Se busca un Investigador Cuantitativo con formación en aprendizaje automático y modelado de series temporales para integrarse al equipo.

Responsabilidades:

• Investigar, desarrollar e implementar modelos de aprendizaje automático de vanguardia para pronosticar series temporales complejas y de alta dimensión, desde señales de mercado hasta indicadores macroeconómicos y datos alternativos.
  
• Desarrollar pipelines de aprendizaje automático desde cero: ingesta de datos, procesamiento de características, modelado, calibración y monitorización.
  
• Diseñar enfoques personalizados de validación y prueba para datos no estacionarios, incluyendo la detección de cambios de régimen y la evaluación adversarial.
  
• Trabajar con fuentes de datos a gran escala (nivel de tick, satelitales, transaccionales, web-scraped) y transformarlas en características estructuradas.
  
• Colaborar con analistas cuantitativos e ingenieros para integrar modelos de aprendizaje automático en procesos de inversión reales.
  
• Contribuir a iniciativas de investigación estratégica, como la inferencia causal, el aprendizaje de representaciones y los modelos basados en la atención para series temporales.
  

Requisitos:

• 4–8 años de experiencia laboral, idealmente combinando academia e industria.
  
• Publicaciones en conferencias de referencia en IA (NeurIPS, ICLR, ICML) en los campos de series de tiempo o aprendizaje de señales.
  
• Experiencia en la construcción de modelos que pronostican señales de mercado o alternativas, macroeconomía, materias primas o sentimiento.
  
• Experiencia en fomentar una cultura de investigación en ML: desarrollo de kits de herramientas internos, mentoría y prácticas de ciencia abierta.
  
• Experiencia en aprendizaje aplicado a series de tiempo: Transformadores de Fusión Temporal, DeepAR, N-BEATS, PatchTST.
  
• Conocimiento de inferencia causal y razonamiento contrafactual para series de tiempo.
  
• Experiencia en aprendizaje multimodal (series de tiempo + datos tabulares + texto).
  
• Dominio de la pila de ML: PyTorch, HuggingFace, DVC, Docker, entre otros.
  
• Habilidades en validación de modelos para datos no iid: estrategias personalizadas de validación cruzada, divisiones de datos conscientes del régimen.
  
• Capacidad para construir canalizaciones de ML de extremo a extremo, desde la ingesta de datos hasta la inferencia en producción.
  
• Maestría o doctorado en un campo cuantitativo (Física, Matemáticas, Informática o áreas afines).
  
• Idiomas: ruso e inglés.
  
• Se valorará conocimiento de modelos de valoración de opciones y cobertura.
  
• Experiencia con C++ o Rust.
  
• Capacidad para comunicar ideas técnicas a diversos públicos, incluyendo a interesados sin formación técnica.