Quantitative Architect / AI Lead / Investment platform

Ищем Quantitative Architect / AI Lead для построения data-centric платформы управления активами. *Требования: Высшее тех. (МФТИ/МГУ/ВМК) + Quant Finance. Опыт создания платформ с нуля (Python/Go, Kafka, K8s, ClickHouse). Глубокая экспертиза в ML (Gradient Boosting, Time Series) и GenAI (RAG, Agents). Ключевой навык: превращение прототипов моделей в высоконагруженную микросервисную логику платформы. Результат — P&L.

Family Office UHNWI

Ищем Head of AI / Quant Architect (российский рынок)

Задача: построить AI-native платформу управления данными для финансовых инструментов и моделирования. Кандидат сам создаёт модели (ML, GenAI) и перекладывает их в логику высоконагруженной платформы, управляет архитектурой и данными, участвует в создании капитала через платформу.

Портрет:

Техническое образование (МФТИ, МГУ, ИТМО, ВШЭ ПМИ/ВМК). Экономическое/финансовое — плюс.

Опыт создания цифровых платформ управления данными в российских компаниях (Сбер, Т-Технологии, Альфа-Банк, ВТБ, проп-фонды, deeptech-стартапы).

Глубокая AI-экспертиза: от классического ML (CatBoost, временные ряды) до GenAI (RAG, агентные системы) и MLOps.

Умеет переводить прототипы в продакшн-код (Python, микросервисы, K8s, оркестрация).

А. Образование

Техническое: МФТИ (ФУПМ, ФРТК), МГУ (ВМК, физфак), ИТМО, НГУ, ВШЭ (ПМИ, факультет компьютерных наук), СПбГУ (матем-мех), МИФИ.

Экономическое/финансовое (как плюс): ВШЭ (экономика), МГУ (экономический), РЭШ, МФТИ (управление). Такое сочетание ускоряет взаимопонимание с трейдерами, риск-менеджерами и инвесторами.

Б. AI-экспертиза и инструментарий

Классический ML: градиентный бустинг (CatBoost, LightGBM) для скоринга, кредитных рисков, предсказания временных рядов. CatBoost — особенно частый выбор в российских банках и фондах.

GenAI и агентные системы: опыт построения RAG-пайплайнов, fine-tuning открытых моделей (Llama, Mistral, Qwen) на финансовых данных, создание мультиагентных сред для анализа макроэкономики, новостей, отчетов.

MLOps / LLMOps: умение разворачивать модели в прод на российском стеке (Kubernetes, Docker, GitLab CI/CD, оркестрация Airflow / Prefect).

Данные: проектирование Data Lake / Data Mesh, работа с большими данными (Spark, ClickHouse, Greenplum, TimescaleDB). Опыт работы с российскими BI и хранилищами (YTsaurus, Arenadata) — плюс.

В. Опыт создания цифровых платформ управления данными

Участие в создании платформ с нуля или архитектурной трансформации существующих в российских компаниях:

Крупные банки и экосистемы: Сбер (SberTech, Sber AI), Т-Банк (Т-Технологии), ВТБ, Альфа-Банк (AI-платформы, центры разработки).

Инвестиционные и управляющие компании: Альфа-Капитал, ВТБ Капитал, Т-Инвестиции, «Ренессанс Капитал», «Атон», семейные офисы (часто скрыты).

Проприетарные трейдинговые фирмы и хедж-фонды: компании из сферы HFT / quant, не всегда публичные, но известные в узких кругах (например, «Интерфинанс», ряд команд, вышедших из Сбера, Альфы, зарубежных фондов с российскими корнями).

DeepTech стартапы: проекты, получившие гранты Фонда содействия инновациям, Сколково, или выросшие из индустриальных центров (AI-платформы для промышленности, логистики, энергетики — если там есть финансовое моделирование).

Г. Роль и зона ответственности

Сам создаёт модели (от идеи до прототипа) и сам же перекладывает их в продакшн-код — пишет на Python (часто FastAPI, Pydantic, SQLAlchemy), возможно C++ для высоконагруженных расчётов.

Управляет архитектурой платформы: принимает решения о стеке, CI/CD, мониторинге, масштабировании.

Участвует в создании стоимости активов: напрямую влияет на P&L через построенные стратегии, риск-модели, автоматизацию управления капиталом.

Предлагаем: долю в проекте / участие в P&L, высокий фикс, возможность формировать архитектуру с нуля.