东方财富量化研究员（公募）
任职要求
1、本科及以上学历，数学、计算机、金融工程等专业，金融工科复合背景者优先； 2、具有三年以上量化相关研究经验； 3、具备出色的数量分析能力，对于数学、统计学有扎实的理论基础； 4、熟练掌握MATLAB或Python，熟悉wind、SQL Server数据库等基本工具，具有优秀的编程能力； 5、具备人工智能策略开发经验者优先； 6、具备良好的沟通能力以及团队合作能力； 7、喜欢买方研究工作，愿意适应投研工作环境和工作节奏。
工作职责
1、负责量化选股、指数增强、行业轮动等策略开发； 2、负责因子挖掘、组合优化等课题研究，并协助基金经理完成其他研究工作； 3、完成公司交办的其他工作。
follow最新的LLM领域的科研及业界最新的成果，直接应用到金融投资。 1. 参与基于大模型的量化策略设计与算法开发，覆盖信号生成、组合优化、模型训练等环节 ，运用大模型\多模态\强化学习解决AI投资、AIGC等项目。 2. 优化大模型在金融场景的推理效果，结合DPO/RLHF提升策略稳定性 3. 开发投资Agent系统，实现数据获取-分析-决策-执行的自动化链路 4. 跟踪AI4Finance前沿技术（如多模态金融大模型、低延迟推理）
1. 构建多模态数据评估体系，量化数据对模型性能的影响，迭代优化数据生成策略； 2. 探索无监督/半监督数据生成技术，降低对人工标注的依赖，提升数据多样性。 3. 深度参与深度学习模型的研发流程，与算法工程师紧密协作，设计并实现符合业务需求的数据解决方案，为前沿模型研究提供高效的数据支持。 4. 持续优化平台数据的生产效率和易用性，降低算法使用门槛，探索业界前沿的多模态数据处理技术，将其转化为平台化功能，服务多场景业务需求。
跟踪并深入研究LLM（大语言模型）领域的最新科研成果及业界动态，探索其在金融投资中的应用。 参与基于大模型的量化策略设计与算法开发，涵盖信号生成、组合优化、模型训练等环节，利用大模型、多模态技术和强化学习（RL）推进AI投资和AIGC项目。 优化大模型在金融场景下的推理效果，结合DPO（决策过程优化）和RLHF（强化学习与人类反馈）提升策略的稳定性与准确性。 参与投资Agent系统的开发，全面实现数据获取、分析、决策与执行的自动化链路，提升量化投资决策效率。 持续跟踪AI4Finance前沿技术，特别是多模态金融大模型、低延迟推理等领域的最新进展，为量化投资系统提供技术支持。
参与金融领域大模型的设计与优化，特别是在量化投资、风险控制、资产配置等场景下应用强化学习算法（RL）解决实际问题。 研究和开发基于强化学习的金融策略，包括但不限于投资组合优化、市场预测、风险管理等关键领域。 利用大模型和多模态数据（包括市场数据、新闻数据、社交媒体数据等），开发适应金融市场动态变化的智能决策系统。 优化金融场景下强化学习模型的训练与推理效率，探索基于DPO（决策过程优化）与RLHF（强化学习与人类反馈）的创新算法，提升策略的稳定性和适应性。 深入研究AI4Finance前沿技术，关注低延迟推理、模型压缩、算法加速等技术的应用，推动金融大模型在实时交易、资产管理等领域的落地。