Acerca del puesto Theia Insights desarrolla productos fundamentales de inteligencia financiera, incluidas las clasificaciones por sectores, los grafos de conocimiento y los modelos de riesgo por factores, destinados a inversores institucionales. Atendemos a algunos de los mayores gestores de activos, fondos de cobertura, proveedores de índices y bancos del lado de venta. Como ingeniero cuantitativo en el equipo de Productos de datos, construirás y ejecutarás los modelos que sustentan nuestros Modelos Temáticos de Riesgo por Factores (TFM): descomponer los rendimientos accionarios en factores temáticos y tradicionales de riesgo, metodologías de prueba retrospectiva y transformar la investigación en resultados operativos diarios junto con nuestro equipo de economía. El equipo de Productos de datos es propietario de los datos que sustentan todo lo que vendemos. Es un grupo pequeño y experimentado que valora la corrección y la reproducibilidad por encima del volumen, y trabaja estrechamente con los responsables de producto que definen la metodología. Lo que harás* Desarrollar modelos estadísticos de los movimientos de los precios de las acciones y estimar el rendimiento de las tendencias temáticas. * Construir y someter a prueba retrospectiva modelos de riesgo por factores, descomponiendo los rendimientos accionarios en factores temáticos y tradicionales de riesgo. * Diseñar y validar metodologías de generación de señales y atribución de carteras en colaboración con el equipo de economía. * Garantizar la reproducibilidad de la investigación, de modo que cualquier resultado publicado pueda ejecutarse exactamente de nuevo, incluso tras rellenados retrospectivos y revisiones. * Trabajar con el equipo de pipelines para llevar las decisiones de modelización a la producción diaria. **Requisitos** **Imprescindibles*** Experiencia sólida en Python para entornos productivos. * Conocimientos profundos sobre modelos de riesgo por factores y atribución de carteras: regresión transversal, estimación y reducción de la covarianza, y pruebas retrospectivas que puedas defender línea por línea. * Rigor temporal (punto en el tiempo), sesgo por mirar hacia adelante y sesgo de supervivencia, así como reconstrucción de lo que era conocible en una fecha determinada. * Modelización estadística y optimización (statsmodels, cvxpy; PyTorch es útil). * Conjuntos de datos en pandas y Parquet/Arrow, además de un motor analítico como DuckDB. **Deseables*** Antecedentes en investigación cuantitativa, académica o profesional. * Construcción de índices y taxonomías de clasificación. * Experiencia trabajando con entradas derivadas de modelos, comprendiendo que las exposiciones generadas mediante procesamiento del lenguaje natural (NLP) contienen errores de medición y se revisan con el tiempo. * Orquestación de tareas (Dagster o Airflow) y flujos de datos basados en S3. * Conocimientos prácticos de AWS y disciplina en CI/CD. **Beneficios** * Salario competitivo más opciones sobre acciones * 25 días laborables de vacaciones, además de los festivos oficiales españoles * Trabajo híbrido desde Barcelona
David Muñoz
Indeed · HR
David Muñoz
Indeed · HR
