Quantitative Researcher
Описание
Мы — небольшая команда, которая строит алгоритмическую торговую систему на финансовых рынках. Фокус — скальпинг: горизонт удержания от секунд до минут. Работаем с [криптой / фьючерсами / металлами / нефтью].Что делаем:· Пишем торговых ботов для автоматического исполнения стратегий.· Разрабатываем скальпинговые стратегии на микроструктуре рынка.· Строим пайплайн «данные → исследование → бэктест → риск-менеджмент → исполнение».Кого ищемQuant Researcher — исследование микроструктуры, построение скальпинговых сигналов, валидация стратегий.Quant Developer — написание торговых ботов, инфраструктура, интеграция с биржами, оптимизация latency.Возможны грейды: Junior / Middle / Senior.---ОбязанностиQuant Researcher:· Формулировать и проверять скальпинговые гипотезы на тиковых и ордербук-данных.· Строить и валидировать стратегии: от идеи до бэктеста и продакшена.· Учитывать комиссии, слиппедж, задержки исполнения.· Оценивать качество стратегий: Sharpe, максимальная просадка, win rate, profit factor.· Бороться с overfitting, look-ahead bias и нестационарностью рынка.Quant Developer:· Писать торговых ботов для автоматического исполнения стратегий.· Интегрировать систему с биржевыми API (Bybit, Binance, CME, MOEX).· Оптимизировать latency: сеть, код, железо.· Строить бэктест-движок и мониторинг.· Работать с ордербук-данными в реальном времени.---ТребованияОбязательно:· Высшее математическое образование (мехмат, физтех, ВМК, прикладная математика или аналог).· Сильная статистика: проверка гипотез, условные вероятности, байесовский подход, временные ряды.· Python на уровне уверенного владения: pandas, numpy, scipy.· Понимание финансовых рынков: спред, ликвидность, слиппедж, комиссии.· Опыт бэктестинга: in-sample / out-of-sample, overfitting, look-ahead bias.· Умение объяснять результат словами, а не только кодом.Будет плюсом:· Опыт работы с тиковыми / ордербук-данными.· Знание микроструктуры рынка.· Опыт написания торговых ботов.· [C++ / Rust] / низкоуровневая оптимизация.· Опыт в скальпинге, HFT, prop-trading.· ML: LightGBM/XGBoost, feature engineering для временных рядов.Личные качества:· Дисциплина: готовность к тому, что стратегия может не работать 3–6 месяцев.· Честность: умение признать, что гипотеза не подтвердилась.· Любопытство: желание копать в данные.· Командность: работаем вместе, а не «каждый сам за себя».О нас