- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Deep Learning Researcher
Оценка ИИОтличная вакансия для ML-исследователей: работа с передовыми технологиями в DeFi, офис в центре Москвы и оплата в стейблкоинах. Высокий порог входа компенсируется интересными задачами на стыке науки и финансов.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена необходимостью глубоких знаний в Deep Learning и специфике временных рядов, а также требованием опыта работы в крупных тех-компаниях. Работа в сфере DeFi и алготрейдинга подразумевает высокую ответственность за точность моделей.
Анализ зарплаты
Оценка ИИЗарплата в стейблкоинах обычно соответствует или превышает верхние границы рынка РФ для Senior ML ролей, учитывая специфику крипто-индустрии. Рыночные оценки для Senior DL Researcher в Москве варьируются от 400 до 600 тысяч рублей.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь уже сейчас
Присоединяйтесь к передовой DeFi-команде и внедряйте DL-модели в алгоритмическую торговлю — откликайтесь через форму!
Описание вакансии
О вакансии: Продуктовая команда в сфере DeFi и алгоритмической торговли находится в поиске Deep Learning Researcher, который поможет разрабатывать и внедрять production ML/DL-модели для анализа временных рядов и прогнозирования поведения финансовых рынков.
Интересны специалисты, которые уже строили и запускали в продакшн модели прогнозирования временных рядов и хотят применять свой опыт к задачам количественных финансов, крипторынков и алгоритмической торговли.
Обязанности:
- Разработка и внедрение production ML/DL-моделей для анализа и прогнозирования временных рядов
- Исследование и применение современных архитектур Deep Learning для задач forecasting и sequential modeling
- Анализ больших объемов исторических и потоковых данных
- Эксперименты с новыми архитектурами, признаками и методами обучения моделей
- Оптимизация качества моделей и их устойчивости в production
- Совместная работа с Quant Research командой над применением ML-моделей в задачах управления капиталом и торговых стратегиях
- Мониторинг современных исследований в области Deep Learning, Time Series Forecasting и AI
Требования:
- Высшее образование в одном из сильных технических вузов
- Коммерческий опыт работы от 2 лет в роли ML Engineer / Deep Learning Engineer / ML Researcher / Data Scientist
- Опыт разработки и внедрения production ML/DL-моделей для временных рядов
- Опыт разработки production ML/DL-решений в крупных технологических компаниях будет существенным преимуществом
- Глубокое понимание современных методов Machine Learning и Deep Learning
- Уверенное владение Python
- Практический опыт работы с PyTorch, Scikit-Learn, CatBoost, LightGBM/XGBoost и Optuna
- Опыт работы с временными рядами, feature engineering и оценкой качества моделей
- В команде общаемся на русском; английский — на уровне чтения технической документации и научных статей
Условия:
- Офис в самом центре Москвы (рядом со станциями метро Охотный Ряд / Театральная / Чеховская / Пушкинская)
- График: гибридный; для Senior специалистов возможна удаленка
- Зарплата выплачивается в стейблкоинах
Для отклика заполнить форму по ссылке: Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- PyTorch
- Machine Learning
- Deep Learning
- Scikit-learn
- Feature Engineering
- XGBoost
- LightGBM
- Time Series Analysis
- CatBoost
- Optuna
Возможные вопросы на собеседовании
Проверка понимания специфики финансовых данных и проблемы переобучения.
Как вы боретесь с переобучением (overfitting) и look-ahead bias при работе с финансовыми временными рядами?
Оценка практического опыта работы с современными нейросетевыми архитектурами.
Какие архитектуры Deep Learning (например, Transformers, Informer, TFT) вы считаете наиболее эффективными для прогнозирования волатильности и почему?
Проверка навыков оптимизации моделей для реального времени.
Расскажите о вашем опыте оптимизации инференса DL-моделей для работы в production с потоковыми данными.
Оценка математической базы и понимания метрик.
Какие функции потерь (loss functions) вы бы использовали для задач регрессии на финансовых данных с тяжелыми хвостами распределения?
Проверка навыков feature engineering.
