澳蒂华
Machine Learning Research Engineer
Machine Learning Research Engineer
发布于 5 个月前普通员工/个人贡献者
New York
专家级经验
全职员工
仅现场办公
博士
研究与开发 (研发)
价格预测
分布式训练
机器学习
深度学习
金融交易
Gpu/Cuda
JAX
PyTorch
TensorFlow
AI 估算 · 116k–116k
该职位要求顶尖的机器学习研究能力，涉及金融交易核心策略，技术门槛极高，市场竞争力强，薪资水平位于行业顶端。
职位详情
关于这个职位
这是一个机器学习研究工程师职位，你将加入一个专注于AI计划的团队，致力于通过机器学习技术来提升公司的期货交易策略
你的核心工作包括进行深度学习价格预测的创新研究，并构建可扩展、鲁棒的训练和推理管道
你将与研究人员和工程师紧密合作，深入了解交易系统，在金融科技领域解决前沿的机器学习基础设施挑战
最低要求
拥有机器学习相关领域的博士学位或同等的行业经验
具备使用 PyTorch、JAX 或 TensorFlow 构建深度学习模型的专长
具备 Python 编程经验
具备在超大规模数据集上进行计算密集型研究的经验
工作职责
针对价格预测进行深度学习的创新研究
为深度学习构建可扩展且鲁棒的训练和推理管道
深入研究开源深度学习框架的内部原理并增强其功能
与研究人员和其他工程师紧密合作
深入了解交易系统
优先资格
具备 JAX 生态系统（XLA, Flax 等）经验
具备 GPU 或其他加速器（CUDA, Triton, Pallas 等）编程经验
对数据科学和机器学习相关的开源项目有贡献
在 NeurIPS、ICML 等顶级会议上有较强的发表记录
精通 PyTorch、JAX、TensorFlow 等深度学习框架的内部原理
具备大规模分布式训练经验
具备 C++ 编程经验
AI 洞察
优缺点分析
优点
- 高影响力：研究成果直接应用于核心交易策略，能快速看到工作对业务产生的实际影响和价值
- 优厚待遇：提供极具竞争力的薪酬包，包括高额基本工资、全球利润分享和绩效奖金，福利全面
- 极高的技术门槛：要求博士级的研究能力和顶尖的工程技能，进入和胜任的竞争非常激烈
- 适合拥有顶尖机器学习研究背景（如博士），同时对将AI技术应用于解决复杂的现实世界问题（特别是金融领域）充满热情和动力的工程师或研究员
缺点 / 挑战
- 平台优势：加入全球领先的做市商，接触真实、大规模的交易数据和最前沿的金融科技挑战
- 技术挑战与深度：工作涉及从底层框架优化到前沿模型研究的全栈AI技术，能极大提升技术深度和工程能力
- 工作压力与强度：金融交易环境节奏快，对模型的性能、稳定性和交付时效有极高要求
- 领域知识壁垒：需要快速学习并深入理解复杂的金融市场和交易系统，这对纯技术背景的人是一大挑战
角色解读
- 技术专家路径：在机器学习研究领域持续深耕，成为公司乃至行业内在量化金融AI应用方面的顶尖专家
- 技术管理路径：随着经验积累，可能转向领导小型研究团队或负责更广泛的AI基础设施项目
- 跨领域发展：凭借在顶尖交易公司积累的AI与金融交叉经验，未来可向更广泛的金融科技、对冲基金或大型科技公司的核心AI研究岗位发展
- 你将进行前沿的深度学习研究，专注于金融市场的价格预测模型开发
- 负责设计和实现从数据处理到模型部署的完整机器学习管道，确保其在大规模场景下的高效与稳定
- 需要深入理解并可能优化开源深度学习框架（如PyTorch, JAX）的内部机制，以支持特定的研究或性能需求
- 与量化研究员和工程师团队紧密协作，将研究成果转化为实际可用的交易策略组件
- 深厚的机器学习理论基础和前沿研究能力，通常通过博士学位或同等水平的项目经验体现
- 精通至少一个主流深度学习框架（PyTorch/JAX/TensorFlow），并能进行高性能编程和系统级优化
- 强大的Python工程能力，以及处理海量数据和进行大规模分布式计算的经验
- 对金融交易系统有强烈的兴趣和学习能力，能够理解业务需求并将其转化为技术方案
申请策略
- 深入研究Optiver作为做市商的业务模式和技术文化，在申请和面试中体现出你对其使命和挑战的理解与认同
- 准备好讨论你过去的研究项目，不仅要讲清楚算法，更要强调其工程实现、规模挑战以及最终产生的实际影响
- 重点突出与深度学习研究直接相关的项目经验，特别是涉及大规模数据、模型创新或性能优化的项目
- 详细描述你对PyTorch/JAX/TensorFlow等框架的深入使用经验，包括任何底层优化或定制开发工作
- 展示你在计算密集型环境（如GPU集群）下的编程和问题解决能力
- 如果有开源项目贡献、顶级会议论文或与金融/交易相关的经验，务必作为核心亮点呈现
- 如果对JAX生态不熟，可以提前学习XLA、Flax等，这是职位明确提到的加分项
- 加强对于高性能计算（CUDA编程）和大规模分布式训练原理的理解与实践
面试指南
- 对于技术问题，采用“STAR”原则（情境、任务、行动、结果）来结构化回答，重点突出你的具体行动、技术决策背后的思考以及可量化的结果
- 对于系统设计问题，从需求分析开始，然后讨论数据流、模块设计、可扩展性、容错性等关键考量点，最后总结权衡取舍
- 对于动机和领域知识问题，将个人技术兴趣与公司业务价值相结合，展示你不仅懂技术，也理解技术应用的商业场景
- 请详细描述你过去进行过的最具挑战性的一个机器学习研究项目，你遇到了什么技术难题，是如何解决的？
- 你如何为一个大语言模型或其他复杂模型设计和实现一个高效且可扩展的训练/推理管道？
- 请解释PyTorch中autograd的工作原理，或者JAX中JIT编译是如何提升性能的？（考察对框架内部原理的理解）
- 你如何处理一个超大规模的数据集进行训练？涉及哪些数据加载、预处理和分布式训练的考虑？
- 为什么你对在交易公司应用机器学习感兴趣？你如何看待AI在金融市场中的角色和挑战？
职位点评
Watch Jobs