Poradnik CV analityka ilościowego: jak napisać CV, które zapewni zaproszenie na rozmowę

Większość CV analityków ilościowych odpada, zanim człowiek zdąży je przeczytać — nie dlatego, że kandydatowi brakuje doktoratu z rachunku stochastycznego czy umiejętności implementacji modelu Blacka-Scholesa w C++, lecz dlatego, że opisuje swoją pracę jak badacz akademicki, zamiast jako profesjonalista generujący przychody, budujący modele wyceny, optymalizujący algorytmy egzekucji i zarządzający ryzykiem portfelowym mierzonym w punktach bazowych i współczynnikach Sharpe'a [4].

Najważniejsze wnioski

• CV quanta musi łączyć matematykę z pieniędzmi: Rekruterzy w firmach takich jak Citadel, Two Sigma i Goldman Sachs szukają dowodów na to, że kompetencje matematyczne kandydata bezpośrednio poprawiły P&L, zmniejszyły ryzyko modelowe lub wzmocniły generowanie alfy — a nie tylko że opublikował artykuły czy zdobył dyplom [5].
• 3 rzeczy, na które rekruterzy zwracają największą uwagę: Produkcyjne umiejętności programistyczne (Python, C++, R), doświadczenie w modelowaniu specyficznym dla domeny (wycena instrumentów pochodnych, arbitraż statystyczny, zarządzanie ryzykiem) oraz skwantyfikowany wpływ biznesowy (stopy zwrotu portfela, redukcja VaR, poprawa latencji) [3].
• Najczęstszy błąd: Wymienianie kursów akademickich i wiedzy teoretycznej bez powiązania ich z wynikami na biurku handlowym, metrykami ryzyka lub wynikami portfela — menedżerowie zatrudniający quantów chcą widzieć, co modele zrobiły, a nie tylko czym są.
• Systemy ATS filtrują agresywnie: Firmy korzystające z platform ATS Workday, Greenhouse lub Taleo wyszukują dokładne dopasowania terminów takich jak „Monte Carlo simulation", „time series analysis" i „stochastic modeling" — same skróty nie przejdą [11].

Czego szukają rekruterzy w CV analityka ilościowego?

Rekruterzy quantów działają inaczej niż większość menedżerów zatrudniających. Na biurkach sell-side (JPMorgan, Morgan Stanley, Barclays) chcą widzieć doświadczenie w wycenie instrumentów pochodnych, obliczaniu Greków i walidacji modeli regulacyjnych. W firmach buy-side (D.E. Shaw, Renaissance Technologies, AQR Capital) priorytetem jest badanie sygnałów, generowanie alfy i rygorystyczny backtesting [5]. Nakładanie się umiejętności jest mniejsze, niż zakłada większość kandydatów.

Głębia techniczna jest warunkiem koniecznym. CV musi wykazywać biegłość w co najmniej dwóch podstawowych językach programowania quantów: Python (NumPy, pandas, scikit-learn), C++ (dla systemów o niskiej latencji) i R (do modelowania statystycznego) [3]. Rekruterzy szukają również biegłości w SQL, doświadczenia z Bloomberg Terminal lub Reuters Eikon oraz znajomości platform ryzyka takich jak MSCI RiskMetrics lub Numerix.

Doświadczenie modelowe musi być konkretne. „Budowałem modele finansowe" nie mówi rekruterowi nic. „Opracowałem model handlu parami oparty na powrocie do średniej z wykorzystaniem analizy kointegracji na ponad 500 parach akcji, generujący roczną stopę zwrotu 12,3% ze współczynnikiem Sharpe'a 1,8" mówi mu dokładnie, co kandydat potrafi [6]. Należy podać klasę modelu: modele zmienności GARCH, modele ryzyka kredytowego oparte na kopulach, modele przełączania reżimów Hidden Markov lub silniki wyceny oparte na sieciach neuronowych.

Certyfikaty sygnalizują zaangażowanie w domenę. Certificate in Quantitative Finance (CQF) od CQF Institute ma znaczenie, ponieważ obejmuje metody numeryczne, rachunek stochastyczny i modele ryzyka w formacie ukierunkowanym na praktyków. Financial Risk Manager (FRM) od Global Association of Risk Professionals (GARP) jest szczególnie ceniony na stanowiskach risk quant. Chartered Financial Analyst (CFA) od CFA Institute ma większe znaczenie po stronie buy-side [7].

Słowa kluczowe aktywnie wyszukiwane przez rekruterów obejmują: Monte Carlo simulation, stochastic differential equations, factor models, PCA (principal component analysis), Bayesian inference, convex optimization, backtesting frameworks i regulatory capital modeling (FRTB, Basel III/IV) [4]. Jeśli CV nie zawiera co najmniej 8-10 z tych terminów organicznie wplecionych w punkty doświadczenia, prawdopodobnie nie pojawi się w wyszukiwaniach rekruterów na LinkedIn ani w wewnętrznych bazach ATS.

Jaki jest najlepszy format CV dla analityków ilościowych?

Należy stosować format odwrotnie chronologiczny. Menedżerowie zatrudniający quantów — niezależnie od tego, czy siedzą na biurku handlowym, czy kierują zespołem walidacji modeli — chcą prześledzić progresję od juniora quant lub asystenta badawczego przez stanowiska seniorskie z rosnącą odpowiedzialnością za modele i P&L [12]. Układ chronologiczny natychmiast ujawnia tę trajektorię.

Jeden wyjątek: Osoby zmieniające karierę z czysto akademickiej (postdoki w fizyce, matematyce lub informatyce przechodzący do finansów) skorzystają z formatu łączonego, który otwiera się sekcją umiejętności technicznych i blokiem „Wybrane projekty" przed historią zatrudnienia. Pozwala to na wyeksponowanie implementacji Monte Carlo, algorytmów optymalizacji lub badań nad uczeniem maszynowym przed akademickim harmonogramem zatrudnienia [10].

Szczegółowe wytyczne formatowania dla CV quantów:

• Jedna strona dla kandydatów z mniej niż 8-letnim doświadczeniem; maksymalnie dwie strony dla seniorów. Szefowie biurek przeglądający ponad 200 aplikacji na jedno stanowisko quant researcher nie przeczytają trzeciej strony.
• Dedykowana sekcja „Umiejętności techniczne" blisko góry — rekruterzy quantów skanują w poszukiwaniu języków programowania, bibliotek i platform w ciągu pierwszych 10 sekund [11].
• Czysty, jednokolumnowy układ ze standardowymi czcionkami (Calibri, Garamond lub Times New Roman). CV złożone w LaTeX-u są powszechne i dobrze odbierane w finansach ilościowych — sygnalizują biegłość techniczną i dbałość o precyzję.
• Unikać grafik, wykresów lub wielokolumnowych układów, które zakłócają parsowanie ATS. Systemy Workday i Greenhouse wyodrębniają tekst liniowo, a złożone układy mieszają treść [11].

Jakie kluczowe umiejętności powinien uwzględnić analityk ilościowy?

Umiejętności twarde (z kontekstem)

1. Python (NumPy, pandas, SciPy, scikit-learn) — Dominujący język w badaniach quantowych. Należy podać biblioteki: pandas do przetwarzania danych, scikit-learn do generowania sygnałów opartych na ML i bindingi QuantLib do wyceny instrumentów pochodnych [3].
2. C++ (standardy 11/14/17) — Wymagany w produkcyjnych systemach o niskiej latencji. Przy doświadczeniu z algorytmami egzekucji lub silnikami wyceny w czasie rzeczywistym należy podać standard i użyte biblioteki Boost.
3. R / MATLAB — Powszechne w akademickich badaniach quantowych i prototypowaniu modeli ryzyka. Należy wskazać, czy R był używany do modelowania ekonometrycznego (pakiety rugarch, rmgarch), czy MATLAB do numerycznych solwerów PDE.
4. SQL i zarządzanie bazami danych — Quanci codziennie odpytują bazy tickowe (KDB+/q to istotny wyróżnik), magazyny szeregów czasowych i relacyjne bazy danych. Jeśli kandydat zna KDB+ — warto to podkreślić, gdyż jest to rzadka i wysoko ceniona umiejętność [4].
5. Rachunek stochastyczny i SDE — Matematyczny fundament wyceny instrumentów pochodnych. Należy wymienić konkretne zastosowania: kalibracja modelu Hestona, powierzchnie zmienności lokalnej lub modele dyfuzji ze skokami.
6. Metody Monte Carlo — Techniki redukcji wariancji (antithetic variates, control variates, importance sampling) odróżniają seniorów od juniorów, którzy uruchamiają jedynie naiwne symulacje [6].
7. Analiza szeregów czasowych — ARIMA, GARCH, modele VAR, testowanie kointegracji (Johansen, Engle-Granger). Należy sprecyzować, czy stosowane do prognozowania zmienności, modelowania krzywej dochodowości czy generowania sygnałów.
8. Uczenie maszynowe w finansach — Lasy losowe do selekcji cech, gradient boosting do scoringu kredytowego, sieci LSTM do predykcji sekwencji. Zawsze należy powiązać ML z zastosowaniem finansowym — generyczne umiejętności ML są odczytywane jako data science, nie finanse ilościowe [3].
9. Modelowanie ryzyka (VaR, CVaR, stress testing) — Należy podać frameworki regulacyjne: FRTB-SA, FRTB-IMA, podejście standardowe Basel III. Risk quanci powinni wymienić konkretne miary ryzyka, które obliczali, oraz portfele, które obsługiwali.
10. Bloomberg Terminal / Reuters Eikon — Pozyskiwanie danych, budowa krzywych i analityka. Jeśli kandydat budował zautomatyzowane pipeline'y danych pobierające z Bloomberg API (BLPAPI), powinien to wyraźnie podać.

Umiejętności miękkie (z przykładami specyficznymi dla quantów)

1. Komunikacja międzyfunkcyjna — Tłumaczenie założeń i ograniczeń modeli traderom, menedżerom portfeli lub regulatorom, którzy nie posługują się wartościami własnymi. Przykład: prezentowanie wyników walidacji modeli komitetowi CCAR.
2. Dekompozycja problemu — Rozbijanie złożonego problemu wyceny (np. egzotyczna opcja zależna od ścieżki) na realizowalne komponenty numeryczne. To podstawowa umiejętność kognitywna testowana na rozmowach quantowych [9].
3. Rygor intelektualny pod presją czasu — Biurka handlowe potrzebują poprawek modeli i rekalibracji w godzinach rynkowych, nie w przyszłym kwartale. Quanci, którzy się sprawdzają, dostarczają precyzyjne wyniki w napiętych terminach.
4. Badania zespołowe — Zespoły quantów programują w parach, przeglądają kod modeli i współtworzą wewnętrzne artykuły badawcze. Należy wymienić konkretne formy współpracy: przeglądy kodu, komitety governance modeli lub inicjatywy badawcze między biurkami.

Jak analityk ilościowy powinien formułować punkty doświadczenia zawodowego?

Każdy punkt powinien stosować formułę XYZ: Osiągnąłem [X] mierzone przez [Y] poprzez [Z]. CV quantów wymieniające obowiązki („Odpowiedzialny za rozwój modeli") zamiast osiągnięć („Zmniejszyłem liczbę wyjątków backtestingu modelu VaR z 12 do 3 na kwartał") są odfiltrowywane przez doświadczonych menedżerów zatrudniających [12].

Poziom podstawowy (0-2 lata: junior quant, asystent badawczy quant)

• Opracowałem framework backtestingu handlu parami w Pythonie (pandas, NumPy) obejmujący ponad 200 par akcji ze składu S&P 500, identyfikując 15 statystycznie istotnych skointegrowanych par z p-wartościami poniżej 0,01 [6].
• Zautomatyzowałem generowanie dziennego raportu ryzyka przy użyciu Pythona i SQL, skracając czas dostarczania raportu z 3 godzin do 22 minut i eliminując 4 błędy ręcznego wprowadzania danych tygodniowo na biurku instrumentów stałodochodowych.
• Skalibrowalem model zmienności stochastycznej Hestona do powierzchni opcji SPX ze średnim RMSE implikowanej zmienności na poziomie 0,42%, poprawiając dokładność wyceny dla biurka egzotycznych instrumentów pochodnych o 18% w porównaniu z poprzednim podejściem zmienności lokalnej [3].
• Zbudowałem model kosztów rebalansowania ETF uwzględniający szacunki wpływu rynkowego (framework Almgrena-Chrissa), redukując szacowany poślizg egzekucji o 8 punktów bazowych na rebalansowanie w portfelu o wartości 500 mln USD.
• Przeprowadziłem walidację backtestingu sygnału momentum-based equity, identyfikując błąd look-ahead bias w istniejącej implementacji, który zawyżał historyczny współczynnik Sharpe'a o 0,6 — co doprowadziło do rekalibracji modelu przed wdrożeniem na żywo.

Średni staż (3-7 lat: analityk ilościowy, quant developer)

• Zaprojektowałem i wdrożyłem model scoringu ryzyka kredytowego w czasie rzeczywistym z wykorzystaniem gradient-boosted trees (XGBoost) na 2,3 mln rekordów kredytowych, poprawiając AUC predykcji niewypłacalności z 0,78 do 0,86 i redukując oczekiwane straty kredytowe o 4,2 mln USD rocznie [4].
• Zbudowałem niskolatencyjny silnik wyceny C++ dla swapcji stóp procentowych z wykorzystaniem metod PDE opartych na różnicach skończonych, osiągając wycenę poniżej milisekundy na transakcję i obsługując dzienny wolumen 8 mld USD nominału na biurku stóp procentowych.
• Kierowałem rozwojem modelu FRTB-IMA dla księgi instrumentów pochodnych na akcje, implementując obliczenia expected shortfall w 12 klasach czynników ryzyka i uzyskując zatwierdzenie regulacyjne bez istotnych uwag podczas inspekcji OCC [6].
• Opracowałem wieloczynnikowy model alfa łączący sygnały momentum, value i sentiment dla systematycznego portfela akcyjnego o wartości 1,2 mld USD, generujący 180 punktów bazowych rocznej alfy ze współczynnikiem informacyjnym 0,95.
• Zaprojektowałem zautomatyzowany pipeline obliczania Greków (delta, gamma, vega, theta) dla ponad 15 000 pozycji opcyjnych, skracając czas dziennej atrybucji P&L z 45 do 7 minut dzięki wektoryzowanym operacjom NumPy i przetwarzaniu równoległemu.

Poziom senior (8+ lat: senior quant, lider quant, szef działu badań ilościowych)

• Kierowałem zespołem 6 analityków ilościowych w przebudowie frameworku ryzyka kredytowego kontrahenta (CCR) firmy, skracając czas obliczeń CVA o 70% dzięki symulacji Monte Carlo z akceleracją GPU, przy zachowaniu zgodności regulacyjnej ze standardami SA-CCR [5].
• Zaprojektowałem systematyczną strategię handlową macro obejmującą stopy G10, FX i surowce, zarządzając ekspozycją nominalną 3,5 mld USD i generując 14,2% stopy zwrotu netto (Sharpe 1,6) podczas cyklu podwyżek stóp w 2022 roku.
• Ustanowiłem framework zarządzania ryzykiem modelowym dla zarządzającego aktywami o AUM 45 mld USD, definiując standardy walidacji modeli, protokoły backtestingu i procedury governance, które przeszły inspekcje SEC i OCC bez istotnych uwag.
• Kierowałem migracją starszych modeli wyceny MATLAB do produkcyjnego stosu Python/C++, redukując koszty infrastruktury o 1,8 mln USD rocznie i skracając cykl wdrożenia modeli z 6 tygodni do 5 dni w ponad 40 modelach [8].
• Mentorowałem 12 juniorów quant w ciągu 4 lat, z czego 8 awansowało na stanowiska średniego szczebla; zaprojektowałem wewnętrzny program szkoleniowy quant obejmujący rachunek stochastyczny, metody numeryczne i standardy kodowania produkcyjnego.

Przykłady podsumowania zawodowego

Analityk ilościowy — poziom podstawowy

Analityk ilościowy z tytułem MS w Financial Engineering z programu top-10 i praktycznym doświadczeniem w budowaniu modeli wyceny instrumentów pochodnych oraz backtestingu systematycznych strategii handlowych w Pythonie i C++. Ukończony 6-miesięczny staż w banku bulge-bracket, polegający na kalibracji modeli zmienności stochastycznej (Heston, SABR) do powierzchni opcji z dokładnością RMSE poniżej 1%. Biegły w symulacji Monte Carlo, ekonometrii szeregów czasowych i pipeline'ach danych opartych na SQL, z opublikowanym artykułem badawczym na temat technik redukcji wariancji dla wyceny opcji zależnych od ścieżki [7].

Analityk ilościowy — średni staż

Analityk ilościowy z 5-letnim doświadczeniem w rozwijaniu produkcyjnych modeli ryzyka i sygnałów alfa dla biurek akcji i instrumentów stałodochodowych w banku inwestycyjnym najwyższej klasy. Budował i utrzymywał modele ryzyka rynkowego zgodne z FRTB, obejmujące ponad 20 mld USD ekspozycji nominalnej, przy czym wszystkie modele przeszły walidację regulacyjną przy pierwszym przedłożeniu [4]. Ekspert w Pythonie (NumPy, pandas, scikit-learn), C++ i KDB+/q, z udokumentowaną historią redukcji czasu obliczeń modeli o 50-70% dzięki optymalizacji algorytmicznej i przetwarzaniu równoległemu. Certyfikowany CQF z głęboką wiedzą w zakresie rachunku stochastycznego, metod PDE i zastosowań uczenia maszynowego w finansach.

Analityk ilościowy — poziom senior

Szef działu badań ilościowych z 12-letnim doświadczeniem w kierowaniu zespołami quantów zarówno po stronie sell-side, jak i buy-side, nadzorujący rozwój modeli dla portfeli przekraczających 10 mld USD AUM. Kierował projektowaniem i wdrażaniem systematycznych strategii handlowych obejmujących akcje, stopy procentowe i kredyt, generując skumulowaną alfę ponad 400 punktów bazowych powyżej benchmarku ze współczynnikami informacyjnymi konsekwentnie powyżej 1,0 [5]. Posiada tytuł CFA i certyfikat FRM; opublikował 6 recenzowanych artykułów na tematy finansów obliczeniowych, w tym akcelerację GPU dla metod Monte Carlo i głębokie uczenie do modelowania powierzchni zmienności. Udowodniona zdolność budowania i mentorowania wysokowydajnych zespołów quantowych liczących 8-15 analityków przy jednoczesnym utrzymywaniu rygorystycznych standardów governance modeli.

Jakie wykształcenie i certyfikaty potrzebuje analityk ilościowy?

Wykształcenie

Tytuł magistra to podstawowe oczekiwanie na stanowiskach quantowych. Najczęstsze kierunki to Financial Engineering, Computational Finance, Applied Mathematics, Statistics lub Physics [7]. Posiadacze doktoratu mają przewagę w rolach wymagających intensywnych badań (badanie alfy, innowacje w wycenie instrumentów pochodnych), ale mocne studia magisterskie z odpowiednim stażem wystarczą na większość stanowisk desk quant i risk quant.

Jak formatować wykształcenie w CV: Podać stopień, uczelnię, rok ukończenia oraz 2-3 istotne przedmioty lub temat pracy dyplomowej. „MS Financial Engineering, Columbia University, 2021 | Praca dyplomowa: Calibration of Rough Volatility Models Using Deep Learning" jest znacznie bardziej informacyjne niż samo podanie stopnia.

Certyfikaty (rzeczywiste, weryfikowalne)

• Certificate in Quantitative Finance (CQF) — CQF Institute. Najbardziej specyficzny certyfikat quantowy; obejmuje metody numeryczne, rachunek stochastyczny i modele ryzyka w formacie ukierunkowanym na praktyków [9].
• Financial Risk Manager (FRM) — Global Association of Risk Professionals (GARP). Dwuczęściowy egzamin obejmujący ryzyko rynkowe, kredytowe i operacyjne. Szczególnie ceniony na stanowiskach risk quant i walidacji modeli.
• Chartered Financial Analyst (CFA) — CFA Institute. Trzypoziomowy program. Bardziej istotny dla quantów buy-side pracujących nad konstrukcją portfeli i alokacją aktywów niż dla quantów wyceny instrumentów pochodnych.
• Professional Risk Manager (PRM) — Professional Risk Managers' International Association (PRMIA). Alternatywa dla FRM z silniejszym naciskiem na metody ilościowe.
• SAS Certified Statistical Business Analyst — SAS Institute. Istotny, jeśli infrastruktura ryzyka firmy działa na SAS (powszechne w dużych bankach i firmach ubezpieczeniowych).

Certyfikaty należy formatować z pełną nazwą, organizacją wydającą i rokiem uzyskania. „FRM, GARP, 2022" to standardowy format [10].

Jakie są najczęstsze błędy w CV analityka ilościowego?

1. Pisanie akademickiego CV zamiast branżowego. Wymienianie każdego artykułu, którego kandydat jest współautorem, i każdej konferencji, w której uczestniczył, zasypuje informacje potrzebne menedżerom zatrudniającym. Publikacje należy ograniczyć do 2-3 najbardziej istotnych pozycji i tylko jeśli bezpośrednio odnoszą się do stanowiska (np. artykuł o kalibracji SABR przy aplikowaniu na biurko zmienności) [12].

2. Opisywanie modeli bez wpływu biznesowego. „Zaimplementowałem model GARCH(1,1)" to opis zadania. „Zaimplementowałem model prognozowania zmienności GARCH(1,1), który zmniejszył koszty hedgingu o 15 punktów bazowych miesięcznie na księdze opcji akcyjnych o wartości 2 mld USD" to osiągnięcie. Każdy wymieniony model powinien łączyć się z wynikiem finansowym: wpływ na P&L, redukcja ryzyka, poprawa egzekucji lub zgodność regulacyjna [6].

3. Pomijanie doświadczenia we wdrożeniu produkcyjnym. Wielu quantów buduje modele w notebookach Jupyter, ale nigdy nie wspomina, czy modele te trafiły do produkcji. Menedżerowie w firmach takich jak Two Sigma i Citadel konkretnie szukają dowodów na wdrożenie modeli w działające systemy handlowe lub ryzyka — nie tylko prototypowanie w środowiskach badawczych [5].

4. Stosowanie generycznych list języków programowania bez kontekstu. „Python, C++, R, MATLAB, SQL" jako płaska lista nie mówi rekruterom nic o głębokości wiedzy. Zamiast tego: „Python (5 lat; NumPy, pandas, scikit-learn, QuantLib) | C++ (3 lata; niskolatencyjne silniki wyceny, Boost) | KDB+/q (2 lata; analiza danych tickowych)" [3].

5. Ignorowanie konkretnej subdomeny quantowej. Quant wyceny instrumentów pochodnych, badacz arbitrażu statystycznego i walidator modeli ryzyka kredytowego mają fundamentalnie różne profile umiejętności. CV należy dostosować do konkretnej subdomeny stanowiska — CV zoptymalizowane pod „quanta" generycznie przegra z CV zoptymalizowanym pod „quanta instrumentów pochodnych na stopy" lub „systematycznego badacza equity" [4].

6. Pomijanie doświadczenia w governance i walidacji modeli. Regulacje po 2008 roku (SR 11-7, FRTB, CCAR) sprawiają, że doświadczenie w zarządzaniu ryzykiem modelowym jest coraz bardziej cenione. Jeśli kandydat uczestniczył w walidacji modeli, niezależnym przeglądzie lub przygotowaniu do inspekcji regulacyjnych — powinien to uwzględnić, gdyż wielu kandydatów pomija ten wyróżnik.

7. Ukrywanie umiejętności technicznych pod doświadczeniem zawodowym. Rekruterzy quantów skanują w poszukiwaniu języków programowania i kompetencji matematycznych w ciągu pierwszych 5-10 sekund. Sekcję umiejętności technicznych należy umieścić bezpośrednio po podsumowaniu zawodowym, przed doświadczeniem [11].

Słowa kluczowe ATS dla CV analityka ilościowego

Systemy śledzenia kandydatów w dużych instytucjach finansowych wyszukują dokładne dopasowania słów kluczowych, zanim CV zobaczy człowiek [11]. Terminy te należy umieszczać naturalnie w całym CV — nie upychać ich w ukrytej sekcji.

Umiejętności techniczne

Monte Carlo simulation, stochastic calculus, time series analysis, machine learning, statistical modeling, numerical methods, PDE solvers, convex optimization, Bayesian inference, principal component analysis (PCA)

Certyfikaty

Certificate in Quantitative Finance (CQF), Financial Risk Manager (FRM), Chartered Financial Analyst (CFA), Professional Risk Manager (PRM), SAS Certified Statistical Business Analyst

Narzędzia i oprogramowanie

Python, C++, R, MATLAB, KDB+/q, Bloomberg Terminal, QuantLib, SQL, TensorFlow/PyTorch, Git/GitHub

Terminy branżowe

Value at Risk (VaR), expected shortfall, FRTB, Basel III, Sharpe ratio, alpha generation, Greeks (delta, gamma, vega), derivatives pricing, backtesting

Czasowniki akcji

Modeled, calibrated, backtested, optimized, validated, deployed, quantified, simulated, engineered

Najważniejsze wnioski

CV analityka ilościowego musi jednocześnie wykazywać trzy rzeczy: zaawansowanie matematyczne, biegłość programistyczną i mierzalny wpływ finansowy. Należy otworzyć sekcją umiejętności technicznych, która precyzuje języki, biblioteki i platformy na poziomie oczekiwanym przez rekruterów quantów [3]. Każdy punkt doświadczenia zawodowego powinien stosować formułę XYZ, łącząc modele i analizy z konkretnymi wynikami — punkty bazowe alfy, procentowa redukcja wyjątków VaR lub kwota wpływu na P&L [6]. CV należy dostosować do konkretnej subdomeny quantowej (wycena instrumentów pochodnych, handel systematyczny, modelowanie ryzyka), zamiast aplikować z generycznym CV „analityka ilościowego" [4]. Należy uwzględnić rzeczywiste certyfikaty (CQF, FRM, CFA) z pełnymi nazwami i organizacjami wydającymi. CV powinno być sformatowane w czystym, jednokolumnowym układzie, który systemy ATS mogą parsować bez błędów [11].

Zbuduj swoje zoptymalizowane pod ATS CV analityka ilościowego z Resume Geni — zaczynasz za darmo.

Najczęściej zadawane pytania

Jak długie powinno być CV analityka ilościowego?

Jedna strona przy mniej niż 8 latach doświadczenia; maksymalnie dwie strony dla seniorów i liderów quant. Szefowie biurek i menedżerowie zatrudniający w firmach takich jak Citadel, Jane Street i Goldman Sachs przeglądają setki aplikacji na jedno stanowisko, więc zwięzłość ma znaczenie [12]. Priorytetem powinno być doświadczenie z modelami produkcyjnymi i skwantyfikowany wpływ, a nie wyczerpujące listy kursów czy prezentacji konferencyjnych. Zwięzłe jednostronicowe CV z mocnymi metrykami konsekwentnie przewyższa rozbudowany dwustronicowy dokument wypełniony akademickim wypełniaczem.

Czy powinienem umieścić profil GitHub w CV quanta?

Tak, jeśli repozytoria prezentują istotne prace z zakresu modelowania finansowego — opcyjny pricer Monte Carlo w C++, framework backtestingu w Pythonie lub bibliotekę prognozowania szeregów czasowych. Rekruterzy w ilościowych funduszach hedgingowych i firmach prop trading regularnie przeglądają profile GitHub, aby ocenić jakość kodu, nawyki dokumentacyjne i dojrzałość inżynierską [5]. Jednak należy usunąć lub ustawić jako prywatne repozytoria z niedbałym kodem, niedokończonymi projektami lub akademickimi zadaniami domowymi. Wyselekcjonowany GitHub z 3-5 dopracowanymi projektami związanymi z finansami jest znacznie bardziej skuteczny niż 50 niedokończonych repozytoriów.

Który certyfikat jest bardziej wartościowy dla quantów: CFA czy FRM?

Zależy od subdomeny. FRM (Global Association of Risk Professionals) jest bezpośrednio bardziej stosowny dla risk quantów, walidatorów modeli i osób pracujących nad VaR, stress testingiem lub modelami kapitału regulacyjnego — obejmuje ryzyko rynkowe, kredytowe i operacyjne ilościowo [7]. CFA (CFA Institute) jest silniejszy dla quantów buy-side koncentrujących się na konstrukcji portfeli, alokacji aktywów i fundamentalnych modelach czynnikowych. Dla quantów wyceny instrumentów pochodnych CQF (CQF Institute) to najbardziej ukierunkowany certyfikat, obejmujący rachunek stochastyczny, metody numeryczne i modele ryzyka w formacie praktycznym.

Jaki język programowania powinienem wyeksponować w CV quanta?

Python to najbezpieczniejszy wybór domyślny — dominuje w badaniach quantowych, prototypowaniu i coraz częściej w systemach produkcyjnych zarówno w bankach, jak i funduszach hedgingowych [3]. Jednak przy celowaniu w firmy handlujące z niską latencją (Jump Trading, Virtu Financial, HRT) należy wyeksponować C++ ze szczególnym uwzględnieniem optymalizacji wydajności, zarządzania pamięcią i doświadczenia z systemami czasu rzeczywistego. Na stanowiskach w firmach ze starszą infrastrukturą KDB+/q to rzadka i wysoko wynagradzana umiejętność. Najsilniejszy język należy podać jako pierwszy z konkretnymi bibliotekami i latami doświadczenia, a następnie języki drugorzędne z kontekstem: „Python (6 lat; NumPy, pandas, QuantLib, scikit-learn) | C++ (3 lata; niskolatencyjne silniki wyceny, Boost)" [4].

Czy potrzebuję doktoratu, aby dostać pracę quanta?

Nie na większości stanowisk. Doktorat jest preferowany na czysto badawczych stanowiskach — badania alfy w Renaissance Technologies, teoretyczny rozwój modeli na biurku instrumentów pochodnych — ale mocne studia magisterskie z Financial Engineering, Applied Mathematics, Statistics lub Computer Science wystarczą na większość stanowisk analityka ilościowego, quant developera i risk quanta [7]. Ważniejsza od stopnia naukowego jest demonstrowalna umiejętność: zdolność programowania produkcyjnego, doświadczenie w modelowaniu specyficznym dla domeny i skwantyfikowany wpływ biznesowy. Kandydaci z tytułem MS i dwuletnim doświadczeniem na biurku regularnie pokonują posiadaczy doktoratu bez ekspozycji branżowej.

Jak przejść z data science do finansów ilościowych?

Należy wyeksponować pokrywające się umiejętności techniczne — Python, uczenie maszynowe, modelowanie statystyczne, SQL — dodając kontekst finansowy do każdego punktu [9]. „Zbudowałem model predykcji churnu" trzeba zastąpić zwrotem „opracowałem model predykcji niewypłacalności kredytowej z wykorzystaniem gradient-boosted trees na 1,5 mln rekordów kredytowych". Warto zdobyć CQF lub FRM, aby zasygnalizować zaangażowanie w domenę. Należy poznać podstawy wyceny instrumentów pochodnych (Black-Scholes, Greeks, budowa krzywej dochodowości) i wymienić je w sekcji umiejętności. Menedżerowie wybaczą nietradycyjne zaplecze, jeśli CV demonstruje autentyczną wiedzę domenową z zakresu finansów, a nie generyczne umiejętności data science przepakowane z finansowymi modowymi słowami.

Jaka jest różnica między CV quant researcher a quant developer?

CV quant researcher powinno kłaść nacisk na modelowanie matematyczne, generowanie sygnałów, metodologię backtestingu i publikacje badawcze — skupienie jest na tym, jakie modele zostały zbudowane i jakie wyniki finansowe przyniosły [6]. CV quant developera powinno eksponować inżynierię oprogramowania: architekturę systemów produkcyjnych, optymalizację latencji, pipeline'y CI/CD i praktyki jakości kodu. Quant developerzy wyeksponują biegłość w C++, projektowanie systemów i infrastrukturę wdrożeniową wyraźniej niż rachunek stochastyczny. Jeśli kandydat jest hybrydą (co jest powszechne w mniejszych firmach), CV powinno być skonstruowane z sekcją badawczą i inżynierską, aby wyraźnie zademonstrować obie kompetencje.