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
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.
非参数价格建模的高斯过程
金融时间序列的核设计——母体粗糙度、局部周期成分、光谱混合——以及作为不需要验证集的正则化器的边际似然。加上在任何东西可以交易之前仍然需要衡量的诚实清单。
基于偏微分方程的金融建模的傅立叶神经算子
算子学习映射整个函数空间，而不是点——傅里叶神经算子如何在频率空间中参数化 PDE 解算子，为期权定价购买什么，以及它的哪些主张仍然需要在真实硬件上测量。
一整天的内容能胜过十分钟的内容吗？ Flash 注意力和序列长度问题
Flash Attention 使 23,400 步的交易上下文无需计算——平铺、在线 softmax 和 N^2 d^2 / M 的 IO 界限。更长的上下文是否使模型更好是一个单独的问题，它必须被测量，而不是断言。
集成方法：结合弱学习者以获得稳健的 Alpha
本博客未涵盖有关交易集成的三件事：为什么协方差项（而不是模型计数）在集成误差中占主导地位，堆栈如何作为具有折叠元特征的信号组合层工作，以及跨多个信号的周转净额是否真正降低了执行成本。
Double Machine Learning：估计因果参数而非预测收益
本博客至今所有模型回答'什么预测什么'。Double ML 回答'什么导致什么'——带有可辩护的标准误。部分线性模型、Neyman 正交性、order book 数据上的清理交叉拟合，以及为何有效 DML 置信区间仅对一个预先指定的问题成立的诚实说明。
交易中异质处理效应的因果森林
本博客每个回测估计条件平均值。因果森林估计条件处理效果 — tau(x) 而非 mu(x) — 具有诚实分裂、自适应核权重表示以及告诉您发现的异质性是否真实的校准测试。
认识与对立：衡量收益模型不知道的东西
本博客的每个 position sizing 规则都把不确定性坍缩成单一纯量。MC Dropout 和深度集成将其拆分为模型无知与市场噪声——这两者值得不同的 position size。
用于系统化交易流程的 AutoML
自动特征生成（tsfresh、Featuretools）、预算感知的模型搜索（FLAML 的节约成本优化器）以及 WorldQuant 公式化 alpha 工厂——这篇博客的搜索与过拟合系列尚未覆盖的研究流程部分，以及该系列自身结果对它们的启示。