Про работу: часть 3

В прошлом посте разобрались с тем, как в целом устроена HFT-индустрия, теперь можно перейти к более интересной части - чем конкретно внутри нее занимаются эти ваши quant researcher'ы и зачем им вся математика, которой обычно пугают в описаниях вакансий.

Основные тезисы следующие:

▪️ Пишут почти целиком на Python: у разных фондов может быть по-разному (например у того же Jane Street популярен язык OCaml, где-то используют R), но кроме редких исключений так. Много применяются библиотеки для обработки данных/ускорения вычислений (pandas, numpy, numba), иногда используются более низкоуровневые языки типа C++ или Rust. В больших фондах самому quant researcher'у они обычно не нужны, т.к. продом занимаются специально обученные люди aka quant developer'ы, а код для ad-hoc ускорения расчетов сейчас можно написать и агентами. В небольших компаниях границы ролей обычно размыты сильнее, так что чем больше умеешь сделать сам, тем лучше.

▪️ С ML дело не начинается и на нем не заканчивается - обычно он является одним из шагов/инструментов внутри более длинного исследовательского цикла, и даже не всегда в этом цикле присутствует (т.е. существуют стратегии где для принятия решения не используется blackbox предсказание модели, а по явно заданной логике на основе имеющейся информации)

Можно обучить модель с красивыми метриками, а потом выяснить, что после комиссий она не зарабатывает, сигнал невозможно нормально исполнить или стратегия работает только на маленьком объеме капитала, а при его увеличении сама начинает двигать рынок. Поэтому хороший ML-предикт и работающая стратегия - далеко не одно и то же.

▪️ Хорошее понимание статистики и теорвера нужно не для того чтобы каждый день использовать формулу p-value для t-test'а, а чтобы научиться осмысленно выдвигать гипотезы о происходящем и быстро проверять их разумными экспериментами, а не вслепую крутить гиперпараметры. Такой же ответ про математику в целом: чего-то великого обычно не используется, теоремы не придумываются и не доказываются.

Грубо говоря нужно понимать математику и ML на таком уровне, чтобы ты их чувствовал и мог по паре графиков предположить "мне кажется, что ML-модель слишком сильно переобучилась на волатильных участках рынка, нужно у таких сэмплов в трейне чуть уменьшить веса", а затем придумать эксперимент, который отличит эту гипотезу от пяти других правдоподобных объяснений. Либо с нуля собрать для нового направления торговли мини-теорию, которая помогает ответить на вопрос "какой сейчас основной блокер для зарабатывания денег". В этом и основная сложность: нет какого-то одного святого Грааля - есть множество подходов/приемов/трюков, и для каждой задачи приходится с нуля выстраивать интуицию о том, что работает хорошо, а что нет. Ну и понятное дело, что такая интуиция не берется с рождения или из воздуха, а вырабатывается с опытом.

Общий вывод, который хочется донести: quant researcher не просто сидит и применяет заранее известную красивую формулу, а превращает нечеткое наблюдение о рынке в воспроизводимый эксперимент и затем (если повезет) в работающую стратегию.

Почему при такой работе кандидатов все равно фильтруют по олимпиадам и спрашивают на собеседованиях задачи про монетки - в следующей части, stay tuned.

#работа #карьера #HFT