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
Polars vs Pandas 演算法交易實戰基準測試
Polars 與 Pandas 在演算法交易任務上的詳細對比：過濾、聚合、滾動訊號計算、I/O 和記憶體消耗的基準測試。Polars + Numba 混合架構實現最大回測效能。
平臺分析：如何區分穩健最優與過擬合
為什麼找到最佳策略參數只是工作的一半。如何從視覺和定量兩方面區分穩定的平臺與脆弱的尖峰，以及為什麼Optuna等高線圖是將最佳化後的策略投入生產前的必要步驟。
座標下降法 vs 貝葉斯最佳化：哪種方法能找到更好的參數
為什麼窮舉搜尋對12個以上參數不可行，座標下降法如何遺漏參數互動作用，以及Optuna的TPE取樣器如何在500次迭代中找到OAT在96次中無法找到的結果。實用程式碼示例、取樣器對比與多目標最佳化。
多品種驗證：在所有交易對上檢驗你的策略
為什麼在ETHUSDT上最佳化的策略可能在山寨幣上失敗。如何正確按交易對分組（藍籌、大市值、垃圾幣）進行測試，以及什麼水平的cross-symbol robustness score才算足夠。
資金費率扼殺你的槓桿：為什麼 PnL×50x 是虛構的
Binance/Bybit 上的資金費率如何將高槓杆下漂亮的回測結果變成確定的虧損。公式、真實策略的重新計算，以及資金費率不吞噬利潤的最大槓桿倍數。
Cascade策略：優先執行與fallback填充
「回測無幻覺」系列終篇。如何構建N策略×M交易對的編排器，實現級聯模式的優先和fallback填充，選擇dual_size，以及為什麼不能通過簡單彙總PnL來回測策略組合。
回測與實盤一致性：為什麼你的機器人交易表現與回測不同
回測與實盤交易之間差異的完整分類：從滑點和部分成交到程式碼庫不同步。實現一致性的架構模式、共享核心模組的 Python 示例以及生產環境監控清單。
蒙特卡洛自助法：如何用10行程式碼獲取回測的置信區間
為什麼回測的單點估計是一種危險的幻覺。蒙特卡洛自助法如何在2秒內計算出PnL和MaxDD的95%置信區間，以及為什麼這是策略上線前的必要步驟。
跨交易所資金費率套利：如何從費率差異中獲利
加密交易所之間的資金費率套利如何運作，為什麼 Binance、Bybit、OKX 和 dYdX 上的費率不同，以及如何構建監控和執行系統來從這些差異中提取利潤。
QuestDB 演算法交易實戰：改變遊戲規則的 SQL 擴充
深入探討 QuestDB 的時序 SQL 擴充：SAMPLE BY、ASOF JOIN、HORIZON JOIN、WINDOW JOIN、LATEST ON 及真實交易查詢模式。
QuestDB 演算法交易實戰：從訂單簿到生產架構
物化檢視、2D 陣列訂單簿分析，以及基於 QuestDB 的演算法交易平臺參考架構。
QuestDB 演算法交易實戰：讀懂市場語言的架構設計
深入解析 QuestDB 三層儲存架構——WAL、列式儲存與物件儲存中的 Parquet——以及演算法交易系統的資料庫模式設計原則。