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
做市与吃单的抉择：费率档位、返佣与跨越价差的真实成本
做市/吃单之争本质是一笔披着费率外衣的逆向选择交易。本文通过Glosten-Milgrom模型推导盈亏平衡数学、剖析真实加密货币费率档位与代币折扣、回顾返佣挖矿的历史、分析队列位置对返佣价值的影响，并讲解如何在回测中建模分级费率。
执行落差与自建TCA：衡量执行到底让你付出了多少代价
Perold的执行落差理论,被落地成一套针对加密货币交易机器人的可运行TCA流水线:基于到达价的分解、t+1秒/10秒/60秒的markout曲线、约200行Python代码即可处理你自己的成交记录,并将结果回灌到你的回测成本模型中。
链上清算：Aave 与 Compound 的机制，以及围绕它们的机器人生意
Aave v3 和 Compound 的清算究竟是如何运作的：健康因子的数学原理、清算折扣系数、清算奖励、Chainlink 预言机触发条件，以及在 2026 年运营一个闪电贷清算机器人需要什么。
面向量化的 Uniswap v3：从第一性原理理解集中流动性与 tick 数学
Uniswap v3 在底层究竟是如何运作的：虚拟储备、流动性 L、sqrtPriceX96、tick 数学、feeGrowthInside，以及为什么一个 LP 头寸本质上是一份卖出波动率的损益结构。附带精确公式与完整的数值算例。
MEV 剖析：三明治攻击、抢先交易与内存池的黑暗森林
你发送到公共 RPC 的每一笔 swap，都是一个没人有义务遵守的可见限价单。本文技术性拆解 MEV 提取的运作机制：内存池排序、Uniswap v2 三明治攻击数学、PGA、Flashbots，以及交易者的防御手段。
成交模拟：从收盘价幻想到队列感知现实的阶梯
成交模拟保真度的五级阶梯——从收盘价成交到概率化队列位置模型。将部分成交建模为状态机，把限价单成交概率的上下界作为 PnL 区间，并给出对照实盘成交的校准闭环。
TWAP、VWAP与POV对比：如何选择执行基准（以及何时它们会对你撒谎）
TWAP、VWAP和POV本质上都是对成交量预测的一次押注。我们剖析每种调度算法背后隐藏的假设，构建加密货币日内成交量曲线，并在回放的L2数据上对三者进行正面对比测试。
去掉玄乎其辞的 Almgren-Chriss：一个下午就能实现的最优执行模型
Almgren-Chriss 最优执行模型的完整推导：线性冲击、sinh/cosh 交易轨迹、有效前沿，以及从 Binance L2 和成交数据校准 eta、gamma、sigma 的可运行 Python 代码。
诚实的负面结果：数万次回测、五大主流币，没有稳健优势
搜索与过拟合这条主线的收官之作，以一个负面结果收尾——而这正是正确的结果。ETHUSDT 上的单品种双时间框架搜索找到了一个样本外 +16.35%、未触碰留出窗口 +2.62% 的配置；Deflated Sharpe Ratio 在计入约 37,000 次试验后把它折损到 0.00。对五个主流币（ETH/BTC/SOL/BNB/XRP，每个约 1.18M 根 1 分钟 K 线）按样本外中位数选择的跨品种检验则彻底终结了它：双时间框架 DSR 0.24 / PBO 0.264，三时间框架 DSR 0.14 / PBO 0.327——两者都没过闸门。冠军只在 5 个品种中的 1 个上盈利，其余全部为负。这正是反过拟合装置存在的意义：阻止你把噪声中的最优当成 alpha 拿去上线。
证明多时间框架回测中没有look-ahead：扰动未来，证明过去看不到它
多时间框架回测会通过一根仍在形成中、尚不存在最终收盘价的高时间框架K线泄露未来信息。仅靠代码审查无法建立信心——必须实际测试。我们精确复现了实盘机器人的closed-bar规则，然后用一个“未来偏移探针”证明没有信息泄露：扰动每一根未来K线，并断言每一个过去的信号和交易都逐位不变。25/25项一致性检查全部通过，而且这个探针确实有效（并非一个永远不会失败的空测试）。
GPU 何时才划算：参数扫描的屋顶线，一个 167x 头条其实是 27x 算法 × 6.2x 硬件
GPU 相对 CPU 的领先幅度随批量大小增长——在我们的多时间框架指标预计算上，从每次调用一个组合时的 54.5x 一路升到 61 个组合时的 359.6x——因为一次小规模扫描无法摊薄内核启动和传输开销。我们把一个 167x 的头条数字拆解为一个同样惠及 CPU 的 27x 算法收益，乘以一个 6.2x 的硬件收益，指出 GPU 相对最佳 CPU 的真实领先在单时间框架下只有 3.2x、在多时间框架下只有 6.2x，并给出一份决策指南：一次扫描要宽到什么程度，才值得为 GPU 掏钱。
GPU 精度陷阱：Apple Metal 上的 fp32 回测如何悄无声息地返回垃圾结果
Apple 的 Metal GPU 没有 float64。把一个向量化回测天真地移植过去，那个诱人的前缀和 WMA 就会在 fp32 下溢出——最大相对误差 211 倍——但它依然能跑完全程，还返回看起来说得过去的数字。修复的办法不是提高精度，而是换一种公式：直接的窗口卷积，fp32 下精度可达 8×10⁻⁷，比单线程 numba 快 55.9 倍。这篇文章讲清楚陷阱本身、背后的算术，以及如何证明自己没有掉进去。