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
墙内排队：订单簿密集区的挂单位置分析
理解自己在价格层级中的排队位置，如何将高频交易从猜测变为精确的工程问题
LLM Alpha挖掘：如何从财报电话会议和金融文档中提取交易信号
如何使用大语言模型从投资者电话会议、财报和新闻中提取交易信号。Chain-of-thought提示、结构化提取、信号回测。
加密货币市场的统计套利与配对交易：从协整到卡尔曼滤波
加密货币市场统计套利完全指南。协整分析、卡尔曼滤波、基差策略、跨交易所套利。包含回测与Python代码。
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。