- Страна
- США
- Зарплата
- 120 000 $ – 180 000 $
Quantitative Researcher Intern
Оценка ИИИсключительная возможность для студентов топовых вузов попасть в один из ведущих хедж-фондов мира. Высокая заработная плата для стажера и работа с передовыми технологиями делают эту вакансию крайне привлекательной.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИВысокая сложность обусловлена строгими требованиями к академической подготовке (Master's/PhD) и необходимостью владения сложным математическим аппаратом и машинным обучением. Конкуренция в Point72 традиционно очень высока, а задачи требуют глубоких знаний в Python/C++ и обработки больших данных.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредлагаемая зарплата в $120,000 - $180,000 в год является топовой для интернов в сфере количественных исследований в Нью-Йорке, значительно превышая средние рыночные показатели для стажировок. Она соответствует уровню ведущих хедж-фондов и проп-трейдинговых фирм.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
JOB RESPONSIBILITIES
A highly collaborative, fast-growing team, Point72 Internal Alpha Capture (IAC) is developing scalable quantitative equity trading signals that leverage rigorous research, state-of-the-art machine learning methods, a broad range of public and proprietary data sources, and unparalleled computing power.
We are looking for exceptional students to join us as quantitative researcher interns for Fall 2025, Spring 2026 and Summer 2026. Our interns will work closely with our team, receive comprehensive, in-depth training, and help develop novel signals that may have real impact.
You will gain exposure to a variety of activities, which may include:
- Conducting full pipeline signal research, from ideation, via implementation and backtesting, to eventual application.
- Adapting and extending existing results in the broad field of machine learning; conducting novel research as needed to potentially develop new signals that may enhance portfolio returns.
- Analyzing very large data sets to extract features useful for predictive models.
- Providing research assistance to the team.
- Helping improve the team’s research infrastructure.
DESIRABLE CANDIDATES
- Masters or PhD candidates in machine learning, computer science, finance, mathematics, or other quantitative disciplines.
- Demonstrated ability to conduct independent research utilizing machine learning over large, possibly noisy, data sets.
- Strong analytical and quantitative skills, and detail-oriented mindset.
- Proficient in Python or C++, and Linux environment.
- Excellent written and verbal communication skills, willing to proactively engage other team members in helping to foster a highly collaborative, team-oriented research environment.
- Willing to take ownership of his/her work, working both independently and within a collaborative team.
- Prior experience in the financial services industry is not required.
- Commitment to the highest ethical standards.
The annual base salary range is $120000.00-$180000.00 (USD). Actual compensation offered to candidate may vary from posted hiring range based upon geographic location, work experience, education, and/or skill level among other things. Details about eligibility for bonus compensation (if applicable) will be finalized at the time of offer.
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- C++
- Machine Learning
- Linux
- Backtesting
- Quantitative Analysis
- Data Analysis
- Predictive Modeling
Возможные вопросы на собеседовании
Проверка навыков работы с данными и понимания специфики финансовых временных рядов.
Как вы справляетесь с проблемой переобучения (overfitting) при разработке предиктивных моделей на зашумленных финансовых данных?
Оценка технических навыков и понимания алгоритмической сложности.
Опишите случай, когда вам пришлось оптимизировать код на Python или C++ для обработки очень большого набора данных. Каких результатов вы добились?
Проверка теоретической базы в области машинного обучения.
В чем разница между методами ансамблирования (например, Random Forest и Gradient Boosting) применительно к прогнозированию доходности акций?
Оценка способности к проведению независимых исследований.
Расскажите о самом сложном исследовательском проекте, который вы вели самостоятельно. С какими препятствиями вы столкнулись и как их преодолели?
Проверка мотивации и интереса к количественным финансам.
Какие источники данных, помимо стандартных ценовых котировок, вы бы предложили исследовать для поиска новых альфа-сигналов?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
