Python-розробник з Data Science досвідом
Опис продукту
Власна система виявлення патернів для ліквідних біржових інструментів переходить зі стадії proof-of-concept до рівня, готового до впровадження у продакшн. Майбутній пайплайн буде обробляти ринкові дані, виявляти ймовірні торгові сигнали та передавати ці сигнали в автоматизовану систему бектестингу та оптимізації. Кінцева мета — створити надійний, масштабований engine із можливістю системного налаштування параметрів для досягнення максимальної прибутковості з урахуванням ризиків.
Основні обов’язки
Signal Engine (Enhancements)
Поступове вдосконалення наявних модулів обробки даних на Python відповідно до нових вимог або виправлення помилок.
Дослідження даних
Робота з великими time-series data: очищення, трансформація, візуалізація та узагальнення інсайтів для коригування параметрів.
Оцінка стратегій
Робота у відтворюваному середовищі для бектестингу, створення звітів про ефективність, відстеження показників надійності.
Оптимізація параметрів
Розробка та виконання систематичних процедур підбору параметрів (grid, random, Bayesian, walk-forward) з метою підвищення прибутковості з урахуванням ризиків.
Необхідні навички
- Впевнене володіння Python, зокрема бібліотекою pandas для роботи з time-series data.
- Уміння працювати з великими наборами даних у форматах CSV/Parquet: завантаження, очищення, вирівнювання часових зон, проведення аналітики.
- Знання наукових бібліотек (NumPy, SciPy, matplotlib/Plotly) для візуалізації та обчислення метрик.
- Здатність проєктувати експерименти, інтерпретувати результати та швидко ітеративно вдосконалювати код і параметри.
- Бажання працювати автономно і на результат, не концентруючись суто на процесі
- Можливість і бажання працювати за часом ближчим до EST таймзони
Важливі софт-скіли: коммунікабельність, вміння слухати, вміння пояснити свою думку для нетехнічних учасників процесу, вміння знаходити win-win рішення, досвід у спілкуванні з С-левел керівництвом
Бажано (але не обов’язково)
- Досвід роботи з фреймворками для трейдингу/бектестингу (QuantConnect/LEAN, Backtrader, Zipline, pyfolio, bt, Catalyst тощо).
- Знання мікроструктури ринку або специфіки деривативів (розмір тика, перекат контрактів).
- Досвід роботи з розширеними стеками аналізу даних (scikit-learn, TensorFlow/PyTorch, Jupyter, Spark).
- Навички створення оптимізаційних процесів (налаштування гіперпараметрів, покроковий аналіз, MLflow, Optuna).
- Знання Git та базових інструментів Linux.