В первой части мы остановились на суровой реальности: Data Scientist'у с PhD по математике год отказывали HFT-фонды.
Наш Data Scientist с 5+ летним опытом, математикой и научными публикациями хотел работать квант-ресерчером и обладал частью нужных компетенций: финансовая математика (греки, теорвер, матстат), но со стороны ML были пробелы по темам, актуальным для HFT.
Я провел мок-интервью: узнал о его достижениях, стажировках и выбрал наиболее релевантные. Резюме было оформлено не по международным стандартам и напоминало технический справочник: перечисление языков, фреймворков, библиотек, но без конкретных достижений.
Вот что я сделал:
▶️Релевантная должность
Переименовал должность с Data Scientist на Quant Researcher. В научной работе кандидат использовал Quantum Computing, но фондам нужен Quant Researcher. Математический аппарат похож, язык бизнеса – другой.
▶️Исследовательская стажировка
На мок-интервью выяснилось, что кандидат стажировался в Huawei, но посчитал ее нерелевантной. Я подсветил, что она важна и вернул ее в резюме.
▶️Научные публикации
В резюме не хватало части релевантных статей, а включенные публикации были поданы слишком академично и не усиливали позиционирование кандидата под HFT, поэтому я вернул актуальные статьи и скорректировал их подачу.
▶️Достижения по STAR
Переписал процессы на бизнес результаты:
• Ускорил численные методы в 2.5 раза за счет оптимизации расчетов (сократил итерации с 12 до 5).
• Ускорил расчет греков в 4х через тензорные сети для сложных структурных продуктов.
• Откалибровал модель Блэка-Шоулза для портфеля из 50+ активов и автоматизировал процесс калибровки, сократив время пересчёта параметров с 4 часов до 15 минут.
▶️Подготовка к интервью
Я поделился базой для кванта: теорвер с задачами, лекции по ML от Р. Нейчева (ФПМИ), разборы квантовых тем (маркет-мейкинг, арбитраж, моментум, метрики) и другие. И совет, который даю всем: участвуйте в спонсорских раундах HFT-фондов на Codeforces (Pinely, Order Capital, Wunder Fund) и в контестах на Kaggle. Рекрутер видит рейтинг ещё до резюме, а топ-участников зовут на интервью напрямую.
Спойлер: наша стратегия переупаковки сработала, и кандидат получил оффер. С чем он столкнулся на собеседованиях и что помогло ему их пройти – расскажу в третьей части.
📁 Чтобы ожидание было полезным, я упаковал все материалы в единый гайд для квантов. Оставляйте «+» в комментариях, и я опубликую его следующим постом.
🐹 Nikita Nikolaev | Quant Scout & HFT Career Coach
Наш Data Scientist с 5+ летним опытом, математикой и научными публикациями хотел работать квант-ресерчером и обладал частью нужных компетенций: финансовая математика (греки, теорвер, матстат), но со стороны ML были пробелы по темам, актуальным для HFT.
Я провел мок-интервью: узнал о его достижениях, стажировках и выбрал наиболее релевантные. Резюме было оформлено не по международным стандартам и напоминало технический справочник: перечисление языков, фреймворков, библиотек, но без конкретных достижений.
Вот что я сделал:
▶️Релевантная должность
Переименовал должность с Data Scientist на Quant Researcher. В научной работе кандидат использовал Quantum Computing, но фондам нужен Quant Researcher. Математический аппарат похож, язык бизнеса – другой.
▶️Исследовательская стажировка
На мок-интервью выяснилось, что кандидат стажировался в Huawei, но посчитал ее нерелевантной. Я подсветил, что она важна и вернул ее в резюме.
▶️Научные публикации
В резюме не хватало части релевантных статей, а включенные публикации были поданы слишком академично и не усиливали позиционирование кандидата под HFT, поэтому я вернул актуальные статьи и скорректировал их подачу.
▶️Достижения по STAR
Переписал процессы на бизнес результаты:
• Ускорил численные методы в 2.5 раза за счет оптимизации расчетов (сократил итерации с 12 до 5).
• Ускорил расчет греков в 4х через тензорные сети для сложных структурных продуктов.
• Откалибровал модель Блэка-Шоулза для портфеля из 50+ активов и автоматизировал процесс калибровки, сократив время пересчёта параметров с 4 часов до 15 минут.
▶️Подготовка к интервью
Я поделился базой для кванта: теорвер с задачами, лекции по ML от Р. Нейчева (ФПМИ), разборы квантовых тем (маркет-мейкинг, арбитраж, моментум, метрики) и другие. И совет, который даю всем: участвуйте в спонсорских раундах HFT-фондов на Codeforces (Pinely, Order Capital, Wunder Fund) и в контестах на Kaggle. Рекрутер видит рейтинг ещё до резюме, а топ-участников зовут на интервью напрямую.
Спойлер: наша стратегия переупаковки сработала, и кандидат получил оффер. С чем он столкнулся на собеседованиях и что помогло ему их пройти – расскажу в третьей части.
📁 Чтобы ожидание было полезным, я упаковал все материалы в единый гайд для квантов. Оставляйте «+» в комментариях, и я опубликую его следующим постом.
4 НЕОЧЕВИДНЫЕ КИЛЛЕР-ФИЧИ ИЗ ЭТОГО КЕЙСА ДЛЯ ТВОЕГО РЕЗЮМЕ
1. Позиционирование решает всё. Название должности – это метка для поисковых алгоритмов. Пока ты Data Scientist, сорсер просто не найдет тебя в LinkedIn по своим булевым запросам ("Quant Researcher" OR "Quantitative Researcher"). Пиши ту роль, на которую реально идешь.
2. Оцифровка результатов (STAR). Список технологий ничего не продает, бизнес покупает результат. Описывай опыт через метрики: задача, действия и конкретный профит (ускорил расчеты, оптимизировал модель).
3. Используй шорт-треки. Классические отклики работают хуже. Участвуй в профильных соревнованиях и ищи рефералов внутри компании, чтобы передавать резюме напрямую нанимающему менеджеру.
4. Аудит и нишевая экспертиза. При смене сферы легко выгореть на отказах. Работа с карьерным консультантом в HFT дает понятный путь к офферу: перевод академического опыта на язык бизнеса и доступ к закрытым профильным материалам для подготовки. А если у тебя рефералов внутри фондов нет, то он передаст резюме напрямую в компании.
🐹 Nikita Nikolaev | Quant Scout & HFT Career Coach