Przykłady i szablony CV analityka ilościowego na 2025 rok

Biuro Statystyki Pracy USA prognozuje 23% wzrost zatrudnienia analityków badań operacyjnych i powiązanych ról ilościowych do 2033 roku, co przekłada się na około 10 400 rocznych otwarć w sektorach usług finansowych, technologii i konsultingu (BLS, 2024). Mediana łącznego wynagrodzenia analityków ilościowych przekracza 190 000 dolarów, a starsi quanci w czołowych funduszach hedgingowych i firmach handlu na własny rachunek osiągają od 400 000 do 800 000 dolarów z uwzględnieniem bonusów (eFinancialCareers, 2024). Jednak ta sama ścisłość matematyczna, która czyni quanta wyjątkowym w modelowaniu procesów stochastycznych, często nie przekłada się na papier -- menedżerowie rekrutujący w firmach takich jak Citadel, Two Sigma i Goldman Sachs poświęcają średnio 7,4 sekundy na wstępną ocenę CV, a CV ukrywające skwantyfikowaną generację alfy za ścianami teorii nie przetrwa tego filtra.

Spis treści

1. Dlaczego ta rola ma znaczenie
2. Przykład CV juniorskiego analityka ilościowego
3. Przykład CV analityka ilościowego średniego szczebla
4. Przykład CV starszego analityka ilościowego
5. Kluczowe umiejętności w CV analityka ilościowego
6. Przykłady podsumowania zawodowego
7. Częste błędy w CV analityków ilościowych
8. Wskazówki dotyczące optymalizacji ATS
9. Najczęściej zadawane pytania
10. Cytaty

Dlaczego ta rola ma znaczenie

Analitycy ilościowi znajdują się na przecięciu matematyki, informatyki i finansów, budując modele wyceny instrumentów pochodnych, zarządzania ryzykiem portfelowym, realizacji algorytmicznych strategii handlowych i alokacji miliardów dolarów kapitału. Rola ta ewoluowała daleko poza implementacje Black-Scholesa z lat 90. Współcześni quanci rozwijają pipeline'y uczenia maszynowego przetwarzające terabajty danych alternatywnych, optymalizują algorytmy egzekucji zmniejszające opóźnienia transakcji o mikrosekundy i konstruują wieloczynnikowe modele ryzyka kwantyfikujące ryzyko ogona w skorelowanych klasach aktywów. Fundusze hedgingowe takie jak D.E. Shaw, Renaissance Technologies i Citadel Securities zbudowały całą swoją przewagę konkurencyjną na jakości talentów ilościowych. Krzywa popytu nadal się wystraja. Instytucje finansowe zainwestowały ponad 35 miliardów dolarów w aplikacje AI i uczenia maszynowego w 2024 roku, przy czym finanse ilościowe pochłonęły nieproporcjonalnie dużą część tych wydatków (JPMorgan Chase, 2024). Początkujący badacze ilościowi w nowojorskich funduszach hedgingowych otrzymują obecnie wynagrodzenia podstawowe od 125 000 do 150 000 dolarów, a łączne wynagrodzenie w pierwszym roku osiąga od 200 000 do 300 000 dolarów po uwzględnieniu bonusów za wyniki (ZipRecruiter, 2025). Na poziomie seniorskim łączne wynagrodzenie w firmach takich jak Five Rings Capital wynosi średnio 300 000 dolarów samej pensji podstawowej, przed bonusami powiązanymi z wynikami P&L (eFinancialCareers, 2024). Dla osób poszukujących pracy ta intensywność wynagrodzeń tworzy paradoks: role płacą wyjątkowo dobrze, ale pula kandydatów obejmuje doktorantów z MIT, Stanford, Princeton i CMU, którzy potrafią wyprowadzić lemat Itô z pamięci. Twoje CV musi przekazywać nie tylko kwalifikacje akademickie, ale mierzalny wpływ -- modele generujące wymierną alfę, ramy ryzyka zapobiegające kwantyfikowalnym stratom i systemy poprawiające jakość egzekucji o konkretne, weryfikowalne marże.

Przykład CV juniorskiego analityka ilościowego

**Profil docelowy:** Absolwent studiów doktoranckich lub magisterskich z 0-2 latami doświadczenia zawodowego, silnym zapleczem badawczym i doświadczeniem ze stażu lub programu rotacyjnego.

**ELENA KOWALSKI, CQF** New York, NY | [email protected] | (212) 555-0184 | linkedin.com/in/elenakowalski | github.com/ekowalski-quant

Podsumowanie zawodowe

Analityk ilościowy z tytułem magistra inżynierii finansowej z Columbia University i certyfikatem Certificate in Quantitative Finance (CQF), specjalizujący się w wycenie instrumentów pochodnych i modelowaniu zmienności stochastycznej. Podczas stażu w Barclays opracowała ramę kalibracji lokalnej powierzchni zmienności, która zmniejszyła błąd wyceny opcji egzotycznych o 34% w 2400 produktach strukturyzowanych. Biegła w Python, C++ i R z opublikowanymi badaniami nad modelami dyfuzji ze skokami zastosowanymi do wyceny swapów ryzyka kredytowego.

Wykształcenie

**Columbia University, Fu Foundation School of Engineering** -- New York, NY Magister inżynierii finansowej | GPA: 3,91/4,0 | Maj 2024

• Praca magisterska: „Kalibracja modeli zmienności stochastycznej Hestona z wykorzystaniem optymalizacji rojem cząstek" -- redukcja RMSE kalibracji o 22% w porównaniu z bazą Levenberga-Marquardta
• Przedmioty: Rachunek stochastyczny, Metody Monte Carlo, Arbitraż statystyczny, Finanse czasu ciągłego, Uczenie maszynowe w finansach **University of Chicago** -- Chicago, IL Licencjat z matematyki, kierunek dodatkowy: informatyka | GPA: 3,87/4,0 | Czerwiec 2022
• Lista dziekana przez wszystkie 12 kwartałów; członek Phi Beta Kappa
• Konkurs matematyczny Putnama: wynik w top 200 w kraju (2021)

Certyfikaty

• **Certificate in Quantitative Finance (CQF)** -- CQF Institute, 2024
• **Bloomberg Market Concepts (BMC)** -- Bloomberg LP, 2023

Doświadczenie zawodowe

**Analityk ilościowy** | Millennium Management LLC | New York, NY | Lipiec 2024 -- Obecnie

• Zbudowała generator sygnałów handlu parami w Python (NumPy, pandas, statsmodels), identyfikujący 47 skointegrowanych par akcji w składnikach S&P 500, generując 2,1 mln dolarów P&L brutto w ciągu 8 miesięcy przy wskaźniku Sharpe'a 1,84
• Opracowała model prognozowania zmienności GARCH(1,1) dla biura opcji FX, poprawiając 5-dniowe prognozy zrealizowanej zmienności o 18% w porównaniu z dotychczasowym modelem EWMA, zmniejszając koszty hedgingu o 340 tys. dolarów kwartalnie
• Zaimplementowała silnik symulacji Monte Carlo w C++ do wyceny opcji egzotycznych zależnych od ścieżki (azjatyckie, barierowe, lookback), przetwarzający 10 mln ścieżek symulacji w 3,2 sekundy -- 4,7-krotne przyspieszenie w porównaniu z wcześniejszą implementacją w Pythonie
• Zautomatyzowała dzienny pipeline obliczania VaR i CVaR dla portfela wielostrategicznego o wartości 1,8 mld dolarów za pomocą SQL i Python, skracając czas generowania raportów z 45 do 6 minut **Stażysta ds. badań ilościowych** | Barclays Investment Bank | New York, NY | Czerwiec 2023 -- Sierpień 2023
• Skonstruowała ramę kalibracji lokalnej powierzchni zmienności z wykorzystaniem równania Dupire'a, zmniejszając błąd wyceny 2400 egzotycznych produktów strukturyzowanych o 34% w biurach akcji i FX
• Przeprowadziła backtesting strategii powrotu do średniej na kontraktach futures na obligacje skarbowe USA z wykorzystaniem 15 lat danych tickowych (2008-2023), osiągając backtestowany wskaźnik Sharpe'a 2,12 przy maksymalnym drawdownie 4,3%
• Oczyściła i połączyła zestawy danych alternatywnych (obrazy satelitarne, ruch internetowy) z tradycyjnymi danymi cenowymi, tworząc magazyn cech wykorzystywany przez 6 zarządzających portfelami nadzorujących 12 mld dolarów AUM **Asystent badawczy** | Columbia University, Wydział Inżynierii Przemysłowej | New York, NY | Wrzesień 2022 -- Maj 2024
• Współautorka recenzowanej publikacji o modelach wyceny swapów ryzyka kredytowego z dyfuzją ze skokami, opublikowanej w Journal of Computational Finance (2024)
• Zaimplementowała metody różnic skończonych (Crank-Nicolson, ADI) w C++ do rozwiązywania dwuwymiarowych równań różniczkowych cząstkowych powstających przy wycenie opcji wieloaktywowych
• Opracowała bibliotekę Python do symulacji skorelowanych ruchów Browna z ponad 500 pobraniami na PyPI

Umiejętności techniczne

**Języki programowania:** Python (NumPy, pandas, SciPy, scikit-learn, PyTorch), C++ (STL, Boost, QuantLib), R, SQL, MATLAB **Narzędzia i platformy:** Bloomberg Terminal, Refinitiv Eikon, Git, Linux, AWS (EC2, S3), Docker, Jupyter **Metody ilościowe:** Rachunek stochastyczny, symulacja Monte Carlo, metody różnic skończonych, modele GARCH, PCA, analiza szeregów czasowych, modele kopuł, Black-Scholes, model Hestona

Przykład CV analityka ilościowego średniego szczebla

**Profil docelowy:** 3-6 lat doświadczenia w rozwoju modeli, walidacji i wdrożeniu produkcyjnym w wielu klasach aktywów.

**DAVID CHEN, FRM, kandydat CFA Level III** Chicago, IL | [email protected] | (312) 555-0297 | linkedin.com/in/davidchenquant | github.com/dchen-models

Podsumowanie zawodowe

Analityk ilościowy z 5-letnim doświadczeniem w opracowywaniu i walidacji modeli wyceny, ram ryzyka i systematycznych strategii handlowych w obszarze instrumentów stałodochodowych, kredytowych i pochodnych na akcje. Zbudował wieloczynnikowy model ryzyka kredytowego w Citadel, który poprawił dokładność prognozowania niewypłacalności o 27% w portfelu obligacji korporacyjnych klasy inwestycyjnej o wartości 4,2 mld dolarów. Certyfikowany FRM z kandydaturą CFA Level III oraz głęboką wiedzą w zakresie Python, C++ i obliczeń rozproszonych do symulacji finansowych na dużą skalę.

Doświadczenie zawodowe

**Starszy analityk ilościowy** | Citadel LLC | Chicago, IL | Marzec 2023 -- Obecnie

• Zaprojektował i wdrożył wieloczynnikowy model ryzyka kredytowego uwzględniający wskaźniki makroekonomiczne, spready CDS i dane o nastrojach z wyników, poprawiając dokładność prognozowania 1-rocznej niewypłacalności o 27% w portfelu obligacji korporacyjnych klasy inwestycyjnej o wartości 4,2 mld dolarów
• Zbudował silnik atrybucji P&L w czasie rzeczywistym w Python i C++, rozkładający dzienne stopy zwrotu na 14 czynników ryzyka (stopy, kredyt, FX, zmienność, basis) dla 3 zarządzających portfelami nadzorujących łącznie 9,7 mld dolarów AUM
• Opracował model ukrytych łańcuchów Markowa z przełączaniem reżimów dla zmienności akcji, identyfikujący przejścia stanów rynkowych 2,3 dnia handlowego wcześniej niż dotychczasowe podejście progowe, umożliwiając uniknięcie drawdownu o wartości 1,4 mln dolarów w Q3-Q4 2024
• Zoptymalizował pipeline obliczeń Monte Carlo CVA/DVA z wykorzystaniem akceleracji GPU (CUDA), skracając czas obliczeń z 4,5 godziny do 22 minut dla portfela 50 000 transakcji OTC instrumentów pochodnych
• Mentorował 3 juniorskich quantów w zakresie cyklu życia rozwoju modeli, standardów przeglądu kodu i najlepszych praktyk wdrożeń produkcyjnych **Analityk ilościowy** | Goldman Sachs, Dział Papierów Wartościowych | New York, NY | Lipiec 2020 -- Luty 2023
• Opracował ramę wyceny przejścia Libor-na-SOFR dla portfela swapów stóp procentowych o wartości nominalnej 78 mld dolarów, zapewniając ciągłość wyceny podczas przejścia stopy referencyjnej z średnią rozbieżnością wyceny poniżej 0,3 bps
• Zbudował model klasyfikacji transakcji oparty na XGBoost, kategoryzujący ponad 140 tys. dziennych transakcji akcyjnych na przepływ informowany vs nieinformowany z dokładnością 89%, wdrożony w biurze elektronicznego animatora rynku
• Skonstruował symulator dynamicznego hedgingu dla swapów wariancji z wykorzystaniem modeli zmienności lokalnej i stochastycznej, zmniejszając wariancję P&L hedgingu o 31% w porównaniu ze statycznym hedgingiem delta-gamma
• Zwalidował 12 produkcyjnych modeli wyceny (egzotyka akcyjna, stopy, FX) względem niezależnych benchmarków w ramach zarządzania ryzykiem modeli, dokumentując ograniczenia modeli i rekomendując 8 ulepszeń modeli przyjętych przez quantów front-office
• Zautomatyzował obliczanie Greków na koniec dnia dla 23 000 pozycji za pomocą Spark i Python, skracając czas przetwarzania wsadowego z 2 godzin do 18 minut **Analityk badań ilościowych** | AQR Capital Management | Greenwich, CT | Czerwiec 2019 -- Czerwiec 2020
• Współtworzył ramę backtestingową systematycznej strategii makro, oceniając ponad 200 kombinacji czynników na 40 rynkach futures obejmujących 30 lat danych
• Zaimplementował model kosztów transakcyjnych uwzględniający wpływ rynkowy (rama Almgrena-Chrissa), spready bid-ask i koszty pożyczek, który poprawił śledzenie wydajności backtest-do-live o 15%
• Przeprowadził analizę statystyczną persystencji momentum czynnikowego na rynkach akcji, instrumentów stałodochodowych i surowcowych, przyczyniając się do opracowania white paper dystrybuowanego do klientów instytucjonalnych zarządzających ponad 50 mld dolarów w aktywach alokowanych czynnikowo

Wykształcenie

**Carnegie Mellon University, Tepper School of Business** -- Pittsburgh, PA Magister finansów obliczeniowych (MSCF) | GPA: 3,88/4,0 | Maj 2019

• Projekt capstone z Bank of America: budowa sieci neuronowej do identyfikacji wartości relatywnej obligacji korporacyjnych, przewyższającej liniowe modele czynnikowe o 340 bps w ujęciu rocznym **University of Michigan** -- Ann Arbor, MI Licencjat z matematyki i statystyki (podwójna specjalizacja) | GPA: 3,82/4,0 | Maj 2017
• Summa Cum Laude; uczestnik Konkursu Matematycznego Williama Lowella Putnama

Certyfikaty

• **Financial Risk Manager (FRM)** -- Global Association of Risk Professionals (GARP), 2021
• **Kandydat CFA Level III** -- CFA Institute, egzamin czerwiec 2025
• **AWS Certified Cloud Practitioner** -- Amazon Web Services, 2022

Umiejętności techniczne

**Języki programowania:** Python (pandas, NumPy, SciPy, scikit-learn, XGBoost, PyTorch, TensorFlow), C++ (14/17, STL, Boost, QuantLib), R, SQL, Scala, Bash **Infrastruktura:** Spark, Hadoop, Kafka, Docker, Kubernetes, AWS (EC2, S3, Lambda, SageMaker), Git, Jenkins CI/CD **Platformy:** Bloomberg Terminal, Refinitiv Eikon, MSCI Barra, Axioma, Murex, Calypso **Metody ilościowe:** Rachunek stochastyczny, metody PDE, symulacja Monte Carlo, modele GARCH/przełączania reżimów, ukryte modele Markowa, PCA, kopuły, CVA/DVA/XVA, obliczanie Greków, wnioskowanie bayesowskie, modele czynnikowe

Przykład CV starszego analityka ilościowego

**Profil docelowy:** Ponad 7 lat doświadczenia w kierowaniu rozwojem strategii ilościowych, zarządzaniu zespołami i napędzaniu P&L na poziomie seniorskim.

**DR JAMES OKONKWO, PhD, CFA, FRM** New York, NY | [email protected] | (646) 555-0413 | linkedin.com/in/jamesokonkwo | github.com/jokonkwo-research

Podsumowanie zawodowe

Szef działu badań ilościowych z 11-letnim doświadczeniem w budowaniu i kierowaniu zespołami rozwijającymi systematyczne strategie handlowe, ramy konstrukcji portfela i systemy zarządzania ryzykiem w obszarze akcji, instrumentów stałodochodowych i zmienności. Kierował 9-osobowym zespołem quantów w Point72 Asset Management, który wygenerował 127 mln dolarów skumulowanej alfy w ciągu 3 lat z systematycznych strategii akcyjnych przy rocznym wskaźniku Sharpe'a 2,41. Doktor matematyki stosowanej z Princeton, posiadacz tytułu CFA, certyfikat FRM, 6 recenzowanych publikacji w czasopismach z zakresu finansów ilościowych.

Doświadczenie zawodowe

**Szef działu badań ilościowych** | Point72 Asset Management | New York, NY | Styczeń 2021 -- Obecnie

• Kieruje 9-osobowym zespołem badań ilościowych (5 badaczy, 2 deweloperów, 2 inżynierów danych) rozwijającym systematyczne strategie akcyjne na rynkach amerykańskich i europejskich, zarządzając rocznym budżetem badawczym w wysokości 3,8 mln dolarów
• Zbudował wielohoryzontalną ramę kombinacji alfy łączącą sygnały z ponad 40 źródeł alfy (fundamentalne, techniczne, dane alternatywne) na 5 okresach utrzymywania (intraday do 60 dni), generując 127 mln dolarów skumulowanej alfy w ciągu 3 lat przy rocznym wskaźniku Sharpe'a 2,41 i maksymalnym drawdownie 6,8%
• Zaprojektował optymalizator konstrukcji portfela z wykorzystaniem programowania stożkowego drugiego rzędu (SOCP) uwzględniający koszty transakcyjne, koszty pożyczek i ograniczenia ekspozycji czynnikowej, zmniejszając obroty o 23% przy utrzymaniu 95% przechwytywania alfy brutto
• Zaimplementował model przewidywania niespodzianek wynikowych oparty na uczeniu maszynowym (drzewa gradientowo wzmocnione trenowane na cechach NLP z 10-K/10-Q, wzorcach rewizji analityków i oczekiwaniach implikowanych z opcji), osiągając 62% dokładność kierunkową dla EPS następnego kwartału składników S&P 500
• Ustanowił pipeline rekrutacji quantów: zaprojektował proces wywiadu technicznego (prawdopodobieństwo, kodowanie, mikrostruktura rynku), przesiewał ponad 400 kandydatów ze stopniem doktora i zatrudnił 7 badaczy ze 100% retencją przez 2 lata
• Przedstawił badania nad „Premiami za ryzyko zmienności międzyaktywowej" na Global Derivatives Trading & Risk Management Conference (2023) i opublikował wyniki w Journal of Financial Economics **Wiceprezes ds. strategii ilościowych** | Morgan Stanley, Papiery Wartościowe Instytucjonalne | New York, NY | Sierpień 2017 -- Grudzień 2020
• Opracował strategię arbitrażu statystycznego dla akcji amerykańskich z wykorzystaniem czynników momentum rezydualnego i krótkoterminowej rewersji, generując 34 mln dolarów rocznego P&L brutto przy wskaźniku Sharpe'a 1,92 na zainwestowanym kapitale 500 mln dolarów
• Zbudował kompleksową platformę egzekucji algorytmicznej w C++ i Python przetwarzającą 85 000 zleceń dziennie w 8 miejscach egzekucji, zmniejszając implementation shortfall o 3,2 bps (oszczędność 4,8 mln dolarów rocznie przy obrocie 15 mld dolarów)
• Stworzył dashboard analityki mikrostruktury rynku w czasie rzeczywistym wizualizujący toksyczność przepływu zleceń (VPIN), dekompozycję efektywnego spreadu i estymację pozycji w kolejce dla biura handlu elektronicznego
• Kierował zarządzaniem ryzykiem modeli dla 18 ilościowych modeli wyceny i ryzyka, przedstawiając wyniki walidacji kwartalnie Komitetowi Ryzyka Modeli i zmniejszając liczbę nierozwiązanych problemów modelowych z 47 do 11 w ciągu 2 lat
• Zarządzał zespołem 4 analityków ilościowych; 2 z nich awansował na stanowisko wiceprezesa w ciągu 18 miesięcy **Analityk ilościowy** | D.E. Shaw & Co. | New York, NY | Wrzesień 2014 -- Lipiec 2017
• Opracował model arbitrażu obligacji zamiennych identyfikujący nieprawidłową wycenę w ponad 600 emisjach, generując 18 mln dolarów rocznego P&L przy wskaźniku Sharpe'a 2,67 i współczynniku wygranych 71%
• Zbudował własnościowy silnik konstrukcji powierzchni zmienności implikowanej z wykorzystaniem parametryzacji SVI z ograniczeniami braku arbitrażu, przyjęty przez 4 biura handlowe wyceniające ponad 200 mld dolarów nominalnych w instrumentach pochodnych na akcje
• Zaimplementował model estymacji beta oparty na filtrze Kalmana do dynamicznego hedgingu portfeli long/short na akcjach, zmniejszając ekspozycję beta z 0,15 do 0,03 i poprawiając stopy zwrotu skorygowane o ryzyko o 180 bps rocznie
• Zaprojektował i przetestował wstecznie strategię momentum przekrojowego na 23 rynkach kontraktów futures na towary z wykorzystaniem 25 lat danych, przyczyniając się do wskaźnika Sharpe'a 1,54 w portfelu systematycznym makro **Współpracownik ds. badań ilościowych** | Bridgewater Associates | Westport, CT | Lipiec 2013 -- Sierpień 2014
• Analizował ekspozycje czynników makroekonomicznych w portfelu All Weather Bridgewater, kwantyfikując wrażliwość na szoki wzrostowe, inflacyjne i płynnościowe za pomocą toczących się 5-letnich okien regresji
• Zbudował narzędzia analizy scenariuszowej do stress-testingu portfeli wieloaktywowych wobec historycznych epizodów (kryzys finansowy 2008, europejski kryzys zadłużenia 2011, Taper Tantrum 2013), wykorzystywane przez współpracowników inwestycyjnych zarządzających 40 mld dolarów AUM

Wykształcenie

**Princeton University** -- Princeton, NJ Doktor matematyki stosowanej | Wrzesień 2009 -- Maj 2013

• Dysertacja: „Optymalna egzekucja przy stochastycznej płynności i przejściowym wpływie rynkowym" (promotor: prof. Erhan Bayraktar)
• Opublikowano 3 prace z dysertacji w Mathematical Finance, SIAM Journal on Financial Mathematics i Quantitative Finance **Massachusetts Institute of Technology (MIT)** -- Cambridge, MA Licencjat z matematyki z informatyką (18C) | GPA: 4,8/5,0 | Czerwiec 2009
• Konkurs Matematyczny Williama Lowella Putnama: Top 50 w kraju (2008)

Certyfikaty i licencje

• **Chartered Financial Analyst (CFA)** -- CFA Institute, 2016
• **Financial Risk Manager (FRM)** -- Global Association of Risk Professionals (GARP), 2015
• **FINRA Series 7 i 63** -- aktywne

Publikacje

1. Okonkwo, J. (2024). „Pozyskiwanie premii za ryzyko zmienności międzyaktywowej w warunkach niepewności reżimowej." *Journal of Financial Economics*, 153(2), 401-428.
2. Okonkwo, J. & Liu, W. (2022). „Podejścia uczenia maszynowego do przewidywania niespodzianek wynikowych: dowody z cech NLP." *Journal of Financial Data Science*, 4(3), 67-89.
3. Okonkwo, J. (2013). „Optymalna egzekucja przy stochastycznej płynności." *Mathematical Finance*, 23(4), 712-748.

Umiejętności techniczne

**Języki programowania:** Python (pełny stos naukowy), C++ (14/17/20, systemy o niskim opóźnieniu), R, SQL, Scala, Julia, Bash, MATLAB **Infrastruktura:** Spark, Kafka, Redis, Docker, Kubernetes, AWS (pełny stos), GCP (BigQuery, Vertex AI), Terraform, Airflow, Jenkins **Platformy:** Bloomberg Terminal, Refinitiv Eikon, MSCI Barra, Axioma, Aladdin (BlackRock), Murex, wewnętrzne systemy OMS/EMS **Metody ilościowe:** Stochastyczne sterowanie optymalne, gry pola średniego, metody PDE, Monte Carlo (redukcja wariancji, quasi-MC), uczenie maszynowe (XGBoost, sieci neuronowe, NLP), metody bayesowskie, modele czynnikowe, optymalizacja portfela (SOCP, optymalizacja odporna), modele mikrostruktury rynku, CVA/XVA

Kluczowe umiejętności w CV analityka ilościowego

Systemy śledzenia kandydatów (ATS) w instytucjach finansowych parsują CV pod kątem specyficznej terminologii technicznej. Umieść następujące słowa kluczowe naturalnie w całym CV, dostosowane do rzeczywistego poziomu biegłości:

Programowanie i technologia

• Python (NumPy, pandas, SciPy, scikit-learn, PyTorch, TensorFlow)
• C++ (STL, Boost, QuantLib, optymalizacja niskiego opóźnienia)
• R (quantmod, rugarch, PerformanceAnalytics)
• SQL (złożone złączenia, funkcje okienkowe, optymalizacja zapytań)
• MATLAB / Julia
• Bloomberg Terminal / Refinitiv Eikon
• Spark / Hadoop (obliczenia rozproszone)
• AWS / GCP / Azure (infrastruktura chmurowa)
• Git / pipeline'y CI/CD
• Docker / Kubernetes

Metody matematyczne i statystyczne

• Rachunek stochastyczny (lemat Itô, twierdzenie Girsanowa, wycena martyngałowa)
• Symulacja Monte Carlo (redukcja wariancji, quasi-Monte Carlo)
• Metody różnic skończonych (Crank-Nicolson, schematy ADI)
• Analiza szeregów czasowych (ARIMA, GARCH, VAR, kointegracja)
• Uczenie maszynowe (gradient boosting, sieci neuronowe, lasy losowe)
• Wnioskowanie bayesowskie (MCMC, metody wariacyjne)
• Analiza składowych głównych (PCA)
• Modele kopuł (gaussowska, t-kopuła, Clayton)
• Optymalizacja (wypukła, programowanie kwadratowe, SOCP)
• Algebra liniowa (dekompozycja wartości własnych, SVD)

Finanse i wiedza dziedzinowa

• Wycena instrumentów pochodnych (Black-Scholes, Heston, zmienność lokalna, SABR)
• Value at Risk (VaR) / Conditional VaR (CVaR / Expected Shortfall)
• Modelowanie ryzyka kredytowego (model Mertona, modele zredukowane, wycena CDS)
• XVA (CVA, DVA, FVA, KVA, MVA)
• Konstrukcja i optymalizacja portfela
• Handel algorytmiczny i algorytmy egzekucji
• Mikrostruktura rynku (przepływ zleceń, modele wpływu cenowego)
• Inwestowanie czynnikowe (Fama-French, momentum, jakość, wartość)
• Atrybucja P&L i dekompozycja ryzyka
• Ramy regulacyjne (Bazylea III/IV, FRTB, CCAR)

Przykłady podsumowania zawodowego

Przykład 1: Quant specjalizujący się w instrumentach pochodnych

Analityk ilościowy z 4-letnim doświadczeniem w opracowywaniu modeli wyceny instrumentów pochodnych w biurach akcji, FX i stóp procentowych w banku inwestycyjnym najwyższej klasy. Zbudował silnik kalibracji stochastycznej zmienności lokalnej (SLV) w C++, który przeszacowywał 8000 opcji egzotycznych dziennie ze średnim błędem wyceny poniżej 0,5%, zmniejszając koszty hedgingu biura o 2,1 mln dolarów rocznie. Certyfikowany FRM z tytułem magistra finansów obliczeniowych i doświadczeniem w Python, C++, metodach Monte Carlo i solverach PDE.

Przykład 2: Quant handlu systematycznego

Badacz ilościowy z 6-letnim doświadczeniem w projektowaniu i wdrażaniu systematycznych strategii handlowych na rynkach akcji i kontraktów futures w multi-managerskich funduszach hedgingowych. Opracował przekrojową strategię momentum generującą 23 mln dolarów rocznej alfy przy wskaźniku Sharpe'a 1,87 na zaalokowanym kapitale 400 mln dolarów. Posiadacz tytułu CFA ze stopniem doktora statystyki i głęboką wiedzą w zakresie uczenia maszynowego, modelowania czynnikowego i optymalizacji portfela z wykorzystaniem Pythona i rozproszonych ram obliczeniowych.

Przykład 3: Quant ryzyka

Ilościowy analityk ryzyka z 3-letnim doświadczeniem w budowaniu modeli ryzyka przedsiębiorstwa dla firmy zarządzającej aktywami o wartości 50 mld dolarów. Zaprojektował opartą na Monte Carlo ramę stress-testingu portfela symulującą 500 scenariuszy makroekonomicznych w 12 czynnikach ryzyka, umożliwiającą komitetowi ryzyka identyfikację i hedging 340 mln dolarów skoncentrowanej ekspozycji na ryzyko ogona. Magister matematyki finansowej z certyfikatem FRM i doświadczeniem produkcyjnym w Python, SQL i chmurowej infrastrukturze ryzyka.

Częste błędy w CV analityków ilościowych

1. Rozpoczynanie od teorii zamiast od wpływu

Wymienienie „ekspertyzy w rachunku stochastycznym i teorii miary" bez powiązania z wynikami nie mówi menedżerowi rekrutującemu nic. Każda zdolność techniczna musi być mapowana na wynik: „Zastosowano model zmienności stochastycznej Hestona do wyceny 3,2 mld dolarów w egzotycznych opcjach akcyjnych, zmniejszając błąd wyceny o 28%." Matematyka jest zakładana -- to wpływ stanowi czynnik różnicujący.

2. Pomijanie skwantyfikowanych metryk finansowych

CV quantów, które mówią „opracowano strategie handlowe" bez cyfr P&L, wskaźników Sharpe'a czy atrybucji alfy, są nie do odróżnienia od siebie. Uwzględnij konkretne liczby: zarządzane AUM, wygenerowane P&L, poprawę dokładności modelu, redukcję opóźnień i wartość dolarową zmniejszonego ryzyka. Jeśli compliance ogranicza dokładne cyfry, użyj popraw procentowych lub metryk względnych.

3. Wymienianie języków programowania bez kontekstu

„Biegły w Python, C++, R, SQL, MATLAB" to lista słów kluczowych, nie dowód zdolności. Określ, co zbudowałeś: „Opracowano silnik Monte Carlo CVA w C++ przetwarzający 50 tys. transakcji w 22 minuty" lub „Zbudowano pipeline klasyfikacji transakcji XGBoost w Pythonie osiągający 89% dokładności na 140 tys. dziennych zleceń."

4. Ignorowanie cyklu życia modelu

Wiele CV quantów opisuje rozwój modelu, ale pomija walidację, wdrożenie, monitoring i zarządzanie. Zespoły zarządzania ryzykiem modeli chcą dowodów zrozumienia ograniczeń produkcyjnych: metodologia backtestingu, walidacja out-of-sample, dokumentacja modelu i zgodność regulacyjna (SR 11-7, FRTB).

5. Brak rozróżnienia podtypów quanta

Quant wyceny instrumentów pochodnych, badacz handlu systematycznego i quant ryzyka mają fundamentalnie różne profile umiejętności. Użycie generycznego CV łączącego wszystkie trzy podtypy rozmywa Twoje pozycjonowanie. Dostosuj podsumowanie i punkty doświadczenia do konkretnej roli quanta, na którą aplikujesz. CV do badań alfy po stronie kupna powinno podkreślać generowanie sygnałów i wskaźniki Sharpe'a, podczas gdy CV do walidacji modeli po stronie sprzedaży powinno podkreślać niezależne benchmarkowanie i ramy regulacyjne.

6. Niedostateczna reprezentacja umiejętności inżynierii oprogramowania

Branża przeszła od „quantów, którzy potrafią programować" do „quant developerów". Firmy oczekują kodu o jakości produkcyjnej: kontroli wersji, testów jednostkowych, pipeline'ów CI/CD, konteneryzacji i obliczeń rozproszonych. CV, które nie wspomina o Git, Docker czy procesach przeglądu kodu, sygnalizuje kogoś, kto pisze notebooki badawcze, ale nie potrafi dostarczać systemów produkcyjnych.

7. Ukrywanie badań doktoranckich w sekcji wykształcenia

Jeśli Twoje badania doktoranckie są istotne dla roli (a w przypadku stanowisk quanta prawie zawsze tak jest), wyeksponuj je. Dysertacja o optymalnej egzekucji lub zmienności stochastycznej jest istotnym czynnikiem różnicującym. Umieść tytuł pracy, promotora (jeśli jest znany), publikacje i konkretne osiągnięcia w dedykowanej sekcji lub rozszerzonej pozycji wykształcenia, a nie w jednej linii pod stopniem naukowym.

Wskazówki dotyczące optymalizacji ATS

1. Odzwierciedlaj dokładną terminologię z opisu stanowiska

Jeśli ogłoszenie wymaga „rachunku stochastycznego", nie zastępuj go „zaawansowaną teorią prawdopodobieństwa". Systemy ATS w bankach takich jak JPMorgan i Goldman Sachs dopasowują konkretne frazy. Przeczytaj opis stanowiska linia po linii i upewnij się, że każda wymagana umiejętność pojawia się dosłownie w Twoim CV, osadzona naturalnie w punktach doświadczenia.

2. Używaj standardowych nagłówków sekcji

Oznacz sekcje jako „Doświadczenie zawodowe", „Wykształcenie", „Umiejętności techniczne" i „Certyfikaty" -- nie „Moja podróż", „Warsztat" czy „Uprawnienia". Parsery ATS w instytucjach finansowych są skonfigurowane pod konwencjonalne nagłówki, a kreatywne formatowanie powoduje błędy parsowania, które kierują Twoje CV do kolejki odrzuceń.

3. Umieść pełne nazwy certyfikatów i organy wydające

Napisz „Financial Risk Manager (FRM) -- Global Association of Risk Professionals (GARP)" zamiast po prostu „FRM". Systemy ATS mogą szukać zarówno akronimu, jak i pełnej nazwy, a uwzględnienie obu maksymalizuje prawdopodobieństwo dopasowania. To samo dotyczy CFA (CFA Institute), CQF (CQF Institute) i stopni naukowych.

4. Rozwiń i skróć terminy techniczne

Pierwsze użycie powinno zawierać obie formy: „Value at Risk (VaR)", „symulacja Monte Carlo (MC)", „Conditional Value at Risk (CVaR)". Po pierwszym wystąpieniu używaj skrótu. To przechwytuje dopasowania słów kluczowych ATS niezależnie od tego, którą formę rekruter skonfigurował w wyszukiwaniu.

5. Wysyłaj w formacie .docx, chyba że wyraźnie powiedziano inaczej

Większość platform ATS instytucji finansowych (Workday, Taleo, SuccessFactors) parsuje pliki .docx ze znacznie wyższą dokładnością niż PDF. O ile aplikacja wyraźnie nie wymaga PDF, wysyłaj w formacie Word. Unikaj nagłówków, stopek, pól tekstowych, tabel i obrazów -- wszystkie stanowią zagrożenie dla parsowania.

6. Umieść kluczowe słowa kluczowe w górnej trzeciej części

Algorytmy rankingowe ATS nadają wyższą wagę słowom kluczowym pojawiającym się wcześniej w dokumencie. Twoje podsumowanie zawodowe i pierwszy wpis doświadczenia powinny zawierać najgęstszy klaster istotnych terminów: Python, C++, wycena instrumentów pochodnych, modelowanie ryzyka, uczenie maszynowe, rachunek stochastyczny, Monte Carlo, VaR i cokolwiek innego, co priorytetyzuje ogłoszenie.

7. Skwantyfikuj każde osiągnięcie liczbami

Wartości liczbowe („P&L 2,1 mln dolarów", „wskaźnik Sharpe'a 1,84", „redukcja błędu o 34%") nie tylko przechodzą filtry ATS, ale również zajmują wyższe pozycje w wyszukiwaniach rekruterów filtrujących skwantyfikowane osiągnięcia. Punkt bez liczby to stracona okazja zarówno dla czytelnika maszynowego, jak i ludzkiego.

Najczęściej zadawane pytania

Czy do pracy jako analityk ilościowy potrzebny jest doktorat?

Doktorat nie jest wymagany uniwersalnie, ale pozostaje najsilniejszym poświadczeniem dla ról quantów badawczych w czołowych funduszach hedgingowych i firmach handlu na własny rachunek. Według QuantStart, wiele firm zatrudnia kandydatów z tytułami magisterskimi z inżynierii finansowej, matematyki stosowanej, statystyki lub informatyki, pod warunkiem że wykazują się silną głębią techniczną poprzez projekty, publikacje lub wyniki konkursów (QuantStart, 2025). Role po stronie sprzedaży (walidacja modeli, analityka ryzyka) i stanowiska quant developerów częściej akceptują kandydatów z tytułem magistra. Kluczowym czynnikiem różnicującym nie jest sam stopień naukowy, lecz głębokość zdolności matematycznych i programistycznych, które możesz zademonstrować.

Które certyfikaty są najważniejsze w CV analityka ilościowego?

Trzy najbardziej uznane certyfikaty to CFA (Chartered Financial Analyst), FRM (Financial Risk Manager) i CQF (Certificate in Quantitative Finance). CFA jest najbardziej ceniony przez quantów buy-side skupionych na konstrukcji portfela i analizie inwestycji. FRM jest preferowany dla ról quantów ryzyka i jest przyznawany przez Global Association of Risk Professionals (GARP). CQF jest najbardziej rygorystycznym technicznie certyfikatem dla metod ilościowych, obejmującym rachunek stochastyczny, metody numeryczne i uczenie maszynowe zastosowane w finansach (CQF Institute). Dla ról quant developerów certyfikaty chmurowe AWS lub GCP oraz wkład w biblioteki finansowe open source mogą mieć równoważną wagę.

Czy powinienem umieszczać GPA w CV analityka ilościowego?

Umieść GPA, jeśli wynosi 3,5/4,0 lub więcej i ukończyłeś studia w ciągu ostatnich 5-7 lat. Dla doktorantów uwzględnij również istotne wyróżnienia, stypendia lub wyniki konkursów (Putnam, Kaggle, konkursy handlu ilościowego). Po ponad 5 latach doświadczenia zawodowego Twoje osiągnięcia w pracy przewyższają metryki akademickie, a GPA staje się opcjonalne. Jeśli Twoja średnia jest poniżej 3,5, pomiń ją i pozwól, aby Twoje publikacje, projekty i wyniki zawodowe świadczyły o Twoich zdolnościach.

Jak długie powinno być CV analityka ilościowego?

Jedna strona dla kandydatów z mniej niż 5-letnim doświadczeniem. Dwie strony są akceptowalne dla seniorskich quantów z ponad 7-letnim stażem, wieloma publikacjami i obowiązkami kierowniczymi. Wyjątkiem są przejścia ze środowiska akademickiego do przemysłu, gdzie skondensowany dwustronicowy format może pomieścić zarówno listy publikacji, jak i doświadczenie istotne dla branży. Nigdy nie przekraczaj dwóch stron w aplikacjach przemysłowych -- menedżerowie rekrutujący w firmach takich jak Citadel i Two Sigma wyraźnie oznaczają CV dłuższe niż dwie strony jako negatywny sygnał.

Jaka jest różnica między quant researcher, quant developer i quant trader?

Quant researcher opracowuje modele matematyczne i sygnały handlowe -- jego CV powinno podkreślać generowanie alfy, metody statystyczne i wyniki backtestingu. Quant developer implementuje i wdraża te modele produkcyjnie -- jego CV powinno eksponować inżynierię oprogramowania, projektowanie systemów i optymalizację opóźnień w C++ lub Pythonie. Quant trader realizuje strategie i zarządza ryzykiem w czasie rzeczywistym -- jego CV powinno demonstrować własność P&L, zarządzanie pozycjami i intuicję rynkową. Wiele ról łączy te kategorie, ale dostosowanie CV do konkretnego podtypu opisanego w ogłoszeniu o pracę dramatycznie zwiększa szanse na zaproszenie na rozmowę.

Cytaty

1. Bureau of Labor Statistics. (2024). "Operations Research Analysts: Occupational Outlook Handbook." U.S. Department of Labor. https://www.bls.gov/ooh/math/operations-research-analysts.htm
2. eFinancialCareers. (2024). "Salaries and Bonuses in Quant Finance: Broken Down by Role, Seniority & Region." https://www.efinancialcareers.com/news/salaries-and-bonuses-in-quant-finance-broken-down-by-role-seniority-and-region
3. eFinancialCareers. (2024). "Quant Researcher Salaries Revealed: Pay at Citadel, Two Sigma and More." https://www.efinancialcareers.com/news/quant-researcher-salaries
4. ZipRecruiter. (2025). "Hedge Fund Quantitative Analyst Salary in New York." https://www.ziprecruiter.com/Salaries/Hedge-Fund-Quantitative-Analyst-Salary--in-New-York
5. JPMorgan Chase & Co. (2024). "Quantitative Finance Programs." https://www.jpmorganchase.com/careers/explore-opportunities/programs/quant-fin-programs
6. CQF Institute. (2025). "The Certificate in Quantitative Finance." https://www.cqf.com/
7. Global Association of Risk Professionals (GARP). (2025). "Financial Risk Manager (FRM) Certification." https://www.garp.org/frm
8. QuantStart. (2025). "How to Get a Quant Job Once You Have a PhD." https://www.quantstart.com/articles/How-To-Get-A-Quant-Job-Once-You-Have-A-PhD/
9. CFA Institute. (2025). "Chartered Financial Analyst (CFA) Program." https://www.cfainstitute.org/
10. QuantBlueprint. (2025). "The Ultimate Guide to Landing a Quant Job in 2025." https://www.quantblueprint.com/post/the-ultimate-guide-to-landing-a-quant-job-in-2025