- Страна
- Швейцария
Senior Agronomical Engineer - South America Crop Forecasting
Оценка ИИИсключительная вакансия для специалистов на стыке агрономии и IT в одной из ведущих мировых инвестиционных компаний. Работа в Женеве, участие в высокотехнологичных исследованиях и глобальный масштаб задач делают это предложение крайне привлекательным.
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 редким сочетанием глубокой экспертизы в агрономии Южной Америки и продвинутых навыков в Data Science (Python, машинное обучение). Позиция требует готовности к регулярным командировкам и работы в высококонкурентной среде количественных инвестиций.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата для данной роли в Женеве не указана, но рыночные оценки для Senior-специалистов в количественных хедж-фондах значительно выше средних по рынку. Учитывая уникальность компетенций (агрономия + Data Science), компенсация может включать существенную бонусную часть.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Qube Research & Technologies (QRT) is a global quantitative and systematic investment manager, operating in all liquid asset classes across the world. We are a technology- and data-driven group implementing a scientific approach to investing. Combining data, research, technology, and trading expertise has shaped our collaborative mindset, which enables us to solve the most complex challenges. QRT’s culture of innovation continuously drives our ambition to deliver high-quality returns for our investors.
We are looking for a Senior Agronomical Engineer (South America Crop Forecasting) to join our Commodities team in Geneva. The Senior Agronomical Engineer is responsible for developing and validating proprietary production forecasts for major South American crops, including soybeans, corn, and wheat. This expert-level role combines deep regional agronomic knowledge with advanced quantitative data science to support high-value agricultural commodity research and supply modelling.
Your future role within QRT:
- Analyse crop development across Brazil, Argentina, Paraguay, and Uruguay; assessing planting progress, phenology, yield formation, pest and disease pressures, and climate risks; and translating field observations into structured yield and production forecasts using statistical and machine learning models.
- Regular field visits to collect ground-truth data, evaluate crop conditions and management practices, maintain regional agronomic networks, and validate satellite-derived indices against observed conditions.
- Integrate multi-resolution satellite and drone imagery with geospatial datasets, applying advanced statistical methods to refine proprietary forecasting models and address structural biases related to crop calendars and double-cropping systems.
Your present skillset:
- Degrees in Agronomical Engineering and Agronomy (or related field), a postgraduate qualification in quantitative data science or analytics.
- Demonstrated professional experience in South American soybean, corn, and/or wheat production systems.
- Experience working with remote sensing and geospatial agricultural datasets.
- Advanced proficiency in Python and applied statistical modelling.
- Ability to independently integrate field agronomy with quantitative forecasting frameworks.
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- Machine Learning
- Data Science
- Statistical Modeling
- Remote Sensing
- Geospatial Data
- Agronomy
- Crop Forecasting
Возможные вопросы на собеседовании
Проверка практического опыта работы с ключевым регионом.
Опишите ваш опыт оценки рисков урожайности для систем двойного посева (safrinha) в Бразилии при неблагоприятных климатических условиях.
Оценка навыков интеграции данных.
Как вы подходите к валидации спутниковых индексов вегетации (например, NDVI) на основе данных полевых выездов для устранения систематических ошибок в моделях?
Проверка технических навыков программирования.
Какие библиотеки Python и статистические методы вы считаете наиболее эффективными для обработки временных рядов геопространственных данных в прогнозировании урожайности?
Оценка способности влиять на инвестиционные решения.
Приведите пример, когда ваши агрономические выводы существенно изменили количественный прогноз производства. Как вы аргументировали свою позицию?
Проверка понимания специфики вредителей.
Как вы интегрируете данные о давлении вредителей и болезней в математическую модель прогнозирования урожая на региональном уровне?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
