职位&公司对比

职位详情

• 深圳
• 5-10年
• 本科

• C++
• Python

目前全国有30家百亿私募量化基金公司，其中有25家是我司的客户，另外还有一百多家规模几亿到几十亿的量化私募公司，自营和资管都有。 本岗位的职级大致是小型量化私募/自营团队的高级开发或技术总监/CTO/合伙人，或是头部量化私募的技术专家/小team leader/技术总监。 也有少数公司会允许逐步接触策略。 有金融工程背景或量化投资相关开发经验是加分项，但不是必须的。 请注意：本岗位的“投递简历”并非直接投递到某家公司（所以也不会迅速开始笔试、面试流程），仅为将简历发送给猎头顾问参考，并匹配适合您的（一个或多个）岗位。只有您与猎头达成一致意见，才会进行正式的投递/推荐。 【保密原则】投递时本猎头会帮有保密需要的求职者匿名当前就职公司与姓名等，直到面试发起或有明显进展。 任职要求： ①后端开发或运维等部分： 熟练掌握 C++ /来自BOSS直聘 Python / GoLang / Rust / Java / C# 中的至少一门语言 ②如果您的编程语言不在上列，只要适合岗位（比如：前端用JavaScript、CSS、HTML等），只要有适合您的岗位，与公司现有技术栈符合，或是公司愿意为候选人开出一个单独的岗位（真的有大牛这样入职过，他自己搞一个新的平台），都可以接受 岗位职责： 根据不同公直聘司需求与个人能力的不同，任选其一或多项： 总体来说：任何在私募量化基金公司的开发岗位 （我手里有具体清单，请私聊了解） 【括号内为加分项，不是必须项，请了解！】 1.交易系统开发 （低延迟、高并发、模块化、交易系统对接等） 2.存储开发 （分布式、对象存储、缓存系统等） 3.机器学习平台开发/AI平台开发 （Cuda，docker，k8s/Kubernetes、可扩展、云原生等优先，或多加：kubeflow / jupyter / airflow） 如果是GPU并行训练，对 DeepSpeed 及类似分布式训练框架有较深入了解者优先 4.深度学习框架开发（比如AI DNN工程专家） （同上，精通至少一个深度学习训练框架的底层架构和机制如PyTorch、TensorFlow、MxNet、Paddle等） 5.基础架构开发/网络工程师 （对网络/路由/监控等有了解，集群网络设计等） 6.全栈开发 （前端后端都要掌握一些） 7.回测系统开发 （仿真回测平台的构建、优化） 8.核心系统开发/底层开发/异构系统开发/系统优化专家 （在不同编译器、操作系统和网络环境下的性能优化） 9.算法开发/量化实现 （策略框架的设计、交易算法的实现、交易策略的编写、维护、调试和优化） 备注：不是算法工程师，是辅助别人开发算法！ 10.数据开发/数据研发 （usg，kafka，pandas等优先） 11.前端开发 （react优先，但其他比如vue等也是非常多公司要的） 12.运维/SRE等 （k8s，docker优先，自动化运维优先，额外可能要slurm等）kanzhun 13.运维开发 （k8s，docker优先） 14.FPGA开发 （SystemVerilog、Verilog或VHDL） 15.集群开发 （docker、k8s，GPU集群等，OpenCL/CUDA、异构开发 ） 16.数据采集（ETL） 17.c直聘uda开发 （ OpenMP、MPI） 18.中后台业务开发 （k8s，docker等） 19.编译优化专家 （GCC/Open64/LLVM，适用于CPU/GPU/SoC/FPGA等） 20.风控开发 （对量化投资策略的表现进行跟踪、深入分析和风险评估） 21.测试开发 （负责搭建过自动化测试框架/平台者优先；负责搭建过上线、监控系统者优先；熟悉docker/k8s、pytorch、tensorflow者优先） 22.交易清算开发 （熟练掌握Python，熟悉 clickhouse/redis/mysql 基本操作、常见用法，熟悉pandas numpy等） 23.集群交付运维 （ Kubernetes CNI、CSI、LB） 24.Devops （Kubernetes、Docker、Prometheus、ingress，CI/CD如jenkins、git、ansible） 25.数据库开发 （Mysql、Redis、MongoDB、Clickhouse、Influxdb等） 26.高性能开发 27.数据加载器开发 （InfiniBand、RDMA 和 RoCE） 28.大数据开发 （Spark/Flink/Kafka） 29.大模型数据处理与推理 （如AutoGPT、BABYAGI） 30.K8s foundation：为生产与业务提供稳定、易用且安全的 K8s 运行时，重点关注 K8s 集群、容器镜像、K8s 上中间件 等的范式定义与管控 31.App delivery：基于云原生定义应用的标准运行时，设计与实现应用交付框架，集成其他生产工具与中间件，使得应用可以通过一个统一入口就享受到各种标准组件对全开发生命周期的支持 32.Microservices：定义微服务化的最佳实践，重点关注 RPC、Service Mesh、API Gateway 等问题，提供平台级的管控和使用体验，支持其他技术团队落地微服务化 33.Observability：践行可观测性的最佳实践，主要包括 监控 (Prometheus/Grafana) 、日志 (ELK) 、Tracing (Jaeger) 等 34.Dev tools：开发与维护一系列产品与服务，应用于软件开发的整个生命周期，主要包括 CI、CD、发布、包管理 等，关注标准化和易用性 35.Internal tools：开发与维护一系列内部工具，提升日常开发与运作效率，例如：高效且安全的开发环境、方便易用的集成测试系统、日常管理自动化与运作工具链 等 36.Cloud efficiency：持续提升云上效率，例如： 践行 IaC 的最佳实践、优化 阿里云/AWS 账单、提供标准的云上中间件、保障云上安全性 等 37.Security & compliance：开发与维护一系列安全相关的产品与工具，主要包括 鉴权与授权管理、审计与安全风险探测、secret engine、 policy engine、对生产资料的加密保护 等 38.Metrics：设计，开发与维护指标监控服务，结合实际业务场景和应用框架，提供高性能、稳定、可扩展的指标采集、聚合和查询能力，技术栈包括但不限于：Grafana / Prometheus / Thanos / VictoriaMetrics / Cortex； 39.Logging：设计，开发与维护日志服务，提供高性能、稳定、扩展直聘性良好的日志采集、查询、监控能力，技术栈包括包括但不限于：OpenSearch / LogStash / Fluentbit / Loki； 40.Tracing：设计，开发与维护 Tracing 服务，针对具体业务场景进行 Tracing 能力的定制化，技术栈包括但不限于：Jaeger / OpenTelemetry； 41.设计和梳理 Best Practice，指导业务合理高效的使用 Observability Stack，有效提升研发团队的 Dev Efficiency & Service Stability； 42.待补充