Machine Learning Modelling Engineer

优缺点分析

角色解读

• 技术纵深：成为机器学习在量化交易领域的专家，主导核心模型研发
• 横向拓展：转向量化研究员或交易员，结合技术与业务
• 管理方向：带领团队负责机器学习平台建设或算法团队
• 利用深度学习模型解决金融交易中的大规模预测与优化问题，训练并部署神经网络
• 与研究员和交易员协作，设计实验并分析新数据源，推动交易策略创新
• 优化自建计算基础设施，提升数据处理和模型训练效率
• 确保实验可重复性，通过严谨流程验证模型效果
• 扎实的机器学习理论基础，精通深度学习的原理与实现
• 熟练使用PyTorch、TensorFlow等深度学习框架
• 强大的Python编程能力，熟悉数据处理与科学计算库
• 优秀的问题解决和团队协作能力，能快速迭代实验

申请策略

• 在求职信中表达对量化交易或金融科技的热情，并说明为何选择Optiver
• 准备一个端到端的机器学习项目案例，包括问题定义、数据探索、模型选择与评估
• 突出深度学习项目经验，尤其是使用PyTorch/TensorFlow训练大规模模型的实例
• 强调研究背景，包括发表论文或参与比赛（如Kaggle）的成绩
• 展示Python编程能力，如优化代码性能、数据处理流水线的经验
• 量化相关经验（如金融建模、时间序列预测）会显著加分
• 补充强化学习或时间序列预测知识，对交易场景非常有用
• 熟悉分布式训练或GPU优化技术，如Horovod、CUDA

面试指南

• 对于模型设计问题：先阐述问题背景和目标，然后说明模型选择依据（优点与缺点），最后讨论实验结果和改进空间
• 对于性能优化问题：使用STAR方法（情境、任务、行动、结果），重点突出具体技术手段（如混合精度训练、数据并行）和量化提升
• 对于评估问题：强调严谨的实验设计，包括回测、对抗测试、稳健性检验，并提及过拟合的风险管理
• 请详细解释你设计过的一个深度学习模型架构，并说明为何选择该架构
• 如何处理过拟合？在金融时间序列中有什么特殊考虑？
• 描述一次你优化模型训练性能的经历，你做了哪些改进？
• 如何评估一个机器学习模型在交易策略中的有效性？
• 你对Transformer在时间序列预测中的应用有何看法？