Investment Research Analyst with GenAI focus | SberCIB
Вы хорошо разбираетесь в финансах, рынках и макроэкономике — и хотите оказаться на переднем крае того, как AI меняет инвестиционную аналитику? Мы создаём GenAI-платформу, которая помогает аналитикам sell-side research анализировать данные, находить сигналы, строить прогнозы и готовить инвестиционные рекомендации. И нам нужен человек, который понимает смысл этой работы изнутри.
Мы ищем специалиста с сильным финансовым и макроэкономическим бэкграундом, который хочет развиваться в направлении GenAI и AI-агентов. Важно ваше понимание инвестиционного процесса, аналитическое мышление и готовность учиться.
- Разрабатывать мультиагентную систему для анализа и прогнозирования финансовых и экономических трендов. Переводить исследовательские гипотезы, инвестиционную логику и потребности команды Research на язык AI-инструментов: какие данные нужны, какие вопросы должна решать система, как должен выглядеть результат.
- Проектировать сценарии работы AI-агентов. Описывать, как «цифровые помощники аналитика» должны рассуждать: как искать сигналы в отчётности и новостях, как строить сценарный анализ, как проверять собственные выводы.
- Оценивать качество AI-решений с точки зрения аналитика. Формировать эталонные примеры «как должен выглядеть хороший анализ», проверять прогнозы на исторических данных, находить ошибки в рассуждениях моделей и помогать их исправлять.
- Комбинировать LLM-подходы с классическими ML- и time-series-моделями: прогнозированием, nowcasting, кластеризацией, выявлением аномалий, факторным и сценарным анализом.
- Финансовый и/или макроэкономический бэкграунд: investment research, инвестиционный банкинг, asset management, рынки капитала, риск-менеджмент, fintech — либо профильное образование и глубокий практический интерес.
- Опыт с LLM/GenAI: prompt engineering, RAG, embeddings, vector databases, function/tool calling, structured outputs.
- Знание агентного фреймворка: LangGraph, LangChain или аналогов — и понимание современных мультиагентных подходов.
- Уверенное знание Python и опыт работы с Git, Docker, SQL, API
-Опыт построения evals и observability: LangSmith, LangFuse, Arize Phoenix, trace-based анализ ошибок.
-Асинхронное программирование и оркестрация параллельных задач.
-Облачная инфраструктура и базовые практики MLOps / CI/CD.
- Классический DS-стек:scikit-learn, PyTorch/TensorFlow.
- Опыт с временными рядами и прогнозированием: backtesting, time-based валидация.