Senior Quant/ML Researcher

Описание

Наш партнер строит систематические стратегии на стыке финансовых рынков, машинного обучения и DeFi. Ищем Senior Quant/ML Researcher, который способен самостоятельно вести исследовательское направление от рыночной гипотезы и сырых данных до корректного эксперимента, реалистичной торговой экономики, качественного кода и проверки результата в paper/shadow/live. Это не узкая роль по обучению моделей на готовых датасетах. Важно уметь самостоятельно определить, что и зачем проверяем, как доказать наличие сигнала, как учесть реальную механику рынка и когда отказаться от гипотезы. Что предстоит делать Вести полный цикл исследований в направлениях market microstructure, execution, LP/hedging, cross-venue signals, risk-aware allocation и смежных crypto/DeFi задач. Формулировать гипотезы, определять target/labels, baselines, метрики и критерии GO/NO-GO. Работать с данными: искать источники, выравнивать timestamps, контролировать качество, строить features и воспроизводимые datasets. Проектировать корректную temporal/OOS validation с учетом leakage, selection bias, uncertainty и смены рыночных режимов. Использовать ML/DL там, где они действительно дают преимущество перед более простыми подходами. Строить реалистичные backtest/simulation с учетом fees, slippage, liquidity, latency, adverse selection, market impact, fill assumptions, sizing и hedging. Исследовать расхождения между backtest и реальной торговлей, проводить paper/shadow и sim-to-real analysis. Самостоятельно писать и отлаживать research-код на Python. Вместе с quant developers переносить доказавшие эффективность модели и торговую логику в production. Работать с CEX/DEX и market/on-chain data. Что для нас важно Проверяемый опыт 2–3 Quant/ML проектов, где вы лично отвечали за существенную часть цепочки: постановка задачи → данные → исследование → validation → код → deployment либо решение GO/NO-GO. Отличный Python и сильная инженерная база: самостоятельно пишете, отлаживаете и ревьюите исследовательский код. Сильная база в статистике, теории вероятностей, оптимизации и временных рядах. Понимание temporal dependence, leakage, selection bias, uncertainty и принципов честной OOS-проверки. Глубокое практическое понимание market microstructure и execution: order book/flow, liquidity, latency, fees, slippage, adverse selection, impact, sizing и hedging. Сильный практический ML/DL для последовательных финансовых данных и способность отличать реальный predictive signal от оптимизации метрики. Высокая самостоятельность: способность структурировать неясную задачу, выбирать наиболее информативный эксперимент, быстро останавливать слабые гипотезы и принимать решения на основании данных. Рабочее понимание структуры crypto-рынка. Прямой опыт DeFi/DEX будет плюсом, но сильный CEX/microstructure background может его компенсировать. Будет плюсом Rust или опыт low-latency engineering. On-chain data pipelines. AMM, LP-стратегии и cross-venue execution. Практический RL, offline RL, contextual bandits, policy evaluation или risk-constrained decision systems. Опыт запуска стратегий и моделей на реальном капитале. Сильные публикации, open-source проекты или другой проверяемый технический track record. RL не является обязательным требованием — он интересен там, где последовательная постановка действительно оправдана. Скорее всего, мы не подойдём друг другу, если Ваш основной опыт — обучение моделей на подготовленных данных, где target, validation и критерии успеха определены другими. Также роль вряд ли подойдет, если вы не готовы самостоятельно писать и отлаживать Python-код или не можете объяснить, почему хороший backtest может не пережить реальное исполнение. Условия Full-time. Основной формат — гибрид в Москве, офис в центре. Удалённый формат возможен по согласованию. Индивидуальный compensation package для Senior. Profit sharing от результатов. Возможность выплат в stablecoins. Работа со стратегиями на реальном капитале. Небольшая команда, прямая работа с Quant/ML, разработкой и руководством. Высокая самостоятельность и короткий путь от исследовательской гипотезы до production. Чтобы мы могли быстрее рассмотреть ваш отклик, пожалуйста, коротко ответьте на два вопроса: Опишите один Quant/ML-проект или торговую стратегию, за которую вы лично отвечали end-to-end: какая была гипотеза, что именно делали вы и до какого результата дошли — backtest / paper / live / NO-GO? Какой у вас практический опыт с market microstructure и execution? С чем лично работали: order book/flow, liquidity, fills, fees/slippage, latency, market impact, hedging, CEX/DEX?Достаточно нескольких предложений по каждому пункту.