Brasilien
Pavago
Goldman Sachs
Global Markets – Quantitative Researcher für systematischen Kredit, Associate/VP - São Paulo
Brasilien
São Paulo, São Paulo, Brazil
PythonJavaSQLC++
Automatische Übersetzung. Prüfe das Original.
Über die Stelle
Über das Team
Das Systematic Credit Team ist eine globale, multidisziplinäre Market-Making-Gruppe, die fortschrittliche quantitative Methoden, Technologie und tiefgreifende Markteinblicke nutzt, um Unternehmensanleihen, Kreditderivate und Fixed Income ETFs zu handeln.
Unser Team in São Paulo operiert an der Schnittstelle von Financial Engineering, machine learning und Hochleistungsrechnen und arbeitet eng mit globalen Desks in New York, London und Hongkong zusammen. Wir entwickeln, backtesten und implementieren systematische Market-Making-Strategien, die Liquidität bereitstellen, Alpha generieren und Risiken in historisch fragmentierten und außerbörslichen (OTC) Kreditmärkten managen.
Ihr Einfluss
Als Quantitative Researcher auf Associate- oder Vice President-Niveau treiben Sie die Forschungsagenda und die Infrastruktur für unsere systematischen Market-Making-Strategien im Kreditbereich voran. Sie übernehmen die Verantwortung für die gesamte quantitative Pipeline – von der Beschaffung und Strukturierung komplexer Kreditdatensätze über die Entwicklung prädiktiver Merkmale und den Aufbau von Alpha-Modellen bis hin zur Entwicklung der Kernplattformen, die die Signalerzeugung für das gesamte Team demokratisieren.
Für Kandidaten, die auf VP-Niveau einsteigen, werden Sie auch wichtige Architekturentscheidungen für unsere Forschungsplattform leiten, Junior Researcher betreuen und direkt mit globalen Handelsteams zusammenarbeiten, um Modelle von der Forschung in die Produktion zu überführen.
Hauptverantwortlichkeiten
- Alpha-Generierung & Strategieentwicklung: Durchführung rigoroser statistischer Forschung zur Identifizierung prädiktiver Signale (Alphas) für Unternehmensanleihen und Kredit-ETFs. Anwendung fortschrittlicher Zeitreihenanalyse, machine learning und Verarbeitung alternativer Daten zur Modellierung von Kreditspread-Dynamiken.
- Konsolidierter Daten-Framework & Pipeline für Forschungszwecke: Entwurf und Aufbau eines konsolidierten, leistungsstarken Daten-Frameworks und einer Pipeline für Forschungszwecke zur Unterstützung der Signalerzeugung. Erfassung, Bereinigung und Normalisierung vielfältiger, verrauschter Kreditdatensätze (z. B. TRACE, Händlerdaten, Feeds elektronischer Kommunikationsnetze), um eine robuste „Golden Source“ für die quantitative Forschung zu etablieren.
- KI-gestützte Self-Service-Plattform für Signal-Backtesting: Entwurf, Entwicklung und Wartung einer offenen, skalierbaren, KI-basierten Plattform, die es Forschern und Händlern ermöglicht, Signalideen nahtlos hochzuladen, machine learning für die automatisierte Parameterabstimmung zu nutzen und sie anhand eines standardisierten, Point-in-Time und biasfreien Simulationsrahmens zu backtesten.
- Quantitative Infrastruktur & Tooling: Zusammenarbeit mit quantitativen Entwicklern beim Aufbau und der Skalierung von Backtesting-Engines, Simulationsframeworks und produktionsreifen Analysebibliotheken. Sicherstellen, dass der Forschungscode modular, gut getestet und für Hochleistungsrechenumgebungen optimiert ist.
Mindestanforderungen
Erforderliche Erfahrung & Ausbildung
- Ausbildung: Master- oder PhD-Abschluss in einer hochgradig quantitativen MINT-Disziplin (z. B. Mathematik, Physik, Informatik, Statistik, Operations Research oder Financial Engineering).
Erfahrung:
- Associate-Level: 3+ Jahre Berufserfahrung in der quantitativen Forschung, im Financial Engineering oder in der Data Science.
- VP-Level: 6+ Jahre Erfahrung mit einer nachgewiesenen Erfolgsbilanz in der Entwicklung systematischer Handelsstrategien oder fortschrittlicher quantitativer Modelle (idealerweise im Bereich Fixed Income, Credit oder Macro).
Kernkompetenzen & technische Fähigkeiten
- Quantitative & Fixed Income Grundlagen: Tiefes Verständnis von Wahrscheinlichkeitsrechnung, Statistik, linearer Algebra und Zeitreihenanalyse, gepaart mit einem starken konzeptionellen Verständnis von Anleihepreisbildung, Rendite-zu-Preis-Umrechnungen, Kreditspreads und Zinsrisiken (Duration/Konvexität).
- Fortgeschrittene Programmierung: Fortgeschrittene Kenntnisse in Python (Pandas, NumPy, SciPy, Scikit-Learn) mit einem Software-Engineering-Mindset – Kombination aus schnellem mathematischem Prototyping mit sauberem, modularem und gut dokumentiertem Code. Objektorientierte Programmierung in C++ oder Java ist sehr wünschenswert.
- Data Engineering & Quantitative Toolkits: Erfahrung im Umgang mit großen, verrauschten und unstrukturierten Datensätzen unter Verwendung von SQL und leistungsstarken Zeitreihendatenbanken (z. B. KDB+/Q, ClickHouse). Beherrschung der Anwendung von machine learning-Techniken (Regression, baumbasierte Modelle, neuronale Netze) auf Finanzdaten.
- Intellektuelle Ehrlichkeit & kollaborative Kommunikation: Bestrebt, Marktmechanismen zu verstehen und nicht nur Kurven anzupassen. Besitzt die analytische Ehrlichkeit, Annahmen zu hinterfragen, fehlgeschlagene Hypothesen zu wiederholen und komplexe quantitative Konzepte in klare, umsetzbare Erkenntnisse für globale Stakeholder zu übersetzen.
Bevorzugte Qualifikationen
- Direkte Erfahrung in der Erforschung systematischer Strategien für Unternehmensanleihen oder Kreditderivate.
- Erfahrung im Aufbau von Self-Service-Plattformen für quantitative Forschung, APIs oder gemeinsamen Backtesting-Frameworks.
- Praktische Erfahrung mit KDB+/Q oder der Verwaltung von groß angelegten Finanzdatensätzen auf Tick-Ebene.
Mehr Möglichkeiten mit einem Profil
Für mehr Stellen berücksichtigt werden, ohne den ganzen Prozess zu wiederholen? Erstellen Sie Ihr Profil, damit Unternehmen auf Nort Sie finden.
Profil erstellen