Middle / Senior Data Scientist (Финансы)
Data Scientist at Sber building an AI agent that orchestrates ML models for bond market analysis and trading recommendations, plus payment reconciliation and time-series anomaly monitoring tools. Daily work spans tabular ML, time-series anomaly detection/forecasting, and NLP/LLM/RAG development in Python with Hadoop/PySpark, based in a Moscow office.
- Compensation
- Not disclosed
- Location
- Москва
- Work setup
- Onsite
- Seniority
- Senior
- Employment
- Not specified
- Experience
- Not specified
- Category
- Data science
- Posted
Skills
Must have
- 3+ years of experience as a Data Scientist
- Degree in Mathematics, Physics, or Mathematical Methods in Economics
- Deep knowledge of probability theory and mathematical statistics
- Writing quality Python code (OOP, memory- and speed-optimized code)
- Understanding of ML algorithm internals (boosting, neural networks, NLP models, LLMs)
- Proficiency with classic ML Python libraries (numpy, sklearn, pandas, matplotlib/seaborn/plotly, catboost/lightgbm/xgboost, fbprophet, pygam)
- Proficiency with PyTorch or other deep learning frameworks
- Hands-on practice with neural network models (RNN, LSTM, Transformer, BERT)
- Experience developing NLP models (NLTK, spaCy, gensim, transformers)
Nice to have
- Graduate of MSU, MIPT, HSE, or another leading university
- Understanding of securities markets or willingness to develop in this area
- Knowledge of financial metrics: YTM, duration, etc.
- Experience with yield curves and understanding of securities risk assessment
- Understanding of pairs trading concept
- Practical LLM fine-tuning and inference skills
- Experience developing and optimizing RAG pipelines
Full description
AI-агент управляющего портфелем облигаций: требуется разработать агента, который будет оркестрировать несколько ML моделей для анализа биржевых стаканов облигаций и на основании этого предлагает оптимальные варианты для совершения сделок покупки/продажи бумаг трейдерам
AI - позиционер:
a. Автоматическая квитовка платежей – требуется автоматизировать процесс сбивки плановых и фактических платежей по информации о платеже и его назначении
b. Универсальный тул мониторинга временных рядов – требуется разработать архитектуру для детекции аномалий во временных рядах в потоках платежей в различных системах (НОСТРО, ЛОРО, TFM).
Обязанности
- сбор требований по моделям и коммуникация с заказчиком и DE
- определение целевых метрик решения и согласование их с заказчиком
- сбор и подготовка данных (Hadoop, pyspark, написание парсеров для сборки внешних данных)
- построение моделей по табличным данным
- поиск аномалий во временных рядах
- построение моделей предсказания временных рядов
- классификация новостей по степени влияния на рынок облигаций
- генерации торговых сигналов на основе неструктурированных данных
- создание RAG базы для генерации текстовых обоснований рекомендаций для трейдеров
- адаптация LLM для формулировки торговых идей на естественном языке
- тестирование различных гипотез.
Требования
- опыт работы Data Scientist от 3х лет
- образование по направлениям "Математика", «Физика», «Мат. методы в экономике», (желательно выпускники - МГУ, МФТИ, ВШЭ и других ведущих вузов страны)
- глубокие знания в области теории вероятностей и математической статистики
- навыки написания качественного кода на Python (знание ООП, умение написания оптимального кода по скорости и памяти)
- понимания работы алгоритмов ML-моделей (бустинг, нейронные сети, NLP-модели, LLM)
- владения Python несколькими библиотеками для классического ML из списка или релевантными (numpy, sklearn, pandas, scikit-learn, matplotlib/seaborn/plotly, catboost/lightgbm/xgboost, fbprophet, pygam)
- владения pytorch или другими DL фреймворками
- практика с нейросетевыми моделями (RNN, LSTM, Transformer, BERT)
- опыт разработки NLP-моделей (NLTK, spaCy, gensim, transformers).
Будет плюсом:
- понимание работы рынков ценных бумаг или готовность развиваться в этой области:
- знание фин. метрик: YTM, duration и т.д.
- опыт работы с кривыми доходностей и понимание оценки риска ценных бумаг
- понимание концепции парной торговли
- практические навыки fine-tuning и инференса LLM
- опыт разработки и оптимизация RAG-пайплайнов.