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.
Makaleler
+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.
Tick Modellerinde Düzensiz Zaman: Sürekli Zaman Kodlamaları ve Düz Konumsal Yerleştirmeler
Onay verileriyle beslenen dizi modelleri hala düzenli aralık olduğunu varsayar. Bir Transformer'a bir işaretin gerçekte ne zaman gerçekleştiğini söylemenin üç yolu - öğrenilebilir zaman ölçeği sürekli kodlama, ODE-RNN gizli durumu ve düz bir özellik olarak delta_t - ve bunlar arasında karar veren ablasyon.
Ticaret Stratejilerini Değerlendirmeye Yönelik Sentetik Kontrol Yöntemleri
Bu seri, seçim rotasını yanlış bir noktaya kadar fiyatlandırdı; DSR kazananı fiyatlandırıyor, PBO ise aramayı fiyatlandırıyor. Her ikisi de kafa karıştırıcı değil: Oynaklığın uyguladığınız hafta iki katına çıkması nedeniyle para kazandıran strateji. Sentetik Kontrol Yöntemi, dokunulmamış enstrümanlardan oluşan bir donör havuzundan ağırlıklı bir karşı olgusal oluşturur ve size bir sahtecilik kriteri ve bir plasebo p değeri verir.
Olasılık Tahminlerinin Puanlanması: CRPS, PIT Kalibrasyonu ve DeepAR
Tahmine dayalı bir dağılım dürüst bir şekilde nasıl değerlendirilir - uygun bir puanlama kuralı olarak CRPS, kalibrasyon teşhisi olarak PIT histogramı ve GluonTS'de DeepAR örneklemesi.
Seçenek Fiyatlandırması için Fizik Bilgili Sinir Ağları
Heston, serbest sınır ve sıçrayan yayılma fiyatlandırmalı PDE'leri bir sinir ağı kaybına sokmak - log fiyatı kalıntısı, karışık kısmi otograd hilesi ve hala ölçülmesi gerekenler.
PCMCI: Çok Değişkenli Kripto Zaman Serilerinde Nedensel Keşif
PCMCI'nin iki aşamalı MCI testi, korelasyon ve iki değişkenli Granger'ın sağlayamadığı kripto varlıkları arasındaki yönlendirilmiş nedensel bağlantıları nasıl kurtarıyor - inşaat, tigramit boru hattı ve hala ihtiyaç duyduğu gerçek veri çalışması.
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.