Боталка(Студенты) — Поступашки

Там все равно отправит тебя на сайт их по отборе на стажку

Кванты: кто есть кто и реальные вакансии от Alber Blanc Часто видите в вакансиях Quant Trader, Quant Researcher, Quant Developer или Quant Analyst и не до конца понимаете разницу? Это нормально: универсальных определений нет, и в разных командах под одним названием могут скрываться совсем разные задачи. При этом среди выпускников наших курсов и студентов ШАДа сформировалось сильное комьюнити квантов: ребята работают в Teza, Jane Street, Wunder Fund, Alber Blanc, XTX и других топ-фондах. Сегодня разберу роли на примере живых позиций Alber Blanc - одного из сильнейших HFT-фондов на постсоветском пространстве. А если вы хотите рассказать про свой фонд или поделиться опытом пишите @vice22821. Сможем прорекламировать ваш фонд/соцсети или гарантировать полную анонимность, если вы непубличная личность. И советуйте знакомым написать! Quant Trader Глубоко копает микроструктуру рынка, ищет неэффективности и скрытые корреляции. Работает в основном с готовыми инструментами - это освобождает время для генерации гипотез и их быстрой проверки. Отвечает за аллокацию капитала и поведение стратегий в реальном времени: запускает процессы, фиксирует прод-инциденты и приоритизирует задачи для аналитиков и инженеров. → Подробнее о вакансии Quant Analyst (близко к Researcher/Developer) Фокус на данные, архитектуру и разработку торговых алгоритмов. Помогает трейдерам проверять идеи или самостоятельно ищет альфы и встраивает их в стратегии. Ключевые требования: сильный C++ и алгоритмическая подготовка: много задач по оптимизации моделей, поддержке внутренних библиотек, написанию бэктестов и ускорению всего пайплайна тестирования. → Подробнее о вакансии Market Data Analyst Роль на стыке системной аналитики и инженерии. Плотно взаимодействует с трейдерами, квантами и разработчиками, чтобы торговля шла без сбоев. Главные задачи: мониторинг качества рыночных данных, анализ задержек, расследование ежедневных инцидентов и поиск узких мест в реальном времени. По сути менеджмент проблем с да

Обычно можно, если это разные потоки/вакансии - реджект по одной не всегда бан на другую

Да, ты прав, спасибо

Ребят, на что смотрит СБ при оформлении в банк?

на отсутствие судимостей

Что на счёт кредитов и рассрочек активных?

Всем здарова! Прошел на 75% грант в магистратуру ЦУ (базовый трек Машинное Обучение (онлайн)) и на БВИ в ИТМО (на выбор: Искусственный интеллект в поведенческой экономике / Машинное обучение и Big Data / Искусственный интеллект в промышленности) Не могу выбрать... Куда бы пошли ВЫ?

если итмо бесплатно, то итмо очев

ИТМО за счет БВИ бесплатно, ЦУ хоть и грант но платный остаток - если деньги не решают, бери ИТМО

Если что с деньгами нет проблем. ЗП хватает, да и отложено с лихвой

Итмо Мл и биг дата

мне кажется зависит от того где хочешь жить. в итмо ты завязан на спб, не получится к примеру взять и переехать в мск к примеру. всё равно как минимум придётся кататься закрывать сессии. сам подаюсь на эти программы и уточнял это у менеджеров - часть занятий точно идёт очно. ну и в цу всё же платно как-никак. а по качеству хз, цу молодой, выборки особо нет, про итмо очень разное слышал

Я уже живу в Питере, работаю в Т-Банке, денег на учебу отложил уже более чем достаточно

Я бы в цу пошел т.к мск

А по мимо учебы будет хватать накопленных средств? Не получится так, что нужно снова начать работать? Можно ли попросить удаленку в Т-банке? Или будешь в случаи чего переходить в москвоский офис?

Да, точно будет :) У нас вся тима на удаленке, но я не планировал увольняться, я хочу совмещать фуллтайм работу и магу

в цу как раз вечернее обучения, + это в мск не надо релакацироваться.

А не дали возможность на продвинутый трек в ЦУ?

ML-кейс компании X5Digital (динамическое ценообразование) Нашему выпускнику на собеседовании с командой предложили интересный кейс с историей. У доставки еды возникает проблема: когда клиентов очень много, приложение показывает «повышенный спрос, время ожидания увеличено». Клиент может уйти к конкурентам или просто дойти до магазина сам. Итого потеря денег и лояльности. Как решали без ML Сначала аналитики через A/B-тесты вручную подбирали для каждого магазина матрицу цен доставки при разных уровнях загруженности и порогах корзины. Похоже не самый удачный подход: данные быстро устаревают - магазин расширился, радиус доставки изменился, и всю матрицу надо пересчитывать заново. Долго, нудно и негибко. Как решили с помощью ML Применили концепцию обучения с подкреплением (Reinforcement Learning). Без сложных агентов, но сама логика такая: Среда - система доставки. Состояние (State) - текущая загруженность курьеров и сборщиков. Действие (Action) - на сколько процентов увеличивать цену доставки при высоком спросе. Reward (вознаграждение) = c × РТО – (1 – c) × CTD Разберём компоненты: • РТО - розничный товарооборот (выручка от проданных товаров). Хотим её растить. • CTD - Click to Delivery, быстрота доставки. Если обещали 30 минут, а доставили за 60, CTD = 2 → это плохо. Если за 15 минут, CTD = 0.5 → отлично. Чем CTD меньше, тем лучше, поэтому в формуле вознаграждения перед CTD стоит минус: большое CTD штрафует reward. • c - весовой коэффициент баланса. При c → 1 приоритет на выручке, при c → 0 - на скорости доставки. Это tradeoff, который бизнес настраивает под свои цели. Для предсказания reward ввели функцию Q(s, a) (назвали так условно, это не из Q-learning). Она обучается на исторических данных: по текущей загруженности и проценту наценки модель прогнозирует, какое вознаграждение мы получим. Затем для каждого периода времени выбирается наилучшее действие: a = argmax Q(s, a). То есть модель сама решает, насколько повысить цену, чтобы максимизировать reward. Итог С

Ребят, кто-то знает пример задач, которые дают на втором техсобесе в Яндекс на стажировку разрабом?

Обычно алгосы посложнее первого + иногда немного дизайна кода/ООП, но прям примеров на руках нет, стажка - минус вайб