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
保真度關卡：由粗到細的回測會更快地愚弄你——除非廉價代理的排序方式與昂貴評估一致
下鑽式/多保真度搜索（ASHA、逐次減半、Hyperband）以低成本方式篩選成千上萬個配置，只將存活者提升到昂貴的完整評估階段。這是一種真實的加速——但如果低保真度的排序與高保真度的排序不一致，它就會悄無聲息地崩潰。我們測量了折數-排序相關性：在只用一折時，Spearman ρ 可能低至 0.03（排序幾乎是隨機的），隨著折數累積，逐步升高到 0.43、0.67、0.78、0.91。修復方法是設定一道強制性關卡——先測量 ρ(廉價, 完整)，並自動將最低保真度提升到 ρ ≥ 0.5 的第一個檔位。
隨機搜尋 vs 智慧搜尋：交叉點在評估成本，而非演算法本身
當單次回測很便宜時，簡單的打亂 Sobol 序列在原始吞吐量上碾壓所有"智慧"取樣器——TPE、CMA-ES、ASHA 要繳納 Python ask/tell 稅，導致速度下降 20 倍，在相同牆鍾時間內評估的點數遠遠更少，因而落敗。讓每次評估變得昂貴（多時間框架 + walk-forward 折）之後，交叉點就翻轉了。我們測量了這兩種情形，以及為什麼摺疊排名保真度（ρ@1 從 0.03 升至 0.43）是剪枝能否奏效的前提條件。
雙軸參數空間：為什麼你的大部分參數掃描幾乎是免費的
並非所有參數的搜尋成本都相同。一個策略的參數會分裂為一條昂貴軸（指標——需要在整個序列上重新計算）和一條廉價軸（決策閾值——對預計算訊號做一次 O(n) 遍歷）。由於指標對閾值不變，你只需計算一次，就能以約 5,600 cfg/s 的速度掃描數千種閾值配置——比每種配置都重新計算大約便宜 1,600 倍。這是對維度災難的一次重新定價。
框架稅：當你的回測庫比手寫的 pandas 迴圈還慢
我們在同一個參數掃描任務上對八個回測引擎進行了基準測試——15萬根K線、80個HMA交叉組合、交易筆數嚴格鎖定在2707筆。兩個最受歡迎的事件驅動框架的速度居然比手寫的 pandas 迴圈還慢，而一個向量化/編譯型引擎完成同樣的工作快了約13000倍。這是一篇關於主流庫從未被設計用來攤銷的逐K線開銷的研究。
回測過擬合機率（PBO）：你的搜尋跑贏拋硬幣了嗎？
Deflated Sharpe Ratio 給獲勝策略定價；PBO 給挑出它的那次搜尋定價。組合對稱交叉驗證（Combinatorially Symmetric Cross-Validation）在一個 1000x200 的表現矩陣上跑 C(16,8) = 12,870 次訓練/測試切分，問的是：樣本內贏家會不會落入樣本外的後一半？幾乎每個人都會看錯的地方——PBO 的零假設值是 0.5，不是 1。在 200 個零優勢策略上，最佳樣本內年化夏普比率 1.98 在樣本外坍縮到 0.06，PBO = 0.476：如同拋硬幣，徹底過擬合。植入一個真實優勢（年化夏普比率 2.38），PBO 降到 0.001，樣本內的 3.73 在樣本外仍保住 2.34。在純隨機遊走上跑移動平均線網格，同樣沒有任何樣本外的技巧——60 個矩陣平均 PBO 0.463，在統計上和零假設無法區分——而在其中一個具有代表性的矩陣上，這場海市蜃樓十分鮮明：最佳樣本內夏普比率 2.33 坍縮到樣本外中位數 -0.22，PBO 0.573，63% 的機率會虧錢。
IPC 稅：把回測引擎放到 socket 背後會損失 13%——而這幾乎與 socket 無關
我們把一個 numba 回測核心逐行移植到 Rust，並以四種方式跨程序邊界呼叫它，用等價性校驗確認到最後一筆交易都完全一致的 PnL。把整條 1.2 MB 的價格序列通過 Unix socket 傳輸一次，成本約 2 毫秒——約佔整個任務耗時的 0.1%。對同一份資料做 JSON 編碼，成本是原始位元組的 1348 倍；健談式的逐組合呼叫把資料重複傳輸了 80 次；逐 bar 呼叫模式會在一個 2.0 秒的任務上白白付出 2.1 秒的純 IPC 開銷。邊界本身很便宜，稅出在你如何跨越它。
Deflated Sharpe Ratio：你回測裡的'贏家'，有多少能扛過多重檢驗？
參數搜尋是一臺製造運氣的機器。在純噪聲上——1,000 個真實優勢為零的策略——最佳年化夏普比率平均達到 1.63，樸素顯著性檢驗 100% 的時候都會宣佈發現。我們構建受控的真實基準，證明 Deflated Sharpe Ratio、Harvey-Liu 折價法與 White's Reality Check 能夠恢復誠實：假髮現率從 1.000 降到 0.001-0.057，噪聲上限之上的真實優勢仍以接近 1 的功效被保留——還有一個真實的陷阱（相關網格），在那裡原始 DSR 會過度折損，其結論必須放在一整條有效試驗數估計的區間上通讀，而不是隻看一個數字。
目標函數設計：你最佳化的那個指標，正悄悄替你選好了策略
要搜尋'最好'的策略，你必須先定義什麼是'最好'——而那個標量，會悄悄替你選出贏家。在帶有已知優勢的合成數據上（600 個種子，T=2000，80 個候選閾值），樸素的逐筆（per-trade）夏普比率會加冕一張彩票：它在 56% 的種子上選出曝光率低於 5% 的贏家，在 57% 的種子上發生退化——在最極端的那個種子上，8 筆交易的樣本內夏普比率高達 21.09，樣本外卻崩塌到 0.13。誠實的修復幾乎平淡無奇：在整條時間線上測量，它從不退化（樣本外 1.71）。交易筆數（conf_k）收縮與曝光率下限可以給逐筆指標打補丁，但即便完全修復，它們也只能追平整條時間線夏普比率（1.70 對 1.71）——永遠無法超過它。古德哈特定律，在回測裡，配上受控的真實基準。
前視偏差：一根 K 線的錯誤如何從純噪聲中憑空製造出 15 的夏普比率
一項對細微前視洩漏如何悄然抬高回測表現的受控研究。在完全沒有真實優勢的情況下，同 K 線成交從純噪聲中製造出 +14.8 的年化夏普比率；提前一根 K 線窺視指標則製造出 +4.8。本文給出完整分類、實測量級，以及在它耗費你真金白銀之前如何檢測每一種洩漏。
回測引擎速度階梯：筆記本 CPU 上 298 倍提速，PnL 精確到最後一筆交易
對同一個 80 組合參數掃描的五種實現，全部驗證產出完全相同的 PnL：pandas 的 rolling.apply 耗時 69.9 秒，numpy 3.1 秒，numba 2.0 秒，並行 numba 0.23 秒——在一臺 Apple M2 Max 上、硬體零改動，實測提速 298 倍，即便相對一個稱職的向量化基準也仍快約 13 倍。每一級階梯到底帶來了什麼、為什麼 GPU 不是那塊缺失的拼圖，以及海量參數搜尋中真正的瓶頸藏在哪裡。
researcher：面向人類與 AI 智慧體的可搜尋量化研究檔案庫
我們如何構建 researcher.marketmaker.cc —— 一個統一的、支援全文搜尋的量化研究檔案庫（arXiv 論文、GitHub 倉庫、量化部落格、TradingView Pine 指令碼），人類可以瀏覽，AI 智慧體可以通過 MCP 查詢。
algo-investor-skills：用 Claude Code 技能打造經得起騙局質疑的投資人方案
深入解讀 algo-investor-skills —— 一套 Claude Code 技能，能把一個演算法交易策略從原始的實測事實，一路打造成經過審計、以誠實為先的投資人方案。六個可組合的技能、一個金融模型引擎、一套獨立驗證的證明包，以及一道絕不編造任何數字的強制性懷疑型投資人審計關卡。