Millennium
Data Scientist
Data Scientist
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公数据科学
数据科学
Jax
Langgraph
Langsmith
Llm
Pytorch
期权定价
机器学习
值不值得投
79综合评分
综合评分 79
顶级量化机构核心数据科学岗，技术栈前沿且成长空间极大，薪资极具竞争力，但WLB信息未明。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
7万
比数据科学中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
15 个在招
市场机会
选择不多
香港特别行政区 · 数据科学 · 4 个在招
职位详情
关于这个职位
该职位隶属于千禧年管理波动率Alpha开发团队，主要负责研发和部署用于波动率预测、期权定价及信号生成的AI/ML模型
你将利用JAX、PyTorch及大语言模型等前沿技术，构建高性能量化研究工作流，并与投资组合经理紧密合作，将AI辅助工具集成到实际投资工作流中
最低要求
计算机科学、工程、数学、物理或相关定量领域的学士、硕士或博士学位
在量化、工程或数据驱动的金融服务环境中拥有至少三年工作经验
具备扎实的Python编程技能
拥有Kubernetes、Docker、Airflow及CI/CD实践的实操经验
具备金融市场（特别是期权和衍生品）的相关知识
具备出色的解决问题、沟通及跨职能协作能力
工作职责
研究、开发并产品化用于波动率预测、期权定价、信号生成、事件分析及系统性假设检验的AI/ML模型
使用JAX、PyTorch和硬件加速构建高性能量化研究工作流
使用LangGraph设计智能体（agentic）研究和运营工作流，并通过LangSmith进行评估、追踪和可观测性分析
与研究员、工程师和投资组合经理合作，将AI辅助研究、模拟交易和决策支持工具集成到投资工作流中
应用LLM应用开发技术，包括提示词工程、工具使用、结构化输出、嵌入、向量数据库和模型评估
支持生产环境ML实践，包括实验追踪、特征和数据版本控制、模型监控、漂移检测和可重复性
优先资格
有C++、Java、Rust、Go或C#等编程经验者优先
AI 洞察
优缺点分析
优点
- 身处全球顶级另类投资机构，能接触到最前沿的AI/ML技术在真实金融交易中的应用，技术含金量极高
- 团队专注于波动率Alpha开发，业务核心且直接支持投资组合经理，工作成果对业务影响显著
- 提供极具竞争力的薪酬福利和全球化的职业发展平台，有利于积累顶尖量化金融经验
- 需要快速跟进大模型（LLM）和AI Agent等前沿技术，并将其与严谨的量化金融逻辑相结合，技术跨度大
- 适合具备扎实机器学习工程能力、对金融市场（特别是衍生品）有浓厚兴趣，且能在高压环境下追求极致技术落地的复合型人才
缺点 / 挑战
- 金融交易环境对模型的准确性、延迟和稳定性要求极高，面临较大的实盘验证压力和容错率挑战
角色解读
- 在顶级量化团队中，可向资深数据科学家或量化研究员（Quant Researcher）方向发展，深入核心策略研发
- 也可向AI工程化或MLOps架构师方向转型，负责整个团队的基础设施与AI工作流建设
- 研发并部署用于波动率预测、期权定价和信号生成的AI/ML模型，将其转化为实际生产力
- 利用JAX、PyTorch及大语言模型（LLM）构建高性能量化研究工作流和智能体（Agentic）系统
- 与投资组合经理和研究员紧密合作，将AI辅助决策工具无缝集成到日常投资交易工作流中
- 精通Python编程，并具备JAX、PyTorch等深度学习框架的实操经验，熟悉LLM应用开发（如LangGraph、向量数据库）
- 掌握MLOps及工程化技能，熟练使用Kubernetes、Docker、Airflow等工具进行模型部署与生产环境管理
- 具备扎实的金融市场知识，特别是期权和衍生品定价及波动率模型的理解
申请策略
- 了解Millennium的Pod Shop模式及波动率策略的基本逻辑，面试时展现出对投资业务的商业敏锐度
- 准备好探讨如何将前沿AI技术（如LLM）严谨地应用于对容错率要求极高的金融定价和预测场景中
- 突出在金融或量化领域使用Python、PyTorch/JAX进行模型研发和落地的具体项目经验及业务收益
- 展示在LLM应用开发（如LangGraph、RAG、Agent）或MLOps（K8s、Airflow）方面的工程化实践能力
- 强调对期权、衍生品或波动率模型的理解，如有相关研究或实盘经验务必详细列出
- 深入学习JAX和PyTorch在硬件加速下的高性能计算优化，提升大规模数据处理和模型训练效率
- 熟悉LangGraph和LangSmith等前沿AI Agent框架，掌握大模型在复杂工作流中的编排与评估方法
面试指南
- STAR法则：针对技术实现问题，按照情境、任务、行动、结果的结构，重点突出技术选型理由和性能优化指标
- 业务结合：在回答算法或模型问题时，始终将技术实现与金融业务目标（如降低延迟、提高夏普比率、减少滑点）挂钩
- 请描述一个你使用PyTorch或JAX构建高性能机器学习工作流的项目，你是如何优化计算效率的？
- 在期权定价或波动率预测中，你如何评估和监控模型在实盘中的表现及漂移情况？
- 你如何利用LangGraph或类似框架构建一个AI Agent来辅助量化研究或数据分析？
- 请解释一下你在使用Kubernetes和Airflow进行模型部署和调度时的最佳实践
- 复习期权定价模型（如Black-Scholes、局部波动率模型）及波动率曲面拟合的基础知识
- 准备1-2个将大语言模型（LLM）或AI Agent应用于实际业务场景的完整案例，包括遇到的挑战和解决方案
职位点评
薪资福利90
成长发展95
工作生活40
使命价值75
薪资福利
90较高
作为全球顶级投资机构的核心量化团队岗位，该职位提供极具市场竞争力的薪酬水平，能够充分满足对高薪资回报的期望。
薪资信号未披露（AI估算：5千–9万/月）
成长发展
95较高
岗位涉及最前沿的AI/ML、LLM Agent及高性能计算技术在量化金融中的应用，技术成长空间极大，且处于核心业务团队。
技术前沿前沿/新兴技术
技术栈Python、JAX、PyTorch、LangGraph、LangSmith、LLM、Kubernetes、Docker、Airflow
成长机会continuous learning、deepen expertise、accelerate development
业务类型profit_center
工作生活
40较低
JD未提及任何工作模式、办公灵活性或WLB相关信息，无法判断其生活化动机满足程度。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
75中等
岗位致力于通过前沿AI技术创新推动量化投资业务发展，具有较高的行业影响力和技术使命感。
行业发展稳定成熟行业
社会影响中性/一般
使命信号deliver results for our investors、transformative growth accelerates impact
创新程度积极采用新技术
Millennium 的其他在招职位
相似职位推荐
Watch Jobs