Watch Jobs
JPMorgan Chase logo
摩根大通
Quantitative Trading & Research - AI Scientist, Quantitative Research - Associate/ Vice President
立即应聘

Quantitative Trading & Research - AI Scientist, Quantitative Research - Associate/ Vice President

发布于 2 小时前

普通员工/个人贡献者

AI 估算 · 8.0–15.0万 · AI 参考估算
Central and Western, Hong Kong Island, Hong Kong, HK
高级经验
硕士
全职员工仅现场办公AI算法
AI算法
Distributed Training
Jax
Large Language Models (Llm)
Machine Learning
Market Microstructure
Pytorch
Quantitative Research

值不值得投

82综合评分

综合评分 82

顶尖投行量化AI岗，技术前沿、薪资优厚、发展极好，但工作强度可能较高

从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。

薪资怎么样

11.5万

比AI算法中位数高

发布情况

新岗位 · 今天发布

公司情况

公司还在招多个职位

4 个在招

市场机会

选择面较广

AI算法 · 约 460 个在招

职位详情

关于这个职位

该职位隶属于摩根大通量化交易与研究（QTR）部门的AI Market Lab，旨在利用现代人工智能技术开发下一代电子交易能力

核心职责是主导基于Transformer和时间序列的基础大模型研究，从 scratch 预训练大规模金融数据集模型，并优化其在Alpha生成、定价、做市及风险管理等实际交易场景中的应用与部署

最低要求

拥有机器学习、计算机科学、统计学、数学、运筹学、工程学或相关定量领域的硕士、博士学位或同等经验

具备从头预训练大型模型（Transformer/LLM/多模态/时间序列）的实际经验，仅限API使用或提示工程经验不符合要求
熟练使用PyTorch、JAX或等效框架构建大规模数据管道和分布式训练系统
深入掌握大模型训练与评估知识：包括优化、并行计算、混合精度、检查点机制、实验设计、消融实验和基准测试
通过成功的大型模型训练、高影响力研究成果、开源系统贡献或生产环境部署来证明研究与技术质量

工作职责

使用大规模市场、订单簿、交易和跨资产数据集，从头预训练基于Transformer和时间序列的基础模型

为金融时间序列开发数据表示、分词方案、自监督目标、模型架构和分布式训练配方
对基础模型进行微调和后训练，以应用于Alpha生成、定价、做市、执行和风险管理任务
研究缩放定律、跨工具和资产类别的迁移、制度鲁棒性、数据效率，以及模型质量、推理成本和延迟之间的权衡
设计评估协议，将预训练指标与经济意义结果（如样本外预测、模拟交易、交易成本、容量和实盘标记）联系起来
与ML基础设施工程师合作，构建可重用的训练、检查点、评估和模型服务组件

优先资格

具有用于预测、排序、决策或结构化预测的微调/后训练经验

有时间序列基础模型、限价订单簿建模、多模态市场数据或跨资产迁移学习的相关工作经验
在量化交易、高频交易（HFT）、电子做市或系统性投资方面有经验，特别是将模型部署到实盘交易的经历
在顶级机器学习会议发表论文，或对大规模模型训练系统有重大贡献

AI 洞察

优缺点分析

优点

  • 接触全球顶级的金融数据和算力资源，技术栈处于行业最前沿
  • 直接参与核心交易策略研发，工作成果对业务有直接影响，成就感强
  • 平台优势明显，有助于建立深厚的学术与工业界人脉网络
  • 金融行业监管严格，模型的可解释性和合规性要求高
  • 适合拥有顶尖高校定量学科背景，且在AI大模型与量化交易交叉领域有深厚积累的研究型工程师或科学家

缺点 / 挑战

  • 对候选人的学术背景和工程落地能力要求极高，竞争压力大
  • 需要平衡模型性能与交易延迟等实际约束，研究挑战性强

角色解读

  • 成为AI与量化交叉领域的专家，主导更复杂的金融AI模型研发
  • 向量化投资策略负责人或技术总监方向发展，影响核心交易系统的架构
  • 在顶级学术会议发表成果，提升个人在AI for Finance领域的行业影响力
  • 研发并从头预训练针对金融市场的大规模基础模型（如Transformer和时间序列模型）
  • 构建高效的数据管道和分布式训练系统，处理海量订单簿和市场数据
  • 将AI模型应用于实际的量化交易环节，包括Alpha挖掘、定价、做市策略优化及风险管理
  • 深厚的机器学习理论基础，精通Transformer架构及大模型预训练/微调技术
  • 熟练掌握PyTorch或JAX等框架，具备大规模分布式训练和系统优化能力
  • 理解金融市场微观结构，能将AI技术与量化交易逻辑相结合

申请策略

  • 准备详细的技术作品集或论文，展示解决复杂问题的思路
  • 了解摩根大通QTR团队的研究方向，面试中体现对金融科技前沿的关注
  • 强调工程落地能力，避免只谈理论而忽视实际部署的挑战
  • 突出从头预训练大模型的具体案例，强调数据处理、架构设计和分布式训练细节
  • 展示在顶级ML会议（如NeurIPS, ICML）的发表或高质量开源项目贡献
  • 若有量化交易或金融时间序列建模经验，重点描述模型在实际场景中的表现和收益
  • 深入研读最新的大模型预训练技巧（如Scaling Laws、Self-supervised learning）
  • 强化对金融数据特性（如非平稳性、噪声）的理解，提升模型鲁棒性设计能力

面试指南

  • STAR法则：情境-任务-行动-结果，重点突出技术难点和你的具体贡献
  • 理论结合实践：不仅讲算法原理，更要结合金融数据特性说明为什么这样设计
  • 批判性思维：客观分析不同方法的优缺点，展示对边界条件的理解
  • 请详细描述你从头预训练一个大模型的完整流程，包括数据清洗、架构选择、训练技巧和遇到的挑战
  • 如何处理金融时间序列数据中的非平稳性和噪声问题？
  • 在分布式训练中，如何优化通信开销和显存使用？
  • 如何将预训练模型的指标与实际的交易绩效（如Sharpe Ratio, Drawdown）关联起来？
  • 你对Transformer在金融领域的应用有哪些见解？与传统统计模型相比有何优劣？

职位点评

薪资福利90
成长发展95
工作生活60
使命价值70

薪资福利

90较高

作为上市跨国巨头，提供极具竞争力的薪酬包，符合高端量化人才的市场价位。

薪资信号未披露（AI估算：8.0千–15.0万/月）

成长发展

95较高

职位涉及最前沿的大模型预训练与量化交易结合，技术壁垒高，成长空间巨大。

技术前沿前沿/新兴技术
技术栈Transformer、Foundation Models、PyTorch、JAX、Distributed Training、Time-Series
业务类型profit_center

工作生活

60中等

投行量化部门通常工作强度较大，但地处中环核心地段，通勤便利。

工作模式未明确
办公地点市区核心地段
加班情况未提及（无法判断）

使命价值

70中等

通过技术创新提升金融市场效率和透明度，具有一定的行业价值和社会意义。

行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术

摩根大通 的其他在招职位

相似职位推荐

算法专家

海尔 · 上海市
AI 估算 · 4.0–7.0万2 小时前发布

AI工程師

纬创资通 · 高雄市
AI 估算 · 4.5–7.5万14 小时前发布

大模型算法专家（贷后服务方向）

美团 · 上海市
AI 估算 · 4.0–7.0万23 小时前发布

AI全栈开发工程师

联想 · 北京市
AI 估算 · 4.0–7.0万23 小时前发布

多模态大模型量化研究专家-【可灵AI】

快手 · 北京市
AI 估算 · 6.0–12.0万23 小时前发布

AI Migration Engineer

汇丰 · 广州市
AI 估算 · 2.5–4.5万23 小时前发布

Industrial Engineering ES

德科斯米尔 · 沈阳市
AI 估算 · 2.0–3.5万23 小时前发布

资深软件开发工程师

滴滴出行 · 杭州市
AI 估算 · 3.5–6.0万23 小时前发布
Watch Jobs