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
做市與吃單的抉擇：費率檔位、返佣與跨越價差的真實成本
做市/吃單之爭本質是一筆披著費率外衣的逆向選擇交易。本文通過Glosten-Milgrom模型推導盈虧平衡數學、剖析真實加密貨幣費率檔位與代幣折扣、回顧返佣挖礦的歷史、分析佇列位置對返佣價值的影響，並講解如何在回測中建模分級費率。
執行落差與自建TCA：衡量執行到底讓你付出了多少代價
Perold的執行落差理論,被落地成一套針對加密貨幣交易機器人的可執行TCA流水線:基於到達價的分解、t+1秒/10秒/60秒的markout曲線、約200行Python程式碼即可處理你自己的成交記錄,並將結果回灌到你的回測成本模型中。
鏈上清算：Aave 與 Compound 的機制，以及圍繞它們的機器人生意
Aave v3 和 Compound 的清算究竟是如何運作的：健康因子的數學原理、清算折扣係數、清算獎勵、Chainlink 預言機觸發條件，以及在 2026 年營運一個閃電貸清算機器人需要什麼。
面向量化的 Uniswap v3：從第一性原理理解集中流動性與 tick 數學
Uniswap v3 在底層究竟是如何運作的：虛擬儲備、流動性 L、sqrtPriceX96、tick 數學、feeGrowthInside，以及為什麼一個 LP 頭寸本質上是一份賣出波動率的損益結構。附帶精確公式與完整的數值算例。
MEV 剖析：三明治攻擊、搶先交易與記憶體池的黑暗森林
你傳送到公共 RPC 的每一筆 swap，都是一個沒人有義務遵守的可見限價單。本文技術性拆解 MEV 提取的運作機制：記憶體池排序、Uniswap v2 三明治攻擊數學、PGA、Flashbots，以及交易者的防禦手段。
成交模擬：從收盤價幻想到佇列感知現實的階梯
成交模擬保真度的五級階梯——從收盤價成交到機率化佇列位置模型。將部分成交建模為狀態機，把限價單成交機率的上下界作為 PnL 區間，並給出對照實盤成交的校準閉環。
TWAP、VWAP與POV對比：如何選擇執行基準（以及何時它們會對你撒謊）
TWAP、VWAP和POV本質上都是對成交量預測的一次押注。我們剖析每種調度演算法背後隱藏的假設，構建加密貨幣日內成交量曲線，並在回放的L2數據上對三者進行正面對比測試。
去掉玄乎其辭的 Almgren-Chriss：一個下午就能實現的最優執行模型
Almgren-Chriss 最優執行模型的完整推導：線性衝擊、sinh/cosh 交易軌跡、有效前沿，以及從 Binance L2 和成交資料校準 eta、gamma、sigma 的可執行 Python 程式碼。
誠實的負面結果：數萬次回測、五大主流幣，沒有穩健優勢
搜尋與過擬合這條主線的收官之作，以一個負面結果收尾——而這正是正確的結果。ETHUSDT 上的單品種雙時間框架搜尋找到了一個樣本外 +16.35%、未觸碰留出視窗 +2.62% 的配置；Deflated Sharpe Ratio 在計入約 37,000 次試驗後把它折損到 0.00。對五個主流幣（ETH/BTC/SOL/BNB/XRP，每個約 1.18M 根 1 分鐘 K 線）按樣本外中位數選擇的跨品種檢驗則徹底終結了它：雙時間框架 DSR 0.24 / PBO 0.264，三時間框架 DSR 0.14 / PBO 0.327——兩者都沒過閘門。冠軍只在 5 個品種中的 1 個上盈利，其餘全部為負。這正是反過擬合裝置存在的意義：阻止你把噪聲中的最優當成 alpha 拿去上線。
證明多時間框架回測中沒有look-ahead：擾動未來，證明過去看不到它
多時間框架回測會通過一根仍在形成中、尚不存在最終收盤價的高時間框架K線洩露未來資訊。僅靠程式碼審查無法建立信心——必須實際測試。我們精確復現了實盤機器人的closed-bar規則，然後用一個“未來偏移探針”證明沒有資訊洩露：擾動每一根未來K線，並斷言每一個過去的訊號和交易都逐位不變。25/25項一致性檢查全部通過，而且這個探針確實有效（並非一個永遠不會失敗的空測試）。
GPU 何時才划算：參數掃描的屋頂線，一個 167x 頭條其實是 27x 演算法 × 6.2x 硬體
GPU 相對 CPU 的領先幅度隨批次大小增長——在我們的多時間框架指標預計算上，從每次呼叫一個組合時的 54.5x 一路升到 61 個組合時的 359.6x——因為一次小規模掃描無法攤薄核心啟動和傳輸開銷。我們把一個 167x 的頭條數字拆解為一個同樣惠及 CPU 的 27x 演算法收益，乘以一個 6.2x 的硬體收益，指出 GPU 相對最佳 CPU 的真實領先在單時間框架下只有 3.2x、在多時間框架下只有 6.2x，並給出一份決策指南：一次掃描要寬到什麼程度，才值得為 GPU 掏錢。
GPU 精度陷阱：Apple Metal 上的 fp32 回測如何悄無聲息地返回垃圾結果
Apple 的 Metal GPU 沒有 float64。把一個向量化回測天真地移植過去，那個誘人的字首和 WMA 就會在 fp32 下溢位——最大相對誤差 211 倍——但它依然能跑完全程，還返回看起來說得過去的數字。修復的辦法不是提高精度，而是換一種公式：直接的視窗卷積，fp32 下精度可達 8×10⁻⁷，比單執行緒 numba 快 55.9 倍。這篇文章講清楚陷阱本身、背後的算術，以及如何證明自己沒有掉進去。