Vereinigte Staaten
Temple Health
Goldman Sachs
Associate Applied AI - Deep Learning/Zeitreihen
Vereinigte Staaten
New York, New York, United States
PythonAWSDockerKubernetes
Automatische Übersetzung. Prüfe das Original.
Stellenbeschreibung
WAS WIR TUN
Bei Goldman Sachs erschaffen unsere Ingenieure nicht nur Dinge – wir machen Dinge möglich. Verändern Sie die Welt, indem Sie Menschen und Kapital mit Ideen verbinden. Lösen Sie die anspruchsvollsten und dringendsten technischen Probleme für unsere Kunden. Werden Sie Teil unserer Engineering-Teams, die massiv skalierbare Software und Systeme entwickeln, Infrastrukturlösungen mit geringer Latenz entwerfen, proaktiv vor Cyber-Bedrohungen schützen und machine learning zusammen mit Financial Engineering nutzen, um Daten kontinuierlich in Taten umzusetzen. Schaffen Sie neue Geschäftsbereiche, transformieren Sie das Finanzwesen und entdecken Sie eine Welt voller Möglichkeiten im Tempo der Märkte.
Der Bereich Engineering, der sich aus unserer Technology Division und globalen Strategiegruppen zusammensetzt, bildet das Herzstück unseres Geschäfts. Unser dynamisches Umfeld erfordert innovatives, strategisches Denken und unmittelbare, echte Lösungen. Möchten Sie die Grenzen digitaler Möglichkeiten erweitern? Fangen Sie hier an.
KI-FORSCHUNG BEI GOLDMAN SACHS
Die AI Research Group ist die dedizierte Forschungsorganisation des Unternehmens, die an der Schnittstelle von modernem machine learning und quantitativem Finanzwesen operiert. Wir entwickeln, trainieren und evaluieren rigoros deep learning-Modelle auf Basis einiger der reichhaltigsten Finanzzeitreihendaten der Branche – Markt-Mikrostruktur, Cross-Asset-Pricing, makroökonomische Indikatoren, Transaktionsflüsse und alternative Daten.
Unser Auftrag ist es, den Stand der Technik bei der Sequenzmodellierung und probabilistischen Prognose für verrauschte, nicht-stationäre Finanzdaten mit niedrigem Signal-Rausch-Verhältnis voranzutreiben und diese Forschung als unternehmensweite Plattform bereitzustellen, auf der quantitative Forscher, Strategen und Engineering-Teams im gesamten Unternehmen aufbauen können. Wir arbeiten mit wissenschaftlicher Strenge und technischer Disziplin – jedes Modell, das wir bereitstellen, ist reproduzierbar, wird anhand starker Baselines gemessen und unter realistischen Out-of-Sample- und Out-of-Regime-Bedingungen evaluiert.
DIE ROLLE
Titel: AI Research – Associate Standort: New York, NY Abteilung: Engineering – AI Research
Wir suchen einen forschungsstarken Praktiker, der das Design, das Training und die Evaluierung von deep learning-Modellen für Finanzzeitreihen leitet. Dies ist eine Rolle für einen Individual Contributor, der gleichermaßen versiert darin ist, eine Likelihood-Funktion abzuleiten, eine verteilte Trainingsschleife über einen Multi-Node-GPU-Cluster zu schreiben und eine Evaluierungsmethodik vor einem Gremium quantitativer Forscher zu verteidigen.
Sie verantworten Forschungsprobleme von Anfang bis Ende: von der Fragestellung über die Kuratierung und Aufbereitung der Daten, das Design der Modellarchitektur, die Durchführung groß angelegter Trainingsexperimente und den Aufbau der Evaluierungsumgebung bis hin zur Zusammenarbeit mit Quant- und Engineering-Teams, um Modelle in die Produktion zu bringen. Da unsere Ergebnisse für verschiedene Desks und Anlageklassen dienen, wird von Ihnen erwartet, dass Sie Modelle und Abstraktionen entwickeln, die verallgemeinerbar sind – keine Einzellösungen.
Dies ist ein sich schnell entwickelndes Forschungsfeld. Sie fühlen sich in mehrdeutigen Situationen wohl, sind skeptisch gegenüber Ergebnissen, die zu gut aussehen, und bringen dieselbe Strenge in die Evaluierungsmethodik ein wie in das Modelldesign.
WORAN SIE ARBEITEN WERDEN
- Modellforschung und -entwicklung: Design, Implementierung und Training moderner deep learning-Architekturen für Prognosen, Representation Learning und generative Modellierung von Finanzzeitreihen – einschließlich CNNs und temporalen Convolutional Networks, Transformern und auf Attention basierenden Sequenzmodellen, Autoencodern, GANs, Diffusionsmodellen, Graph Neural Networks, Bayes'schen Netzen und Reinforcement Learning.
- Zeitreihen-Spezialisierung: Aufbau und Benchmarking spezialisierter Sequenzarchitekturen wie WaveNet, N-BEATS / N-HiTS, DeepAR, PatchTST und Time Series Foundation Models (TSFMs) sowie rigoroser Vergleich mit klassischen ökonometrischen Methoden wie ARIMA, GARCH, Kalman-Filtern und Zustandsraummodellen.
- Training im großen Maßstab: Verantwortung für das groß angelegte Modelltraining auf den GPU-Clustern und in der Cloud-Computing-Umgebung des Unternehmens – Distributed Data Parallel (DDP), Fully Sharded Data Parallel (FSDP), Mixed Precision, Hyperparameter-Suche und Experiment-Tracking. Optimierung der Inferenz durch Quantisierung, Destillation und ONNX-basierte Deployment-Pfade.
- Evaluierung und Validierung: Aufbau robuster Evaluierungs-Frameworks, die auf Finanzdaten zugeschnitten sind – Walk-Forward- und Purged-Cross-Validation, Embargo-Perioden, regime-konditionale Analysen, Unsicherheitsquantifizierung und Kalibrierung, Ablationsstudien sowie Signifikanztests, die multiple Hypothesentests und Data Snooping angemessen berücksichtigen.
- Angewandte quantitative Forschung: Zusammenarbeit mit quantitativen Forschern und Strategen verschiedener Desks bei der Alpha-Forschung, Signalgenerierung, Portfoliooptimierung und beim Backtesting, wobei Modellausgaben in ökonomisch sinnvolle, risikoadjustierte und kapazitätsbewusste Signale übersetzt werden.
- Unternehmensweite Forschungsplattform: Beitrag zu wiederverwendbaren Modellen, Datensätzen, Benchmarks und Tools für eine gemeinsame Forschungsplattform, die mehrere Desks und Anlageklassen bedient und die Qualität und Reproduzierbarkeit im gesamten Unternehmen steigert.
- Technische Führung: Mentoring von Junior-Forschern und Ingenieuren, Überprüfung von Forschungsdesigns und Code sowie Präsentation der Ergebnisse vor hochrangigen technischen und geschäftlichen Stakeholdern.
- KI-Governance: Sicherstellung, dass alle Modelle den Standards des Unternehmens für Modellrisikomanagement, Datenschutz, Ethik und Sicherheit entsprechen, mit vollständiger Dokumentation, Herkunftsnachweis und Revisionsfähigkeit.
Erforderlich
FÄHIGKEITEN UND ERFAHRUNGEN, DIE WIR SUCHEN
Erforderlich
- Ein Bachelor-, Master- oder Doktortitel in Informatik, Machine Learning, Statistik, Mathematik, Physik, Elektrotechnik, Quantitativem Finanzwesen oder einer verwandten quantitativen Disziplin.
- Mindestens 3+ Jahre Berufserfahrung in der Entwicklung, dem Training und dem Deployment von deep learning-Modellen, wobei ein wesentlicher Teil auf sequentielle Daten oder Zeitreihendaten entfallen sollte. Kandidaten mit einem Doktortitel und weniger Jahren Berufserfahrung werden berücksichtigt, wenn die Tiefe der Forschungserfahrung nachweislich gleichwertig ist.
- Fundierte Expertise in modernen deep learning-Architekturen: CNNs und TCNs, Transformern, Autoencodern, GANs, Diffusionsmodellen, GNNs, Bayes'schen Methoden und Reinforcement Learning.
- Fundierte Kenntnisse in klassischer Zeitreihen- und ökonometrischer Modellierung – ARIMA, GARCH, Kalman-Filter, Zustandsraummodelle – sowie ein klares Urteilsvermögen darüber, wann deep learning diese übertrifft und wann nicht.
- Praktische Erfahrung mit modernen Zeitreihenarchitekturen wie WaveNet, N-BEATS / N-HiTS, DeepAR, PatchTST oder Time Series Foundation Models.
- Expertenkenntnisse in Python und fundierte Beherrschung von PyTorch, TensorFlow / Keras und/oder JAX / Flax.
- Nachgewiesene Erfahrung mit verteiltem und beschleunigtem Training (DDP, FSDP, Multi-Node-GPU-Training) sowie Workflows für den Modellexport und die Optimierung, einschließlich ONNX.
- Fundierte Grundlagen in Statistik, Wahrscheinlichkeitstheorie, stochastischen Prozessen, Optimierung und Signalverarbeitung.
- Exzellente mündliche und schriftliche Kommunikationsfähigkeiten mit der Fähigkeit, Forschungs-Trade-offs sowohl gegenüber promovierten Forschern als auch gegenüber nicht-technischen Business-Stakeholdern zu artikulieren.
- Freude am Arbeiten in einem sich schnell entwickelnden Umfeld mit einem hohen Maß an Mehrdeutigkeit und schnellen Veränderungen.
Bevorzugt
- Publikationen auf erstklassigen Konferenzen wie NeurIPS, ICML, ICLR, AISTATS oder KDD oder in führenden Fachzeitschriften für quantitatives Finanzwesen.
- Frühere Erfahrung im Bereich machine learning oder Data Science bei einem Hedgefonds, Asset Manager, einer Proprietary-Trading-Firma oder einem systematischen Trading-Desk.
- Erfahrung mit mehreren Anlageklassen – Aktien, Fixed Income, FX, Rohstoffe oder Multi-Asset.
- Vertrautheit mit Bayes'schem deep learning, probabilistischer Programmierung oder Conformal Prediction zur Unsicherheitsquantifizierung.
- Erfahrung mit Cloud-Plattformen und containerisierten Trainingsumgebungen (AWS, Kubernetes, Docker).
- Erfahrung mit Modellrisikomanagement oder regulatorischen Rahmenbedingungen im Finanzdienstleistungssektor.
- Beiträge zu Open-Source-Bibliotheken für machine learning oder Zeitreihen.
WAS WIR IHNEN BIETEN
- Arbeit an wirklich schwierigen Forschungsproblemen mit unmittelbarem, messbarem kommerziellem Einfluss im gesamten Unternehmen.
- Zugang zu proprietären, hochwertigen Cross-Asset-Finanzdatensätzen in einem Umfang, den nur wenige Institutionen bieten können, sowie GPU-Rechenleistung, um diese angemessen zu modellieren.
- Teilhabe an einer eigenständigen Forschungsgruppe, die Wert auf Strenge legt – starke Baselines, rigorose Evaluierung und Reproduzierbarkeit.
- Freiheit zu publizieren und sich mit der breiteren Forschungsgemeinschaft auszutauschen.
- Direkte Zusammenarbeit mit quantitativen Forschern und Strategen verschiedener Desks, die Ihre Entwicklungen nutzen werden.
- Entwicklung fundierter Expertise an der Schnittstelle von modernem deep learning und quantitativem Finanzwesen, mit dem Spielraum, die Agenda für angewandte KI-Forschung des Unternehmens mitzugestalten.
Gehaltsspanne
Das erwartete Grundgehalt für diese Position in New York, New York, Vereinigte Staaten, liegt zwischen $100,000 und $200,0000. Darüber hinaus haben Sie möglicherweise Anspruch auf einen diskretionären Bonus, sofern Sie zum Ende des Geschäftsjahres als aktiver Mitarbeiter beschäftigt sind.
ÜBER GOLDMAN SACHS
Bei Goldman Sachs setzen wir unsere Mitarbeiter, unser Kapital und unsere Ideen ein, um unseren Kunden, Aktionären und den Gemeinschaften, denen wir dienen, beim Wachstum zu helfen. Gegründet im Jahr 1869, sind wir ein führendes globales Investmentbanking-, Wertpapier- und Investmentmanagement-Unternehmen. Mit Hauptsitz in New York unterhalten wir Büros auf der ganzen Welt.
Wir glauben, dass Ihre Persönlichkeit Sie besser in dem macht, was Sie tun. Wir engagieren uns für die Förderung von Vielfalt und Inklusion an unserem Arbeitsplatz und darüber hinaus, indem wir sicherstellen, dass jeder Einzelne in unserem Unternehmen zahlreiche Möglichkeiten zur beruflichen und persönlichen Weiterentwicklung hat – von unseren Schulungs- und Entwicklungsmöglichkeiten und unternehmensweiten Netzwerken bis hin zu Sozialleistungen, Wellness-Angeboten, Angeboten zur persönlichen Finanzplanung und Achtsamkeitsprogrammen. Erfahren Sie mehr über unsere Kultur, unsere Leistungen und unsere Mitarbeiter unter GS.com/careers.
Wir setzen uns dafür ein, angemessene Vorkehrungen für Kandidaten mit besonderen Bedürfnissen oder Behinderungen während unseres Rekrutierungsprozesses zu finden. Erfahren Sie mehr: goldmansachs.com/careers/footer/disability-statement.html
Mehr Möglichkeiten mit einem Profil
Für mehr Stellen berücksichtigt werden, ohne den ganzen Prozess zu wiederholen? Erstellen Sie Ihr Profil, damit Unternehmen auf Nort Sie finden.
Profil erstellen