Обязанности:
- Разработка и внедрение моделей машинного обучения для прогнозирования финансовых временных рядов (цены акций, валютные курсы, процентные ставки)
- Исследование и тестирование торговых стратегий (backtesting, forward testing, paper trading)
- Анализ больших объёмов финансовых данных (тики, ордербуки, новостные потоки, альтернативные данные)
- Разработка моделей управления рисками (VaR, Expected Shortfall, stress testing)
- Оптимизация портфелей и аллокация активов
- Взаимодействие с трейдерами, разработчиками и риск-менеджерами для внедрения моделей в продакшен
- Публикация исследовательских заметок и документирование результатов
Требования:
- Образование: высшее (математика, физика, Computer Science, финансовая математика, статистика). PhD или Master — преимущество
- Опыт: работы в области количественных исследований / алгоритмической торговли от 2 лет
- Знание Python (продвинутый), библиотек: Pandas, NumPy, SciPy, Scikit-learn, PyTorch / TensorFlow (для DL), statsmodels
- Глубокое понимание статистики, теории вероятностей, эконометрики, временных рядов (ARIMA, GARCH, cointegration)
- Знание методов ML: регрессия, классификация, кластеризация, градиентный бустинг (XGBoost, LightGBM), нейросети (LSTM, Transformers для временных рядов)
- Опыт работы с финансовыми данными и бэктестингом
- Английский: уровень не ниже Upper-Intermediate (чтение научных статей, документация, международные команды)
- Личные качества: аналитический склад ума, любознательность, способность работать с неопределённостью
Часто задаваемые вопросы:
Чем Quantitative Researcher отличается от Data Scientist?
Ответ: Data Scientist работает с разными типами данных и задачами (маркетинг, рекомендации, прогнозирование). Quantitative Researcher фокусируется на финансовых данных, временных рядах, управлении рисками и разработке торговых стратегий. Это более узкая и специфическая роль в финансах.
Какие модели сейчас наиболее востребованы в количественных исследованиях?
Ответ: Градиентный бустинг (XGBoost, LightGBM) для табличных данных, LSTM и Transformer для временных рядов, а также классические методы (ARIMA, GARCH, регрессия). В последнее время активно применяются модели глубокого обучения для обработки альтернативных данных (новости, спутниковые снимки).
Какой стек нужен Quantitative Researcher?
Ответ: Python (Pandas, NumPy, SciPy, Scikit-learn, PyTorch), SQL (базы данных), Jupyter Notebook, Git, Linux (базово). Также полезно знание R или MATLAB для быстрого прототипирования.
Какие задачи решает Quantitative Researcher?
Ответ: Прогнозирование цен, выявление рыночных аномалий, построение торговых стратегий, управление рисками, оптимизация портфелей, анализ альтернативных данных (новости, соцсети, спутниковые снимки).
