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
保真度关卡：由粗到细的回测会更快地愚弄你——除非廉价代理的排序方式与昂贵评估一致
下钻式/多保真度搜索（ASHA、逐次减半、Hyperband）以低成本方式筛选成千上万个配置，只将存活者提升到昂贵的完整评估阶段。这是一种真实的加速——但如果低保真度的排序与高保真度的排序不一致，它就会悄无声息地崩溃。我们测量了折数-排序相关性：在只用一折时，Spearman ρ 可能低至 0.03（排序几乎是随机的），随着折数累积，逐步升高到 0.43、0.67、0.78、0.91。修复方法是设置一道强制性关卡——先测量 ρ(廉价, 完整)，并自动将最低保真度提升到 ρ ≥ 0.5 的第一个档位。
随机搜索 vs 智能搜索：交叉点在评估成本，而非算法本身
当单次回测很便宜时，简单的打乱 Sobol 序列在原始吞吐量上碾压所有"智能"采样器——TPE、CMA-ES、ASHA 要缴纳 Python ask/tell 税，导致速度下降 20 倍，在相同墙钟时间内评估的点数远远更少，因而落败。让每次评估变得昂贵（多时间框架 + walk-forward 折）之后，交叉点就翻转了。我们测量了这两种情形，以及为什么折叠排名保真度（ρ@1 从 0.03 升至 0.43）是剪枝能否奏效的前提条件。
双轴参数空间：为什么你的大部分参数扫描几乎是免费的
并非所有参数的搜索成本都相同。一个策略的参数会分裂为一条昂贵轴（指标——需要在整个序列上重新计算）和一条廉价轴（决策阈值——对预计算信号做一次 O(n) 遍历）。由于指标对阈值不变，你只需计算一次，就能以约 5,600 cfg/s 的速度扫描数千种阈值配置——比每种配置都重新计算大约便宜 1,600 倍。这是对维度灾难的一次重新定价。
框架税：当你的回测库比手写的 pandas 循环还慢
我们在同一个参数扫描任务上对八个回测引擎进行了基准测试——15万根K线、80个HMA交叉组合、交易笔数严格锁定在2707笔。两个最受欢迎的事件驱动框架的速度居然比手写的 pandas 循环还慢，而一个向量化/编译型引擎完成同样的工作快了约13000倍。这是一篇关于主流库从未被设计用来摊销的逐K线开销的研究。
回测过拟合概率（PBO）：你的搜索跑赢抛硬币了吗？
Deflated Sharpe Ratio 给获胜策略定价；PBO 给挑出它的那次搜索定价。组合对称交叉验证（Combinatorially Symmetric Cross-Validation）在一个 1000x200 的表现矩阵上跑 C(16,8) = 12,870 次训练/测试切分，问的是：样本内赢家会不会落入样本外的后一半？几乎每个人都会看错的地方——PBO 的零假设值是 0.5，不是 1。在 200 个零优势策略上，最佳样本内年化夏普比率 1.98 在样本外坍缩到 0.06，PBO = 0.476：如同抛硬币，彻底过拟合。植入一个真实优势（年化夏普比率 2.38），PBO 降到 0.001，样本内的 3.73 在样本外仍保住 2.34。在纯随机游走上跑移动平均线网格，同样没有任何样本外的技巧——60 个矩阵平均 PBO 0.463，在统计上和零假设无法区分——而在其中一个具有代表性的矩阵上，这场海市蜃楼十分鲜明：最佳样本内夏普比率 2.33 坍缩到样本外中位数 -0.22，PBO 0.573，63% 的概率会亏钱。
IPC 税：把回测引擎放到 socket 背后会损失 13%——而这几乎与 socket 无关
我们把一个 numba 回测内核逐行移植到 Rust，并以四种方式跨进程边界调用它，用等价性校验确认到最后一笔交易都完全一致的 PnL。把整条 1.2 MB 的价格序列通过 Unix socket 传输一次，成本约 2 毫秒——约占整个任务耗时的 0.1%。对同一份数据做 JSON 编码，成本是原始字节的 1348 倍；健谈式的逐组合调用把数据重复传输了 80 次；逐 bar 调用模式会在一个 2.0 秒的任务上白白付出 2.1 秒的纯 IPC 开销。边界本身很便宜，税出在你如何跨越它。
Deflated Sharpe Ratio：你回测里的'赢家'，有多少能扛过多重检验？
参数搜索是一台制造运气的机器。在纯噪声上——1,000 个真实优势为零的策略——最佳年化夏普比率平均达到 1.63，朴素显著性检验 100% 的时候都会宣布发现。我们构建受控的真实基准，证明 Deflated Sharpe Ratio、Harvey-Liu 折价法与 White's Reality Check 能够恢复诚实：假发现率从 1.000 降到 0.001-0.057，噪声上限之上的真实优势仍以接近 1 的功效被保留——还有一个真实的陷阱（相关网格），在那里原始 DSR 会过度折损，其结论必须放在一整条有效试验数估计的区间上通读，而不是只看一个数字。
目标函数设计：你优化的那个指标，正悄悄替你选好了策略
要搜索'最好'的策略，你必须先定义什么是'最好'——而那个标量，会悄悄替你选出赢家。在带有已知优势的合成数据上（600 个种子，T=2000，80 个候选阈值），朴素的逐笔（per-trade）夏普比率会加冕一张彩票：它在 56% 的种子上选出曝光率低于 5% 的赢家，在 57% 的种子上发生退化——在最极端的那个种子上，8 笔交易的样本内夏普比率高达 21.09，样本外却崩塌到 0.13。诚实的修复几乎平淡无奇：在整条时间线上测量，它从不退化（样本外 1.71）。交易笔数（conf_k）收缩与曝光率下限可以给逐笔指标打补丁，但即便完全修复，它们也只能追平整条时间线夏普比率（1.70 对 1.71）——永远无法超过它。古德哈特定律，在回测里，配上受控的真实基准。
前视偏差：一根 K 线的错误如何从纯噪声中凭空制造出 15 的夏普比率
一项对细微前视泄漏如何悄然抬高回测表现的受控研究。在完全没有真实优势的情况下，同 K 线成交从纯噪声中制造出 +14.8 的年化夏普比率；提前一根 K 线窥视指标则制造出 +4.8。本文给出完整分类、实测量级，以及在它耗费你真金白银之前如何检测每一种泄漏。
回测引擎速度阶梯：笔记本 CPU 上 298 倍提速，PnL 精确到最后一笔交易
对同一个 80 组合参数扫描的五种实现，全部验证产出完全相同的 PnL：pandas 的 rolling.apply 耗时 69.9 秒，numpy 3.1 秒，numba 2.0 秒，并行 numba 0.23 秒——在一台 Apple M2 Max 上、硬件零改动，实测提速 298 倍，即便相对一个称职的向量化基准也仍快约 13 倍。每一级阶梯到底带来了什么、为什么 GPU 不是那块缺失的拼图，以及海量参数搜索中真正的瓶颈藏在哪里。
researcher：面向人类与 AI 智能体的可搜索量化研究档案库
我们如何构建 researcher.marketmaker.cc —— 一个统一的、支持全文搜索的量化研究档案库（arXiv 论文、GitHub 仓库、量化博客、TradingView Pine 脚本），人类可以浏览，AI 智能体可以通过 MCP 查询。
algo-investor-skills：用 Claude Code 技能打造经得起骗局质疑的投资人方案
深入解读 algo-investor-skills —— 一套 Claude Code 技能，能把一个算法交易策略从原始的实测事实，一路打造成经过审计、以诚实为先的投资人方案。六个可组合的技能、一个金融模型引擎、一套独立验证的证明包，以及一道绝不编造任何数字的强制性怀疑型投资人审计关卡。