Eugen Soloviov
Trading-systems engineer
自2017年以来构建交易系统工程师：跨交易所套利（连接多达30个场所），基于协整的现货和期货对套利，剥头皮，新闻和情绪驱动策略，趋势算法，以及投资组合管理和平衡算法。还构建亚毫秒级订单执行，大数据仓库，回测引擎，AI代理和交易界面（包括开源profitmaker.cc）。技术栈：JS/TS，Python，Rust/Zig/Go，DevOps，后端，前端，架构。
Articles
交易者的数字指纹：如何通过订单簿行为识别做市商
每个算法都会留下独特的指纹。学会解读它——你就能知道交易对手方是谁。
按活跃时间计算PnL：改变策略排名的指标
为什么年度原始PnL不适合比较不同交易时间的策略。如何计算有效收益率，为什么需要fill_efficiency，以及为什么27% PnL的策略可能优于300%的策略。
自适应下钻：从分钟到原始交易的可变粒度回测
自适应数据粒度如何加速回测并节省存储空间：仅在价格显著波动或成交量异常的位置从1分钟下钻到1秒、100毫秒和原始交易，而非对整个历史序列进行处理。
聚合 Parquet 缓存：如何将多时间框架回测加速数百倍
如何从分钟级K线预计算时间框架和指标，保存为 parquet 文件，并在大规模策略测试中使用，避免重复计算。
Walk-Forward 优化：唯一诚实的策略测试方法
为什么单次训练/测试分割无法防止过拟合，walk-forward 优化如何系统性地验证参数稳健性，以及为什么一个具有 21 个参数、PnL@ML 达 +3342% 的策略在没有 WFO 的情况下是一颗定时炸弹。
信号相关性：需要监控多少个交易对
为什么10个加密货币交易对无法提供10倍分散化，如何通过correlation_factor计算effective_N，以及实际需要监控多少个交易对才能达到80-90%的编排器插槽利用率。
Polars vs Pandas 算法交易实战基准测试
Polars 与 Pandas 在算法交易任务上的详细对比：过滤、聚合、滚动信号计算、I/O 和内存消耗的基准测试。Polars + Numba 混合架构实现最大回测性能。
平台分析：如何区分稳健最优与过拟合
为什么找到最佳策略参数只是工作的一半。如何从视觉和定量两方面区分稳定的平台与脆弱的尖峰，以及为什么Optuna等高线图是将优化后的策略投入生产前的必要步骤。
坐标下降法 vs 贝叶斯优化：哪种方法能找到更好的参数
为什么穷举搜索对12个以上参数不可行，坐标下降法如何遗漏参数交互作用，以及Optuna的TPE采样器如何在500次迭代中找到OAT在96次中无法找到的结果。实用代码示例、采样器对比与多目标优化。
多品种验证：在所有交易对上检验你的策略
为什么在ETHUSDT上优化的策略可能在山寨币上失败。如何正确按交易对分组（蓝筹、大市值、垃圾币）进行测试，以及什么水平的cross-symbol robustness score才算足够。
资金费率扼杀你的杠杆：为什么 PnL×50x 是虚构的
Binance/Bybit 上的资金费率如何将高杠杆下漂亮的回测结果变成确定的亏损。公式、真实策略的重新计算，以及资金费率不吞噬利润的最大杠杆倍数。
Cascade策略：优先执行与fallback填充
「回测无幻觉」系列终篇。如何构建N策略×M交易对的编排器，实现级联模式的优先和fallback填充，选择dual_size，以及为什么不能通过简单汇总PnL来回测策略组合。