30 秒看懂
Jane Street 香港股票交易团队的交易员 Matt 讨论如何将机器学习应用于金融数据,以及处理这些数据所需的基础设施。他还介绍了交易员、研究员和开发者之间的协作,以及机器学习工程和研究岗位的区别。
- 1办公室较小,接触面更广Matt 说,规模较小的香港办公室让员工接触不同领域,也往往有更多机会承担责任。
- 2金融数据带来不同问题金融数据通常比其他类型的数据噪声更大,而且数量庞大。Jane Street 使用 Python 和 OCaml 构建了处理这些数据的基础设施。
- 3不同岗位协作Matt 与研究员和开发者坐在一起,同事们经常聚在某人的桌前讨论研究。
- 4两种机器学习岗位机器学习工程师构建基础设施和工具;机器学习研究员使用这些工具开展研究。Matt 说,公司对有机器学习经验的候选人感兴趣。
要点建议
- 规模较小的香港办公室能让员工接触不同领域,并有机会承担责任。
- 金融数据通常噪声较多、数量庞大,需要适合其特点的技术和基础设施。
- Jane Street 的研究基础设施大量使用 Python,也使用 OCaml。
- 交易员、研究员和开发者密切合作开展研究。
- 机器学习工程侧重基础设施和工具,机器学习研究则侧重用这些工具开展研究。
按章节阅读整理后的全文
从纽约到香港
Matt 介绍自己的交易工作和搬到香港的经历。他珍视规模较小的办公室带来的广泛接触和承担责任的机会。
我是 Matt,在香港股票交易团队担任交易员。我于 2012 年在纽约入职,几年后搬到香港。Jane Street 创立于纽约,所以纽约办公室大得多;在香港,我能接触更多不同领域,通常也有更多机会承担责任,这让我很兴奋。
金融数据上的机器学习
Matt 解释了噪声较大、数量庞大的金融数据如何影响工作和所需工具。他介绍了公司不断扩大的机器学习业务。
在 Jane Street 做机器学习,与在一些大型科技公司做机器学习,主要区别在于面对的问题类型。我们关注的是金融数据,而不是语言数据等。金融数据有不同的特点:它的噪声通常更大,因此使用的技术也有所不同。
金融数据的数量也非常庞大,因此我们需要大量工具来处理。我们为此建立了良好的基础设施。研究基础设施大多使用 Python,不过我们也大量使用 OCaml。
我们很期待进一步发展机器学习业务,并在全球扩充团队。现在加入是个令人兴奋的机会,因为这是我们增长最快的领域之一。
协作与机器学习职业
交易员、研究员和开发者一起工作。Matt 概述了工程和研究两条岗位路线,并解释自己喜欢这份工作的原因。
Jane Street 有协作文化。不同团队的人坐在一起:我是交易员,但我和研究员、开发者坐在一起,共同工作。经常可以看到几个人聚在某位同事的桌前,讨论有趣的研究。
我们欢迎各种背景的候选人,但对于机器学习岗位,我们尤其希望候选人有一些相关经验。我们有两条路线:机器学习工程侧重基础设施和工具的构建,机器学习研究则侧重使用这些工具开展研究。
我最喜欢的可能是这里的同事。我也觉得我们研究的问题很有趣。有时周末我也会继续思考这些工作问题,并不是因为有人要求我这样做,而是因为我对此感兴趣。
同频道的其他文章
1:48:29EN → 简体中文
1:36:37EN → 简体中文
1:05:45EN → 简体中文
1:25:00EN → 简体中文
1:16:29EN → 简体中文
27:39EN → 简体中文