Senior ML Quantitative Researcher
Posted 6
views
Summary
Senior quant researcher who runs their own ML research agenda for trading: finding market inefficiencies, engineering predictive features from order book/trades/funding data, validating signals rigorously, and taking models to production where they are accountable for PnL impact. Core stack is Python, deep learning, gradient boosting, and strong statistics.
Мы ищем опытного специалиста с сильным ML-бэкграундом и подтверждённым опытом в трейдинге в роли квант-ресечера или ML-специалиста. Вы будете работать на стыке Quant Research и Feature Engineering, самостоятельно вести исследования от гипотезы до продакшена и отвечать за вклад своих сигналов в PnL.
Что делать
- Формировать и вести собственную исследовательскую повестку: находить рыночные неэффективности, формулировать гипотезы и строго проверять их на данных.
- Проектировать модели с учётом того, как их предсказания будут использоваться в торговле: горизонт, издержки, проскальзывание, ёмкость стратегии, влияние на позицию и риск.
- Разрабатывать признаки с устойчивой предсказательной силой: от классических статистических преобразований до learned representations. Работать с рыночными данными (order book, трейды, фандинг и др.) и альтернативными данными.
- Выстраивать корректный процесс валидации: walk-forward, контроль утечек и переобучения, оценка устойчивости сигнала во времени и при смене режимов рынка.
- Доводить исследования до продакшена вместе с разработчиками и строить надёжные data-пайплайны.
- Задавать стандарты исследований в команде, ревьюить работу коллег и менторить младших исследователей.
Требования
- Обязательно: от 3 лет опыта в трейдинге (хедж-фонд, prop-trading, маркет-мейкер, HFT/MFT) в роли Quant Researcher или ML.
- Опыт разработки сигналов или моделей, которые использовались в реальной торговле, и понимание их результатов в продакшене.
- Глубокое понимание ML: почему градиентный бустинг часто превосходит трансформеры на табличных данных, когда байесовский подход эффективнее частотного, как возникают утечки данных во временных рядах и как их избегать.
- Практический опыт с deep learning и градиентным бустингом, хорошее понимание устройства нейронных сетей.
- Сильная математическая база: статистика, теория вероятностей, стохастические процессы.
- Понимание микроструктуры рынка, принципов бэктестинга и оценки торговых стратегий.
- Сильный Python. Опыт работы с потоковой обработкой данных будет плюсом.
- Английский язык на уровне B2 и выше.
Будет плюсом
- ШАД или другая сильная техническая, финансовая или quant-программа.
- Опыт работы с криптовалютными рынками.
- Опыт участия в олимпиадах по математике, физике или информатике.
- Подтверждённые результаты на Kaggle или других ML-соревнованиях.