Исследователь в области количественных финансов / машинного обучения

Старший исследователь в области количественных финансов / машинного обучения для исследований в сфере криптовалют и DeFi, удаленная работа, полный цикл исследований от гипотезы до продакшена.

Полный цикл исследований по краткосрочной микроструктуре, LP/хеджированию, исполнению, межбиржевым сигналам, распределению риска и смежным задачам в крипто/DeFi. Дизайн исследования: гипотеза, целевая переменная/разметка, базовый уровень, метрики, причинно-корректная валидация вне выборки, анализ режимов и явные критерии GO/NO-GO. Работа с данными: поиск источников, выравнивание по времени, контроль качества, разработка признаков и воспроизводимые контракты на данные. ML/DL в зависимости от структуры задачи; RL или другие методы последовательного управления только при реальной необходимости. Реалистичное моделирование и экономика торговли: комиссии, проскальзывание, ликвидность, задержки, неблагоприятный отбор, влияние, допущения о заполнении, хеджирование и синхронизация DEX/CEX. Бумажные/теневые стратегии, анализ перехода от симуляции к реальности и сотрудничество с разработчиками количественных моделей для внедрения проверенных решений в продакшен. Инженерные стандарты: воспроизводимые эксперименты, чистый Python, критические проверки, мониторинг и дисциплинированное использование LLM/агентов.

Подтвержденный опыт в 2-3 проектах в области количественных финансов/ML, где вы лично владели значительной частью цепочки от постановки задачи и данных до валидации, кода и решения о внедрении или GO/NO-GO. Отличное знание Python и сильная инженерная база: вы сами пишете, отлаживаете и рецензируете исследовательский код. Сильная статистика, теория вероятностей, оптимизация и работа с временными рядами: временная зависимость, утечки, смещение отбора, неопределенность и честная валидация вне выборки. Глубокое практическое понимание микроструктуры и исполнения: стакан/поток заявок, ликвидность, задержки, комиссии, проскальзывание, неблагоприятный отбор, влияние, размер позиции и хеджирование. Сильные практические навыки ML/DL для последовательных финансовых данных и способность отличать реальный сигнал от оптимизации метрик. Высокая автономия: структурирование нечетких задач, выбор наиболее информативного эксперимента, быстрая остановка слабых гипотез и принятие решений на основе данных. Рабочее понимание структуры крипторынка. Прямой опыт работы с DeFi/DEX является плюсом, но сильный опыт с CEX/микроструктурой может компенсироваться быстрой адаптацией.

Удаленный формат работы.