Machine Learning Engineer – Time Series & Price Prediction

O projekcie

Poszukujemy Machine Learning Engineera, który będzie rozwijać modele predykcyjne dla szeregów czasowych, ze szczególnym uwzględnieniem prognozowania cen surowców i kryptowalut.

Kluczowym wyzwaniem jest praca na danych rynkowych charakteryzujących się wysoką zmiennością, niepewnością oraz niskim stosunkiem sygnału do szumu (low signal-to-noise ratio). Szukamy osoby, która rozumie specyfikę takich danych i potrafi świadomie dobierać metody analizy, budowy modeli oraz ich walidacji.

Twój zakres obowiązków

• Projektowanie, rozwój i walidacja modeli machine learning do prognozowania cen i analizy szeregów czasowych.
• Analiza danych rynkowych, identyfikowanie zależności oraz ocena ich rzeczywistej wartości predykcyjnej.
• Praca z danymi charakteryzującymi się wysoką zmiennością i niskim stosunkiem sygnału do szumu.
• Dobór metod modelowania odpowiednich do charakterystyki danych i definiowanego problemu predykcyjnego.
• Projektowanie eksperymentów oraz rzetelna ocena jakości i stabilności modeli.
• Ograniczanie ryzyka overfittingu, data leakage i błędnej walidacji modeli na danych czasowych.
• Analiza skuteczności modeli w różnych okresach i warunkach rynkowych.
• Współpraca przy wdrażaniu modeli oraz monitorowaniu ich jakości w środowisku produkcyjnym

Nasze wymagania

• Praktyczne doświadczenie w machine learning i budowie modeli predykcyjnych.
• Doświadczenie w analizie i modelowaniu szeregów czasowych (time series).
• Rozumienie problematyki niskiego stosunku sygnału do szumu (low signal-to-noise ratio) i wyzwań związanych z wykrywaniem słabych zależności w danych.
• Znajomość metod walidacji modeli dla danych czasowych, w tym podejścia walk-forward lub time-series cross-validation.
• Umiejętność oceny jakości predykcji z uwzględnieniem overfittingu, data leakage i zmienności danych.
• Umiejętność doboru metryk i metod ewaluacji adekwatnych do celu predykcyjnego.
• Bardzo dobra znajomość Python oraz bibliotek wykorzystywanych w ML i analizie danych.
• Umiejętność prowadzenia eksperymentów, interpretacji wyników i krytycznej oceny skuteczności modeli.