Eugen Soloviov
Инженер торговых систем
Разработка торговых ботов с 2017 года: межбиржевой арбитраж (подключал до 30 бирж), парный арбитраж на коинтеграции между спотом и фьючерсами, скальпинг, фронтраннинг, торговля по новостям, сентиментный анализ, трендовые алгоритмы, а также алгоритмы управления и балансировки портфелей. Делает выставление ордеров до 1 мс, warehouse для big data, бэктестинг-движки, AI-агентов и интерфейсы для ботов (в т.ч. open-source profitmaker.cc). Стек: JS/TS, Python, Rust/Zig/Go, DevOps, backend, frontend, архитектура.
Статьи
+702% на SOL. Где в этом бэктесте сам Jev?
Прогнали трендовое ядро на 15 криптопарах, проверили издержки и доступ к будущим свечам, отдельно испытали сам Jev. Где получилась прибыль и почему ее пока нельзя обещать в реальной торговле.
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.
Irregular Time in Tick Models: Continuous-Time Encodings vs. Plain Positional Embeddings
Sequence models fed tick data still assume regular spacing. Three ways to tell a Transformer when a tick actually happened — learnable-timescale continuous encoding, ODE-RNN latent state, and delta_t as a plain feature — and the ablation that decides between them.
Synthetic Control Methods for Evaluating Trading Strategies
This series has priced the selection route to a false edge — DSR prices the winner, PBO prices the search. Neither touches confounding: the strategy that made money because volatility doubled the week you deployed it. The Synthetic Control Method builds a weighted counterfactual from a donor pool of untouched instruments and gives you a falsification criterion and a placebo p-value.
Scoring Probabilistic Forecasts: CRPS, PIT Calibration, and DeepAR
How to evaluate a predictive distribution honestly — CRPS as a proper scoring rule, the PIT histogram as a calibration diagnostic, and DeepAR sampling in GluonTS.
Physics-Informed Neural Networks for Options Pricing
Putting the Heston, free-boundary, and jump-diffusion pricing PDEs into a neural network loss — the log-price residual, the mixed-partial autograd trick, and what still needs measuring.
PCMCI: обнаружение причинно-следственных связей в многомерных временных рядах криптовалют
Как двухэтапный тест MCI PCMCI восстанавливает направленные причинно-следственные связи между криптоактивами там, где корреляция и двумерный Грейнджер не могут — конструкция, тигритовый конвейер и исследование реальных данных, в которых он все еще нуждается.
Дисбаланс потока заказов: декомпозиция событий Конта-Куканова-Стойкова
Превращение необработанных обновлений книги в подписанную величину потока: разложение событий CKS, многоуровневый OFI с сокращением PCA и торговая классификация Lee-Ready, а также честный отчет о том, что на самом деле измеряет R-квадрат заголовка.
Нейронные ОДУ: превосходит ли непрерывное время функцию дельта-времени?
Нейронные ОДУ, нейронные СДУ и непрерывные потоки нормализации для рыночных данных с нерегулярной выборкой — и единственное удаление, которое решает, стоит ли непрерывная динамика затрат на решатель.
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.