Первый QuantNet Contest закончился, и мы не могли не пообщаться с нашими первыми победителями. Сегодня с нами — Evil_Towel, чьи стратегии взяли 1, 4, 5 место и gborodin, который занял 2, 3 и 6 место.

Привет, ребята! Во-первых, еще раз поздравляем вас с победой. Можно считать, что в каком-то смысле ваши ники вошли в историю:) Мы уже знаем, что у вас у обоих схожее образование — IT. Давайте капнем немного глубже, поговорим о вашем опыте в quantitative finance и о том, насколько сложно вам было выиграть в соревнованиях.

————————————————————————————

1.Расскажите, пожалуйста, как вы пришли в quantitative finance. Это интересная, но пока что у нас это не такая популярная и многочисленная сфера. Что больше всего вас в ней привлекло?

Evil_Towel : Я впервые познакомился с quantitative finance на хакатоне beCoder. С моей командой мы были там в качестве участников. Прослушав презентации компаний, мы решили выбрать тему от QuantNet. Она нам показалась наиболее понятной и интересной.

В течение 30 часов мы разбирались в теме, менторы отвечали на наши вопросы, и у нас постепенно появлялись рабочие стратегии. Так меня и зацепила эта сфера. После хакатона я начал погружаться в quantitative finance, узнавать новое, разрабатывать более эффективные стратегии.

gborodin : Можно сказать, что эта область меня сама выбрала:)

Я также попал в эту сферу благодаря хакатону и решению кейса от QuantNet. Я и до этого занимался Data Science, но не так увлеченно. Потому что знания оставались долгое время теоретическими, без практического применения.

В этой области меня привлекает объем. Очень много данных, которые нужно ежедневно обрабатывать. Для кого-то это покажется очень кропотливым и рутинным занятием, но мне нравится.

2. Так получается, что большинство Data scientists и квантов в Восточной Европе — самоучки. Какие ресурсы использовали/используете вы для обучения?

gborodin : Для обучения я использую такие ресурсы, как

  • Coursera — Специализация по Машинному обучению и Анализу данных от Яндекса и МФТИ
  • Stepik — Введение в Data Science от Института Биоинформатики
  • Университетский курс по теории вероятностей и статистике

Вообще, математике стоит уделить отдельное внимание, она очень важна для любого программиста или ML-инженера. Поэтому я бы посоветовал всем тем, кто стремиться в сферу, обязательно учить ее. Любить необязательно:)

Evil_Towel : Не могу сказать, что я использовал какие-то специальные ресурсы для обучения, погружался в теоретическую часть предмета. Скорее обучаюсь на практике. А там, как правило, возникают различные вопросы в порядке: «какие методы бывают?», «что этот метод из себя представляет?», «как использовать его на практике?». Таким образом постепенно строится понимание происходящего и «набивается рука».

3. Давайте поговорим непосредственно об алгоритмических торговых стратегиях и процессе их создания. Что для вас является самым сложным и что вызывает большой интерес?

Evil_Towel : Как и везде, самое сложное — это начать. Было одновременно сложно и интересно учиться пользоваться предопределенными функциями и структурами данных для написания стратегий на Python. Также пришлось потратить немало времени на разбор терминов и понятий. Но самое интересное для меня — это непосредственно сам процесс: тестировать, наблюдать за результатами и находить зависимости.

gborodin : Для меня самое сложное — это придумать алгоритм для стратегии.

А самое интересное — наблюдать, как она работает и приносит свои плоды.

4. Есть ли какие-то специалисты или компании в области, за деятельности которых вы особенно следите?

Evil_Towel : Сложно сказать. На мой взгляд, сейчас каждая серьезная современная компания имеет отдел, занимающийся анализом данных — для исследования, сбора статистики или обучения своих алгоритмов. Каждая из них интересна по-своему, исходя из специфики.

gborodin :

Определенно QuantNet. Как я уже сказал, познакомился с этой компанией на хакатоне в Санкт-Петербурге. Плотно пообщался с командой, узнал о возможности попасть на стажировку, к чему в данный момент и стремлюсь.

5. Так как вы в сфере относительно недавно, наверняка еще остались в памяти ожидания, которые у вас были изначально. Случались ли уже такие моменты несовпадения ожиданий с реальностью?

gborodin : Могу отметить библиотеку Xarray, с которой раньше не сталкивался. Она немного отличается от привычного для меня Pandas, поэтому в итоге пришлось потратить немало времени, чтобы найти к ней нужный подход.

Evil_Towel : Наверное именно потому что в сфере я не очень давно, таких моментов пока не было. Думаю, это придет с опытом, когда начинаешь работать над более сложными, нестандартными решениями. Буду практиковаться дальше, повышать свою экспертизу, и вот тогда обязательно поделюсь с вами.

Спасибо, ребята! Желаем вам дальнейших побед и надеемся, что еще не раз увидим вас в списках победителей QuantNet Contest.