Prime Intellect
Prime Intellect
Prime Intellect bygger decentraliseret computerinfrastruktur til AI-udvikling. Platformen forbinder brugere med globale computerressourcer og GPU-kapacitet, så de kan træne avancerede sprogmodeller og videnskabelige modeller på tværs af distribuerede klynger. Virksomheden fokuserer på forskning i decentraliseret træning og open source-AI med vægt på at gøre modeludvikling mere tilgængelig gennem delte computerressourcer.

Anvendt forsker inden for kvantitativ finans

Byg agenter, markedsimulatorer, evalueringer og eftertræningsmetoder til kvantitativ finansforskning. Prime Intellect udvikler åben AI-infrastruktur i frontlinjen for forskerhold og udviklere.

Beskrivelse

  • Skab forskningsmiljøer, evalueringer, agenter og eftertræningsmetoder til kvantitativ forskning og systematiske beslutninger.
  • Omsæt forskningsarbejdsgange til opgaver, miljøer, evalueringer og belønningssignaler.
  • Sammenlign eftertræningseksperimenter med reelle baselines, og spor forbedringer tilbage til modellen, dataene, værktøjskæden, inferensen eller infrastrukturen.
  • Byg miljøer til kvantitativ forskning, hvor hypoteser kan formuleres og testes, punkt-i-tid-data analyseres og backtestes, og resultater diagnosticeres.
  • Udform belønninger og evalueringer, der skelner varige forbedringer fra look-ahead-bias, datalækage, overtilpasning, gunstige antagelser om eksekvering, skjult koncentration og halerisiko.
  • Træn agenter med lange tidshorisonter i at bruge data-, forsknings-, kodnings-, simulerings- og porteføljeværktøjer, samtidig med at de sporer dataproveniens og overholder risikobegrænsninger.
  • Modellér realistiske markedsmekanismer, transaktionsomkostninger, latenstid, kapacitet og driftsmæssige begrænsninger i forskningsmiljøer.
  • Udvikl agenter, der udfører kvantitativ forskning, bruger analyse- og eksekveringsværktøjer, vurderer evidens og kommer videre efter mislykkede hypoteser.
  • Skab verifikatorer og evalueringer, der måler robust adfærd uden for træningsdataene på tværs af aktiver, tidshorisonter, regimer og ugunstige forhold.
  • Byg produktionsforløb med overvågning, menneskeligt tilsyn, regressionsværn og fejlattribution på tværs af modeller, data, simulering og infrastruktur.
  • Arbejd direkte med kunder, brugere eller forskningspartnere, samtidig med at du forfølger en substantiel forskningsagenda.
  • Gør genanvendeligt arbejde til fælles forskning, open source-systemer og produktfunktioner.

Krav

  • Stærkt fundament inden for reinforcement learning, agenter eller eftertræningssystemer samt evne til at blive fortrolig med kvantitativ forskning.
  • Erfaring med systematisk handel, markedsmikrostruktur, tidsseriemodellering, økonometri eller finansiel simulering er nyttig, men ikke et krav.
  • Praktisk erfaring med at bygge og fejlfinde arbejdsgange for modeltræning, eftertræning, agenter, evaluering eller beslægtede eksperimenter.
  • God eksperimentel dømmekraft, herunder meningsfulde baselines, omhyggelig inspektion af spor, tydelig fejlattribution og vilje til at ændre retning, når evidensen ændrer sig.
  • Stærke Python-færdigheder.
  • Evne til at bygge artefakter, som andre forskere og ingeniører kan køre, inspicere og videreudvikle.
  • Tryg ved at tage ejerskab for uklare problemer og holde samarbejdspartnere og teammedlemmer orienteret.
  • Publikationer, open source-systemer, benchmarks eller lancerede produkter, der demonstrerer enestående arbejde.

Fordele

  • Aktieincitamenter.
  • Fleksibelt arbejde i San Francisco, New York, London eller på afstand.
  • Visumsponsorering og flyttehjælp.
  • Budget til faglig udvikling.
  • Teammøder uden for kontoret og deltagelse i konferencer.

Relaterede job