy tells you which way it points. A directed information-flow measure, its null calibration, and an honest account of what it does and does not add over average pairwise correlation.
Trade Classification When You Have No Side Flag: Tick, Quote, Lee-Ready, BVC
Reconstructing trade direction from OHLCV, bar history, or venues without an aggressor flag — the classic rules, the stale-quote problem, bulk volume classification, and how to measure them against crypto's free ground truth.
Tempo Irregular em Modelos de Tick: Codificações de Tempo Contínuo vs. Incorporações Posicionais Simples
Os modelos de sequência alimentados com dados de ticks ainda assumem espaçamento regular. Três maneiras de informar a um Transformer quando um tick realmente aconteceu - codificação contínua em escala de tempo que pode ser aprendida, estado latente ODE-RNN e delta_t como um recurso simples - e a ablação que decide entre eles.
Métodos de controle sintético para avaliar estratégias de negociação
Esta série precificou a rota de seleção até uma vantagem falsa - o DSR avalia o vencedor, o PBO avalia a pesquisa. Nenhum dos dois toca em confusão: a estratégia que rendeu dinheiro porque a volatilidade dobrou na semana em que você a implementou. O Método de Controle Sintético constrói um cenário contrafactual ponderado a partir de um conjunto de doadores de instrumentos intocados e fornece um critério de falsificação e um valor p placebo.
Pontuação de previsões probabilísticas: CRPS, calibração PIT e DeepAR
Como avaliar honestamente uma distribuição preditiva - CRPS como uma regra de pontuação adequada, o histograma PIT como um diagnóstico de calibração e amostragem DeepAR em GluonTS.
Redes Neurais Informadas pela Física para Preços de Opções
Colocar os PDEs de preços de Heston, limite livre e difusão de salto em uma perda de rede neural - o resíduo do preço logarítmico, o truque de autogradação parcial mista e o que ainda precisa ser medido.
PCMCI: descoberta causal em séries temporais criptográficas multivariadas
Como o teste MCI de dois estágios do PCMCI recupera ligações causais direcionadas entre ativos criptográficos onde a correlação e o Granger bivariado não conseguem - a construção, o pipeline de tigramite e o estudo de dados reais que ainda precisa.
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.