Лидер по разработке Auto ML платформы для алгоритмического трейдинга (удаленная работа)
(вакансия не опубликована)

Вакансия: Лидер по разработке Auto ML платформы для алгоритмического трейдинга

Описание вакансии

Сейчас мы в поиске технического лидера с глубокими знаниями в ML и опытом построения технологических сервисов для финансовых рынков (желательно с бэкграундом кванта или алготрейдера) в одну из крупнейших инвестиционных компаний на РФ рынке. Мы активно развиваем проектный офис , который специализируется на создании передовых финтех-продуктов и внедрении технологий, в частности искусственного интеллекта, в различные направления деятельности холдинга как в России, так и на глобальном рынке (США).

Твоя основная задача спроектировать и реализовать платформу нового поколения, цель которой полная автоматизация жизненного цикла разработки, тестирования и внедрения торговых стратегий для трейдеров с помощью AI-агентов.

Наши достижения:

• в портфеле более 50 продуктов на любой профиль инвестора (от новичка до HFT-трейдера), и мы постоянно запускаем новые и масштабируем их на весь мир.
• Запустили внутреннюю AI-платформу, которая позволила создать AI-ассистентов и вывести 4 из 8 пилотных проектов на этап масштабирования.
• Запустили prop-бизнес с обучением квантов для российского и международного рынков.
• Развиваем корпоративный акселератор и ищем финтех-стартапы по всему миру.

Если коротко: мы, как продуктовый офис, отвечаем за эволюцию компании , регулярно внедряя передовые тренды рынка. На базе мощного холдинга ты сможете работать над проектами, которые действительно меняют отрасль.

Что мы ждем от сотрудника на этой роли:

1. В течение первых 3 месяцев:

   • Тесное взаимодействие с внешними подрядчиками, которые реализуют MVP платформы: технический надзор, ревью кода, приёмка архитектурных решений и компонентов.

   • Плавный переход к внутренней разработке: тебе предстоит глубоко разобраться в платформе, чтобы после завершения контракта с внешними разработчиками взять развитие продукта в свои руки.

   • Формирование и найм собственной команды: подбор первых ключевых инженеров, организация внутренних процессов, onboarding, планирование roadmap-а.

2. После испытательного срока:

   • Построение AutoML-платформы следующего поколения, которая автоматизирует весь жизненный цикл разработки торговых стратегий: от ingestion данных до генерации и продакшн-деплоя гипотез и моделей.

   • Внедрение AI-агентов (в том числе LLM) для автоматизации аналитических и инженерных задач: генерация признаков, перебор гипотез, оптимизация гиперпараметров и авто-тестирование моделей.

   • Развитие и поддержка отказоустойчивой инфраструктуры, работающей под высокими нагрузками, с возможностью масштабирования под задачи квантов и алготрейдеров.

Для этого тебе предстоит

• Спроектировать и реализовать полный ML/Quant pipeline: от сбора и предобработки рыночных и альтернативных данных (включая HFT и sentiment) до автоматического ML/ETL.

• Автоматизировать процессы feature engineering: создать гибкий модуль генерации и отбора признаков с возможностью подключения внешней экспертизы.

• Построить масштабируемую инфраструктуру для обучения, оптимизации и деплоя моделей (включая поддержку распределённого обучения и работы с различными типами таргетов: регрессия, классификация, вероятности).

• Интегрировать LLM-агентов в пайплайн для генерации гипотез, перебора моделей и оптимизации.

• Реализовать автоматизированную систему backtesting-а, тестирования стратегий и управления логикой исполнения.

• Построить облачную архитектуру с масштабированием под рост нагрузки и потребностей команды: кластеры, контейнеризация, горизонтальное и вертикальное масштабирование.

• Обеспечить отказоустойчивость всей системы: механизмы резервного копирования, восстановления, мониторинга и алертинга.

• Организовать API-интерфейсы для бесшовной интеграции с внешними сервисами и инструментами трейдеров.

• Разработать систему мониторинга производительности и стабильности всей платформы: от метрик моделей до технического хелсчека.

Кто с этим справится?

Мы ищем людей по-настоящему увлеченных своим делом (и готовых увлекать за собой), умных и гибких профессионалов, которые любят сложные задачи и хотят влиять на будущее.

Ключевые требования:

• Глубокий опыт в проектировании data/ML-инфраструктуры высокого уровня доступности и масштабируемости.
• Практический опыт создания пайплайнов полного цикла для ML/Quant-задач: от feature engineering до деплоя и продакшн-мониторинга.
• Отличные знания Python, современного ML-стека (Scikit-learn, CatBoost, PyTorch), решений для оркестрации (Airflow, Kubernetes и т.д.).
• Понимание принципов и практик HFT-инфраструктуры: оптимизация latency, компактное хранение и передача данных (nice to have).
• Навык интеграции и администрирования API, опыт взаимодействия со сторонними ML/AutoML-платформами.
• Умение выстраивать процессы continuous integration и continuous deployment (CI/CD), мониторинга качества сервиса.
• Опыт резервирования, построения отказоустойчивых распределённых систем.
• Способность управлять командой инженеров, data scientists и развивать культуру обмена знаниями.
• Приветствуется опыт работы с LLM/AI-агентами в автоматизации research & development.
• Английский для общения с партнёрами и интеграции зарубежных облаков.

Что мы предлагаем:

• Работа с международными проектами и изучение лучших практик в FinTech и AI.
• Сильная и увлечённая команда, открытая к новым идеям и инициативам.
• Гибкий соцпакет: ДМС, компенсация обучения, путешествий, фитнеса.
• Офис в историческом центре Москвы (3 минуты пешком от м. Пушкинская , Тверская , Чеховская ) с зоной отдыха на крыше.
• Гибридный формат работы с графиком 5/2 (10:00 19:00).
• Корпоративные активности: спортзал, обучение, спортивные клубы, мероприятия.

Как проходит отбор на позицию:

1. HR-интервью и ответ на ваши вопросы по роли.
2. Тестовое задание.
3. Обсуждение решения тестового задания с нанимающим менеджером.
4. Очная предофферная встреча-знакомство со всей командой (нам и, надеемся, вам это важно).

В сопроводительном письме, пожалуйста, опиши проект (и достигнутые результаты), где вы сталкивались с максимально релевантными задачами.