„Softcard“ buvo „AT&T Mobility“, „T-Mobile USA“ ir „Verizon Wireless“ sukurta finansinių technologijų ir mobiliosios prekybos platforma. Jos mobilioji piniginė su NFC funkcija padėjo vartotojams atlikti bekontakčius mokėjimus, apsipirkti telefonu ir vienoje vietoje naudotis lojalumo funkcijomis. „Softcard“, daugiausia dėmesio skyrusi mobiliesiems mokėjimams, skaitmeninėms piniginėms ir apdovanojimams, kūrė technologijas, skirtas kasdienėms operacijoms padaryti greitesnes ir labiau pritaikytas asmeniniams poreikiams, kol įmonę įsigijo „Google“.
Kiekybinės analizės specialistas, portfelio formavimo analitika
Kursi portfelio formavimo analitiką, API, prognozavimo metodus ir mašininio mokymosi modelius, skirtus „Invesco“ investavimo galimybėms stiprinti. Taikysi kiekybinius tyrimus, optimizavimą, modeliavimą ir duomenų inžineriją portfelio bei klientų sprendimuose.
Aprašymas
- Padėsi formuoti kelių ir vienos turto klasės portfelius, taikydamas pažangius turto paskirstymo ir portfelio formavimo metodus
- Kursi didelio našumo skaičiavimo algoritmus, infrastruktūrą ir API
- Tyrinėsi ir įgyvendinsi prognozavimo bei numatymo metodus, naudodamas statistinius metodus, mašininį mokymąsi ir generatyvųjį dirbtinį intelektą
- Investavimo sistemas paversi praktiniais įrankiais investavimo komandoms ir darbui su klientais
- Taikysi pažangius optimizavimo metodus portfelio sprendimams vidaus ir išorės suinteresuotosioms šalims kurti
- Naudosi kelių laikotarpių simuliacijas rezultatams prognozuoti ir optimizuoti, atsižvelgdamas į pinigų srautus bei pasirinkimo galimybes
- Į portfelio formavimo analizes įtrauksi trečiųjų šalių rizikos modelius
- Kursi ir prižiūrėsi procesus bei įrankius, stiprinančius duomenų valdymą ir tyrimų produktyvumą
- Bendradarbiausi su kiekybinių tyrimų ir technologijų komandomis, taikydamas finansų teoriją ir geriausią technologijų praktiką
- Kursi tyrimų koncepcijas, gerinančias esamas sistemas ir įrankius
- Stebėsi akademinius tyrimus ir pramonės pokyčius, kad darbe pritaikytum aktualią geriausią praktiką
Reikalavimai
- Aukštesnysis kiekybinės srities, pavyzdžiui, inžinerijos, finansų, operacijų tyrimų ar kompiuterių mokslo, išsilavinimas
- Praktinės žinios apie nusistovėjusius finansų inžinerijos metodus
- Puikūs statistikos ir optimizavimo gebėjimai
- Puikūs programavimo įgūdžiai, pageidautina naudojant Python
- Patirtis kuriant ir diegiant mašininio mokymosi modelius finansinėse taikomosiose programose, ypač tokiose neuroninių tinklų architektūrose kaip LSTM, CNN ir transformatoriai, būtų privalumas
- Scikit-learn, TensorFlow ir PyTorch išmanymas neuroninių tinklų modeliavimui
- Patirtis tvarkant ir transformuojant didelius duomenų rinkinius, pageidautina naudojant SQL
- Gebėjimas perprasti sudėtingas sąvokas ir išreikšti jas sisteminiais algoritmais
- Patirtis naudojant trečiųjų šalių rizikos modelius, tokius kaip „BarraOne“ ar „Axioma“, būtų privalumas
- Pageidautina siekti CFA kvalifikacijos
- Gebėjimas nustatyti prioritetus ir valdyti laiką, kad investavimo procesas būtų kuo paveikesnis
- Išskirtinis dėmesys detalėms ir įprotis tikrinti bei kryžmiškai palyginti rezultatus
- Puikūs bendravimo ir bendradarbiavimo įgūdžiai
- Įsipareigojimas užtikrinti aukštą darbo kokybę
Privalumai
- Lanksčios apmokamos atostogos
- Hibridinio darbo galimybė
- 401(k) įmokų atitiktis, lygi 100 % pirmųjų 6 % įmokų, taip pat papildoma diskrecinė įmoka
- Sveikatos ir gerovės programos
- Tėvystės ir motinystės atostogos
- Darbuotojų akcijų įsigijimo planas