Вакансии advantage solutions: работа в IT и digital

Команда Data Engineering отвечает за Market Data Platform — lakehouse-инфраструктуру, которая покрывает весь путь данных: от сырых биржевых фидов до надёжного хранилища петабайтного масштаба для исследований, бэктестинга и торговли в реальном времени.

Опыт работы с биржевыми данными не обязателен: ключевое для нас — сильная экспертиза в lakehouse-системах. Доменный контекст команда даст сама.

Обязанности:

• Развивать lakehouse на Apache Iceberg over AWS S3: партиционирование и сортировка данных, эволюция схемы, snapshots, time travel, compaction, TTL, point-in-time correctness для reference data. Оптимизировать производительность запросов и стоимость хранения.
• Строить batch- и streaming-пайплайны на Airflow, Spark и dbt для tick data и reference data.
• Развивать сбор и нормализацию market data: биржевые фиды (PCAP, multicast UDP, ITCH, FIX) и данные провайдеров (OneTick, Refinitiv, Bloomberg, ICE), реконструкция L2/L3 order book, обработка пропусков и сверка данных.
• Разрабатывать внутренние библиотеки и единый слой доступа к данным (Spark, Polars): управление схемами, data contracts, валидация, lineage.
• Отвечать за мониторинг, алертинг, SLAs/SLOs и CI/CD на Kubernetes / EKS.

Требования:

• 5+ лет опыта разработки систем обработки данных в продакшене
• Практический опыт работы с крупными data lake / lakehouse-системами и понимание типичных проблем их эксплуатации
• Опыт работы с Apache Iceberg или аналогичными табличными форматами (Delta, Hudi): партиционирование, эволюция схемы, snapshots, compaction, работа с каталогом.
• Понимание внутреннего устройства Spark и Iceberg и опыт построения пайплайнов end-to-end, а не только работы поверх готовых фреймворков.
• Сильный Python, включая опыт с Polars и/или PySpark.
• Понимание Apache Arrow и колоночных форматов данных.
• Опыт с Airflow и Apache Spark или аналогичными системами оркестрации и распределённой обработки.
• Продвинутый SQL: сложные агрегации, оконные функции, оптимизация запросов, partition pruning.
• Уверенное знание Linux, практический опыт с Docker, Kubernetes/ EKS, AWS S3.
• Понимание принципов хранения и оптимизации структурированных, неструктурированных и бинарных данных: партиционирование, сжатие, управление стоимостью.
• Английский от B2 — для работы с документацией и общения с международной командой.

Условия:

• Полностью удалённая работа с обязательным пересечением с командой с 12:00 до 18:00 по Москве (GMT+3).
• Компенсация медицинской страховки, спорта и обучения.
• Отсутствие бюрократии и реальная свобода в том, как выстраивать свою работу.
• Возможность расширять зону ответственности по мере роста команды.

Мы ищем Quant Researcher в нашу ML-команду. Основной фокус — генерация альфы с применением машинного обучения. Это практическая роль: вы будете работать непосредственно с живыми рынками и стратегиями и самостоятельно отвечать за свой скоуп.​​

Обязанности:

• Переводить выходные данные ML-моделей в торговые сигналы и признаки (features)
• Комбинировать признаки, полученные с помощью ML, с существующими стратегиями для улучшения результатов и генерации альфы на рынках США, Японии и Китая — в маркетмейкинге по акциям и криптовалютам
• Применять ML-признаки в HFT
• Оценивать наборы признаков, сверять результаты бэктестов с показателями на реальных торгах, проводить эксперименты и оценивать практическое влияние ML-сигналов на PnL стратегии
• Отслеживать качество сигналов во времени; выявлять деградацию, переобучение или смену рыночного режима и предлагать корректирующие меры

Наши ожидания:

• 3+ лет опыта в квантовых исследованиях, алгоритмической торговле или смежной области
• Умение работать самостоятельно и доводить решения до результата без внешнего контроля
• Сильная математическая и статистическая база
• Уверенное владение Python, включая библиотеки для анализа данных и моделирования (pandas, scikit-learn и т.п.); опыт работы с AI-инструментами
• Прикладные навыки ML — классические методы, включая бустинг, классификацию, ансамбли моделей и feature engineering

Будет плюсом:

• Понимание механики low-latency систем: динамика стакана, качество исполнения, чувствительность к задержкам и микроструктура; опыт работы с латентно-чувствительными системами на уровне cloudbox и выше
• Навыки C++ для latency-чувствительных задач; знакомство с соответствующей инфраструктурой и инструментарием