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.
บทความ
การตัดแต่งโมเดลสำหรับการอนุมานการเทรดที่มีเวลาแฝงต่ำ
การตัดแต่งตามขนาดและแบบมีโครงสร้าง สมมติฐาน Lottery Ticket การตัดแต่งตามการเคลื่อนที่ การกลั่นความรู้ และความเบาบางแบบ 2:4 — วิธีทำให้โมเดลการเทรดเล็กลง พร้อมสิ่งที่ยังต้องวัดก่อนนำไปใช้งานจริง
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.
The Other Way a Regression Lies: Endogeneity, 2SLS, and the Gamma Calibration Problem
Selection bias in the search is not the only way a regression fools you. When the regressor is correlated with the error, more data makes the estimate more confidently wrong. Instrumental variables applied to the one endogeneity problem this blog has already left open: permanent impact from net taker flow.
Hawkes Processes for Order Arrival and Market Event Modeling
Fitting a self-exciting point process to real crypto trade tape: where the three numbers (mu, alpha, beta) come from, how to estimate the branching ratio n, whether the exponential kernel survives a goodness-of-fit test, and how much n moves when you change the estimation window.
Hamiltonian Neural Networks: Does a Financial System Conserve Anything?
Hamiltonian Neural Networks are provably stable — but stability is worthless if the conserved quantity does not exist. Learning a scalar H via autograd, symplectic integration, and the falsification test that decides whether a financial (q, p) pair is canonical at all.
Toda-Yamamoto vs Differenced Granger: Does the BTC Lead-Lag Survive?
Granger causality on crypto prices done two ways — differenced returns and Toda-Yamamoto on levels — with a correct Wald implementation, an effective-N corrected causality matrix, and a rolling-stability test of whether the lag is tradeable at all.
กระบวนการเกาส์เซียนสำหรับการสร้างแบบจำลองราคาแบบไม่อิงพารามิเตอร์
การออกแบบเคอร์เนลสำหรับอนุกรมเวลาทางการเงิน — ความหยาบของมารดา องค์ประกอบตามคาบเฉพาะที่ ส่วนผสมสเปกตรัม — และความน่าจะเป็นส่วนเพิ่มในฐานะตัวทำให้สม่ำเสมอที่ไม่จำเป็นต้องตั้งค่าการตรวจสอบความถูกต้อง รวมถึงรายการสิ่งที่ต้องวัดอย่างตรงไปตรงมาก่อนที่จะซื้อขายได้
ตัวดำเนินการระบบประสาทฟูริเยร์สำหรับการสร้างแบบจำลองทางการเงินที่ใช้ PDE
การเรียนรู้ของผู้ปฏิบัติงานจะแมปพื้นที่ฟังก์ชันทั้งหมด ไม่ใช่ชี้ - วิธีที่ Fourier Neural Operator กำหนดพารามิเตอร์ตัวดำเนินการโซลูชัน PDE ในพื้นที่ความถี่ สิ่งที่ซื้อสำหรับการกำหนดราคาตัวเลือก และการอ้างสิทธิ์ใดที่ยังต้องมีการวัดบนฮาร์ดแวร์จริง
บริบทเต็มวันเอาชนะหนึ่งนาทีได้หรือไม่? ความสนใจแบบแฟลชและคำถามแบบเรียงลำดับความยาว
Flash Attention ทำให้บริบทการซื้อขาย 23,400 ขั้นตอนไม่มีค่าใช้จ่ายในการคำนวณ — การเรียงต่อกัน, ซอฟต์แม็กซ์ออนไลน์ และขอบเขต IO ที่ N^2 d^2 / M ไม่ว่าบริบทที่ยาวกว่านั้นจะทำให้โมเดลดีขึ้นหรือไม่นั้นเป็นคำถามแยกต่างหาก และจะต้องวัดผล ไม่ใช่ยืนยัน
วิธีการรวมกลุ่ม: ผสมผสานผู้เรียนที่อ่อนแอเพื่ออัลฟ่าที่แข็งแกร่ง
สามสิ่งที่เกี่ยวกับกลุ่มการค้าขายในบล็อกนี้ยังไม่ครอบคลุม: เหตุใดคำความแปรปรวนร่วม (ไม่ใช่การนับแบบจำลอง) จึงครอบงำข้อผิดพลาดทั้งมวล วิธีการทำงานของการซ้อนเป็นเลเยอร์การรวมสัญญาณที่มีคุณลักษณะเมตาที่ไม่อยู่ในขอบเขต และการหมุนเวียนสุทธิของสัญญาณจำนวนมากจะช่วยลดต้นทุนการดำเนินการได้จริงหรือไม่