Почему это не обычный Data Scientist
Data Scientist отвечает за модель и бизнес-метрику в разных доменах. Quantitative Researcher проверяет сигнал в рыночной среде: с издержками, риском, ликвидностью, режимами и ответственностью за капитал.
Live-данные · обновлено 12.08.26
Quantitative Researcher: кто это и чем занимается
Quantitative Researcher ищет и проверяет количественные закономерности в финансовых данных. На странице SkillStat собраны рыночные данные, навыки из вакансий, roadmap, портфолио, собеседование и курсный блок.
Автор·Мурадов Юрий·Аналитик SkillStatЕТПроверено·Евгений Тишкин·Технический редактор·Quantitative developer
Вакансии
7
Москва и МО · 12.08.26
Оценка зарплаты
320 000 ₽
Оценка по профессии и близкому рынку · оценка обновлена 12.08.26
Спрос
4 / 100
Низкий · #64
Уровень
Senior
60% вакансий
Формат
гибридный формат
удал. 29% · гибрид 43% · офис 29%
Выборка зарплат
7
вакансий с зарплатой
Как ещё называют Quantitative Researcher
Вакансии используют английские, русские и сокращённые названия. Важно смотреть не только название, а рабочий фокус: исследование стратегии, риск, данные, исполнение или production-разработка.
Quantitative Researcherquant researcherквант-исследовательисследователь количественных стратегийисследователь торговых стратегийquant analystquantitative analystквантquant strategistresearcher systematic trading
Коротко о профессии
Квант-исследователь отвечает за качество рыночной гипотезы: данные, модель, backtest, издержки, риск, устойчивость и вывод о запуске.
Для этой профессии доступны ограниченные данные. Аналитика носит ориентировочный характер.
По зарплате у профессии нет достаточной собственной актуальной выборки. Поэтому на странице показана оценка с явной маркировкой источника, а не точная медиана только по текущим активным вакансиям.
Как читать данные на странице
Числовые метрики показывают вакансии Москвы и Московской области. Описание роли, задач и навыков относится к профессии в целом.
Регион
Москва и МО
Срез
12.08.26
Зарплата
Оценка по профессии и близкому рынку
оценка обновлена 12.08.26
Выборка
n=7
Актуальные данные по профессии
Актуальный срез по вакансиям, зарплате, спросу и динамике найма для квант-исследователя в Москве и МО.
Вакансии
Количество активных вакансий на сегодня в регионе Москва и МО. Не включает закрытые или приостановленные.
7
активных вакансий
Москва и МО · текущий срез 12.08.26
Спрос
50 = средний по рынку, 100 = в 4× больше вакансий чем у средней IT-профессии. Метрика считается по актуальной выборке Москва и МО.
4
из 100
Ранг по спросу
#64 из 71
Статус
Низкий
Топ спроса
#1
Системный аналитик
475
#2
Разработчик 1С
418
#3
QA Manual
416
Оценка зарплаты
Оценка 320 000₽
Москва и МО · Оценка по профессии и близкому рынку · оценка обновлена 12.08.26
Рынок направления · n=144
Вакансии профессии за 60 дней · n=7
Вакансии профессии за 180 дней · n=9
Диапазон и позиция в зарплатном рейтинге не показаны: зарплата здесь — расчётная оценка, поэтому SkillStat не выводит эти значения, чтобы не создавать ложную точность.
Кто такой Quantitative Researcher
Квант-исследователь работает там, где решение нельзя принимать только по интуиции: в проп-трейдинге, фондах, банках, брокерах, риск-командах, финтехе и командах, которые строят систематические стратегии. Его задача — проверить, есть ли в данных сигнал, который выдержит будущую торговую среду, комиссии, проскальзывание, ограничения капитала и смену рыночного режима.
Работа начинается не с модели, а с гипотезы. Исследователь формулирует предположение, собирает данные, проверяет качество истории, отделяет доступные на момент решения признаки от будущей информации, строит backtest и смотрит, не является ли результат красивой случайностью. Хороший вывод может быть отрицательным: «стратегию запускать нельзя», «сигнал исчезает после издержек», «эффект держится только на одном периоде».
От Data Scientist квант-исследователь отличается доменом и ценой ошибки. Здесь важны не только метрика модели, но и рыночная логика, ликвидность, риск портфеля, доступность данных во времени и возможность довести идею до исполнения. От Quant Developer роль отличается фокусом: разработчик строит систему и production-код, а исследователь отвечает за методологию проверки, качество сигнала и смысл решения.
Данные SkillStat
Срез по Москве и МО от 12.08.2026: 7 активных вакансий, оценка зарплаты 320 000 ₽, спрос 4/100.
Estimated-режим
Диапазон, зарплатный ранг и грейдовые зарплаты не показываются: текущая выборка зарплат слишком мала для точной медианы.
Вход
Junior-вакансий в активном срезе нет; чаще заходят через Data Science, аналитику, риск-моделирование, финтех или сильный исследовательский проект.
Почему junior-вход ограничен
В типичном срезе junior-вакансий по этому профилю почти не бывает. Работодателю сложно доверить новичку вывод о стратегии без доказательства статистической дисциплины, аккуратной работы с данными и понимания рыночных ограничений.
Как читать низкий спрос
Низкий отдельный спрос не означает, что quant-навыки не нужны. Роль часто спрятана внутри финтеха, risk, trading research, data science в банке или quant developer вакансий.
Коротко о профессии Quantitative Researcher
Эта таблица отделяет квант-исследование от общей аналитики, Data Science и разработки торговой инфраструктуры.
| Параметр | Значение | Как читать |
|---|---|---|
| Кто это | Исследователь количественных стратегий и рыночных гипотез | Главный рабочий объект — сигнал, риск и проверка идеи на данных |
| Главная задача | Понять, можно ли использовать гипотезу в торговом, инвестиционном или риск-контуре | Красивый backtest без ограничений не считается достаточным доказательством |
| Что проверяет | Данные, признаки, backtest, комиссии, liquidity, drawdown, robustness, capacity | Роль держится на отрицательных проверках не меньше, чем на найденных сигналах |
| Ключевые навыки SkillStat | Python 80%, SQL 30%, английский C1 30%, математическая статистика 30% | Частотность по вакансиям Москвы и МО на 12.08.2026 |
| Зарплатная оценка | 320 000 ₽, estimated | Ориентир по профессии и близкому рынку, не точная медиана по каждому грейду |
| Спрос | 7 вакансий, спрос 4/100, ранг #64 из 71 | Ниша узкая, часть спроса скрыта в смежных finance/data названиях |
| Формат | Удалённо 29%, гибрид 43%, офис 29% | Формат зависит от доступа к данным, безопасности и связи с trading/risk командами |
| Уровни | Middle 20%, Senior 60%, Lead —, Junior 20% | Рынок ожидает доказанный исследовательский уровень |
| Куда растёт | Senior Quant Researcher, Lead, Portfolio Research, Risk Quant, Quant PM | Рост связан с ownership исследований и влиянием на капитал/риск |
Рабочий цикл квант-исследователя: от идеи до monitoring
Сильное quant-исследование держится на воспроизводимом процессе. В нём одинаково важны идея, данные, отрицательные проверки и честный вывод.
| Этап | Что делает исследователь | Какой результат ожидается | Типичная ошибка новичка |
|---|---|---|---|
| Гипотеза | Формулирует идею, горизонт, инструменты, ожидаемый механизм и критерий проверки | Проверяемое утверждение, которое можно отклонить | Начинать с модели без рыночной причины |
| Данные | Проверяет пропуски, выбросы, временную доступность, corporate actions и синхронизацию | Чистый набор данных с описанными ограничениями | Использовать данные, которых не было на момент решения |
| Baseline | Сравнивает идею с простым правилом или наивной моделью | Понимание, даёт ли сложность реальный выигрыш | Сразу строить сложную модель |
| Backtest | Считает поведение идеи на истории с учётом costs и ограничений | Реалистичная оценка, а не идеальная линия доходности | Игнорировать комиссии и проскальзывание |
| Risk | Смотрит drawdown, turnover, exposure, tail events, correlation и capacity | Понимание, где стратегия опасна | Оценивать только среднюю доходность |
| Robustness | Проверяет out-of-sample, walk-forward, режимы рынка и чувствительность параметров | Снижение риска переобучения | Выбрать параметры по лучшему прошлому графику |
| Research note | Пишет вывод, предпосылки, ограничения, риски и следующие проверки | Решение: закрыть, доработать или передать дальше | Спрятать слабые места исследования |
| Handoff | Передаёт требования к данным, мониторингу, ограничениям и критериям отключения | Понятная задача для quant dev/trading/risk | Отдать графики без операционных правил |
| Monitoring | Сравнивает ожидаемое и фактическое поведение после запуска | Раннее обнаружение signal decay и изменившихся условий | Считать research завершённым после запуска |
Quantitative Research Core: что реально нужно знать
Ядро роли шире Python и математики. Работодатель смотрит, может ли специалист превратить идею в проверяемый вывод с понятным риском.
| Группа | Что входит | Зачем это нужно | Что показать |
|---|---|---|---|
| Математика | Вероятность, статистика, линейная алгебра, оптимизация | Чтобы отличать сигнал от шума и понимать ограничения модели | Объяснение метрик и предпосылок |
| Time series | Returns, volatility, autocorrelation, stationarity, regime changes | Рынок меняется во времени, и обычные табличные допущения ломаются | Проверку на разных периодах |
| Market data | Цены, объёмы, события, стакан, fundamentals, альтернативные данные | Качество данных определяет качество вывода | Data audit и список ограничений |
| Backtesting | Baseline, split, costs, slippage, liquidity, turnover | Backtest должен приближаться к реальности, а не украшать прошлое | Воспроизводимый notebook/script |
| Risk | Drawdown, exposure, correlation, tail risk, capacity, portfolio constraints | Стратегия оценивается по риску, а не только по доходности | Risk report и сценарии отказа |
| Programming | Python, SQL, pandas/numpy, tests, reproducibility, Git | Исследование должно повторяться и проверяться другим человеком | README и воспроизводимый запуск |
| Finance domain | Рынки, инструменты, execution, комиссии, liquidity, regulation context | Модель должна соответствовать механике рынка | Объяснение экономической причины сигнала |
| Communication | Research note, peer review, отказ от слабой идеи, английский | Результат должен быть понятен trading, risk и engineering | Короткий отчёт с честным выводом |
Типичные ловушки в quant research
Большая часть плохих quant-проектов выглядит убедительно до тех пор, пока не проверить данные, время принятия решения и издержки.
| Ловушка | Что происходит | Почему опасно | Как безопасно описать в портфолио |
|---|---|---|---|
| Look-ahead bias | В модель попадает информация из будущего | Backtest показывает невозможный результат | Показать, как признаки доступны на момент решения |
| Survivorship bias | В истории остаются только выжившие инструменты | Стратегия выглядит устойчивее, чем была бы на реальном рынке | Описать состав universe и ограничения данных |
| Overfitting | Параметры подогнаны под прошлое | Сигнал исчезает вне выбранного периода | Сделать out-of-sample и sensitivity |
| Ignoring costs | Комиссии, spread и slippage не учтены | Доходность исчезает после исполнения | Сравнить gross и net result |
| Low liquidity | Модель предполагает объём, который нельзя исполнить | Стратегия не масштабируется | Оценить capacity и turnover |
| Regime dependency | Сигнал работает только в одном рынке | После смены режима вывод ломается | Разделить периоды и описать слабые места |
| Cherry-picking | Показаны только удачные результаты | Команда принимает решение по неполной картине | Сохранить отрицательные тесты |
| Metric tunnel vision | Оценивается одна красивая метрика | Скрываются просадки, риск и нестабильность | Добавить risk table и drawdown |
Quantitative Researcher, Quant Developer, Data Scientist и трейдер: сравнение ролей
Вакансии часто смешивают quant-названия. Таблица помогает понять, за какой результат отвечает каждая роль.
| Роль | Главный фокус | Типовой результат | Чем отличается от Quantitative Researcher |
|---|---|---|---|
| Quantitative Researcher | Гипотезы, сигналы, риск, backtest, вывод | Research note и решение о развитии идеи | Это базовая роль страницы |
| Quant Developer | Production-код, данные, execution, performance | Надёжная торговая или research-инфраструктура | Меньше отвечает за смысл гипотезы, больше — за систему |
| Data Scientist | Модели и данные в продукте или бизнесе | Модель, прогноз, эксперимент, data-продукт | Нет обязательного фокуса на рынок, капитал и исполнение |
| Trader | Текущие решения, позиции, execution, PnL | Сделка, управление позицией, риск в моменте | Работает ближе к рынку и ответственности за позицию |
| Risk Quant | Модели риска, stress testing, лимиты | Risk model, отчётность, ограничения | Фокус на контроле риска, а не поиске alpha |
| Financial Analyst | Бизнес, отчётность, valuation, секторный анализ | Инвестиционный вывод или финансовая модель | Чаще меньше программирования и статистического backtesting |
| ML Engineer | Доведение ML-модели до production | API, pipeline, monitoring, retraining | Фокус на ML-системе, а не рыночной гипотезе |
| Data Engineer | Пайплайны, хранилища, качество данных | Надёжные данные для research и продукта | Поддерживает данные, но не принимает research-вывод |
Уровни Quantitative Researcher: Junior, Middle, Senior, Lead
В SkillStat активный срез смещён к Middle/Senior/Lead. Junior-вход не виден, поэтому новичку особенно важно показывать портфолио и смежный опыт.
| Уровень | Типичные задачи | Какие навыки нужны | Что показать в портфолио | Куда расти |
|---|---|---|---|---|
| Intern / Research Assistant | Повтор исследований, подготовка данных, простые метрики | Python, SQL, статистика, аккуратность | Воспроизводимый data audit и baseline | Junior/Middle-adjacent role |
| Junior | Небольшие гипотезы под контролем, отчёты, проверки данных | Probability, pandas, time series, backtest basics | Учебное исследование с costs и limitations | Middle Quant Researcher |
| Middle | Самостоятельное исследование от идеи до вывода | Robustness, risk, portfolio metrics, research note | Проект с out-of-sample и risk report | Senior |
| Senior | Направление гипотез, сложные данные, signal decay, portfolio impact | Методология, review, production handoff, risk ownership | Несколько исследований и post-launch monitoring case | Lead / Quant PM |
| Lead | Research agenda, стандарты экспериментов, найм и развитие людей | Стратегия, коммуникация с trading/risk/engineering | Описание research process и quality gates | Head of Quant Research |
Навыки Quantitative Researcher
Навыки стоит группировать по исследовательской задаче, а не как случайный список технологий.
| Группа навыков | Что входит | Где видно в вакансиях SkillStat | Как проверяется |
|---|---|---|---|
| Research programming | Python, pandas, numpy, notebooks/scripts, tests, Git | Python 80% | Код можно запустить и воспроизвести |
| Data access | SQL, выгрузки, очистка, join, time alignment | SQL 30% | Нет пропущенной временной логики и data leakage |
| Statistics | Probability, distributions, hypothesis testing, confidence, regression | Математическая статистика 30% | Вывод объяснён статистически, а не визуально |
| Time series | Returns, volatility, autocorrelation, stationarity, regime shift | Часто спрятано в описании quant-задач | Проверки на периодах и режимах |
| Backtesting | Baseline, split, costs, slippage, liquidity, turnover | Обычно указано в обязанностях, а не тегах | Gross/net result и sensitivity |
| Risk and portfolio | Drawdown, exposure, correlation, tail risk, capacity | Видно в finance/risk вакансиях | Risk table и сценарии отказа |
| Finance domain | Market microstructure, instruments, execution, constraints | Часто написано в тексте вакансии | Экономическая причина гипотезы |
| Communication | Research note, peer review, английский, объяснение отрицательных результатов | Английский C1 30% | README и concise report |
Инструменты Quantitative Researcher
Инструмент полезен только в связке с исследовательской задачей. Список ниже не является торговой инструкцией и не содержит инвестиционных рекомендаций.
| Инструмент / класс | Для чего нужен | На каком уровне нужен | Как описать в резюме |
|---|---|---|---|
| Python | Исследовательский код, обработка данных, backtesting | База | Писал воспроизводимые исследования на Python |
| SQL | Доступ к данным, агрегации, проверка качества | База | Работал с рыночными/финансовыми данными через SQL |
| pandas / numpy | Табличные данные, временные ряды, расчёты | База | Готовил признаки и расчёты без нарушения временной логики |
| scipy / statsmodels | Статистические тесты и модели | Middle+ | Проверял гипотезы и ограничения моделей |
| scikit-learn | Baseline ML-модели и валидация | По задаче | Сравнивал ML baseline с простыми правилами |
| Jupyter / notebooks | Исследовательские черновики | База | Вёл notebook как исследование, а не хаотичный scratchpad |
| Git | Версионирование кода и отчётов | База | Хранил исследование воспроизводимо |
| C++ | Быстрые расчёты или близость к execution | По роли | Понимал, где research переходит в performance-sensitive код |
| R / Matlab | Статистика и академический research context | По роли | Читал или переносил research-прототипы |
| Docker | Воспроизводимое окружение | Middle+ | Упаковывал research environment |
| Airflow / orchestration | Регулярные расчёты и pipeline | Middle+ | Понимал, как research становится регулярным процессом |
| BI/visualization | Графики риска, drawdown, exposure, сравнения | База | Показывал выводы без вводящих в заблуждение графиков |
| Data vendor APIs | Получение рыночных или альтернативных данных | По компании | Учитывал ограничения источника и лицензии |
| Research notes / Markdown | Документация вывода | База | Писал понятный отчёт с limitations |
Что влияет на зарплату квант-исследователя
Оценка SkillStat показывает ориентир, но конкретное предложение зависит от ответственности, рынка, команды и доказанного уровня исследований.
| Фактор | Почему влияет | Как подтвердить |
|---|---|---|
| Самостоятельный research ownership | Работодатель платит за вывод, а не за отдельный график | Полный кейс от гипотезы до решения |
| Статистическая строгость | Снижает риск переобучения и ложных сигналов | Out-of-sample, sensitivity, negative tests |
| Учёт costs и liquidity | Без этого стратегия может быть неисполняемой | Gross/net comparison и capacity notes |
| Risk and portfolio thinking | Решение влияет на капитал и просадки | Risk report, drawdown, exposure |
| Production handoff | Идею нужно передать разработке и monitoring | Research note с контрактами и критериями отключения |
| Финансовый домен | Модель должна соответствовать механике рынка | Понятный market rationale |
| Коммуникация с trading/risk | Исследование должно быть принято и проверено командой | Короткий report и defense на интервью |
| Редкие данные или сложный рынок | Чем сложнее данные, тем выше ценность аккуратной проверки | Data quality audit и ограничения |
Вакансии и спрос на Quantitative Researcher
Quantitative Researcher — узкая finance/data-специализация. Низкий индекс спроса важно читать вместе с названиями смежных вакансий.
| Показатель | Данные SkillStat | Как читать |
|---|---|---|
| Активные вакансии | 10 | Малый открытый рынок по Москве и МО на 12.08.2026 |
| Спрос | 4/100, ранг #64 из 71 | Низкий standalone спрос, не массовая IT-роль |
| Тренд | положительный тренд — актуальные данные в виджете | Положительное движение на малой базе; несколько вакансий сильно двигают ряд |
| Формат | Удалённо 29%, гибрид 43%, офис 29% | Доступ к данным и trading/risk коммуникации часто тянут роль в офис/гибрид |
| Уровни | Middle 20%, Senior 60%, Lead —, Junior 20% | Работодатели ждут опыт и самостоятельность |
| Навыков на вакансию | 8.5 в среднем | Вакансии требуют широкий стек: данные, математика, finance, communication |
| Где прячется спрос | Quant Analyst, Risk Quant, Data Scientist в финтехе, Quant Developer | Ищите по задачам, а не только по названию |
Roadmap Quantitative Researcher: план на 6–12 месяцев
С нуля в эту роль входят не быстро. Roadmap ниже подходит как первый год подготовки для человека с математической, data или инженерной базой.
| Период | Что учить | Что сделать | Что не пропустить |
|---|---|---|---|
| 0-1 месяц | Python, SQL, Git, pandas/numpy, probability basics | Собрать небольшой dataset и повторяемый расчёт | Не путать notebook с воспроизводимым исследованием |
| 2-3 месяц | Статистика, линейная алгебра, оптимизация, time series | Считать returns, volatility, drawdown, correlation | Понимать предпосылки метрик |
| 3-5 месяц | Market data, data cleaning, bias, baseline, simple backtest | Сделать первый research case с costs | Не использовать будущую информацию |
| 5-8 месяц | Out-of-sample, walk-forward, risk, portfolio constraints | Написать research note с отрицательными проверками | Не выбирать параметры по лучшему графику |
| 8-12 месяц | Interview math, finance domain, production handoff, monitoring | Собрать портфолио из 3-5 кейсов | Не обещать доходность и не публиковать торговые рекомендации |
Как перейти в Quantitative Research из смежных профессий
Чаще входят не с чистого нуля, а через сильный математический, data, finance или engineering-бэкграунд.
| Откуда переходить | Что уже полезно | Чего не хватает | Как собрать портфолио |
|---|---|---|---|
| Из Data Science | Python, ML, validation, data work | Market microstructure, costs, risk, time series discipline | Финансовый research case без data leakage |
| Из аналитики данных | SQL, отчёты, аккуратность в данных | Статистика глубже, Python, backtesting, finance domain | Исследование временных рядов с risk table |
| Из математики/физики | Вероятность, модели, строгие выводы | Python, SQL, markets, reproducible code | Кодируемое исследование с README |
| Из backend/data engineering | Код, данные, pipelines, production thinking | Статистика, market hypotheses, risk | Research project плюс handoff notes |
| Из финансового анализа | Доменные знания, рынки, отчётность | Python, статистика, backtesting, reproducibility | Количественная проверка инвестиционной гипотезы |
| Из risk/actuarial | Risk thinking, distributions, limits | Trading data, signal research, execution costs | Risk quant case или stress-testing проект |
Что добавить в портфолио квант-исследователя
Портфолио должно доказывать не доходность, а качество исследовательского мышления. Не публикуйте инвестиционные рекомендации и не выдавайте учебный backtest за готовую стратегию.
| Кейс | Что показать | Какой результат ожидается | Что написать в README |
|---|---|---|---|
| Time-series signal | Гипотеза, данные, returns, costs, out-of-sample | Понятный вывод о силе и слабости сигнала | Данные, период, ограничения, почему не рекомендация |
| Factor research | Фактор, universe, rebalance, neutralization, risk | Проверка устойчивости фактора | Методология и negative tests |
| Event study | Событие, окно, baseline, статистическая значимость | Оценка эффекта и ограничений | Почему выбран такой event window |
| Risk model | Exposure, drawdown, correlation, stress cases | Понимание портфельного риска | Какие риски модель не покрывает |
| Portfolio optimization | Ограничения, turnover, costs, risk-return tradeoff | Сравнение подходов без обещаний | Предпосылки и sensitivity |
| Data leakage case | Плохой и исправленный эксперимент | Показано, как future data ломает вывод | Что было ошибкой и как исправлено |
| Signal decay monitoring | Ожидания, фактическое поведение, критерии тревоги | План наблюдения после запуска | Когда стратегию нужно остановить |
| Research note | Короткий отчёт для команды | Решение: закрыть, развивать или проверить дальше | Вывод, риски, следующие шаги |
Что спрашивают на собеседовании Quantitative Researcher
Интервью проверяет не только знание формул, но и способность не обманывать себя результатом эксперимента.
| Тема | Пример вопроса | Что проверяет интервьюер | Что добавить в портфолио |
|---|---|---|---|
| Probability | Как оценить вероятность события при неполных данных? | Строгость рассуждения и допущения | Короткие probability notes |
| Statistics | Когда среднее вводит в заблуждение? | Понимание распределений и выбросов | Метрики с confidence/limitations |
| Time series | Почему случайный train/test split опасен? | Временную логику и leakage | Walk-forward validation |
| Backtesting | Почему стратегия исчезла после costs? | Реализм исполнения | Gross/net comparison |
| Overfitting | Как понять, что параметры подогнаны? | Robustness thinking | Sensitivity и out-of-sample |
| Risk | Что важнее: доходность или drawdown? | Портфельное мышление | Risk table |
| Python/SQL | Как сделать исследование воспроизводимым? | Engineering discipline | README и tests/sanity checks |
| Finance domain | Почему сигнал может исчезнуть? | Понимание рынка и конкуренции | Market rationale |
| Communication | Как объяснить отрицательный результат? | Зрелость researcher-а | Research note с rejected idea |
Что не нужно учить сразу
Новичок часто тонет в сложных моделях и забывает базовые проверки. В quant research это особенно опасно: сложность легко маскирует ошибку данных.
| Не начинать с | Почему | Что сделать вместо этого |
|---|---|---|
| Сложной deep learning стратегии | Модель может красиво переобучиться на прошлое | Сначала baseline и простая гипотеза |
| Обещаний доходности | Учебный backtest не доказывает будущую прибыль | Писать limitations и risk |
| Одного красивого equity curve | График скрывает costs, drawdown и selection bias | Добавить risk table и проверки |
| HFT-инфраструктуры | Это отдельный инженерный мир | Понять данные, backtest и execution basics |
| Всех рынков одновременно | Разные инструменты имеют разную механику | Выбрать узкий universe |
| Сотни факторов | Растёт multiple testing и overfitting | Документировать гипотезу и negative tests |
| Чужих стратегий без понимания | Можно повторить ошибку, а не метод | Разбирать предпосылки и ограничения |
Легальная практика и открытые данные
Для портфолио используйте легально доступные данные и ясно указывайте ограничения источника. Не выдавайте учебные расчёты за инвестиционную рекомендацию.
| Формат практики | Что можно сделать | Что важно указать | Чего избегать |
|---|---|---|---|
| Open market data | Проверить простую гипотезу на публичной истории | Источник, лицензия, период, ограничения | Скрытых платных или закрытых данных |
| Academic paper replication | Повторить метод на доступных данных | Что совпало, что не получилось, почему | Копирования без понимания |
| Risk dashboard | Показать drawdown, exposure, correlation | Какие метрики и почему выбраны | Одной метрики успеха |
| Synthetic data | Проверить метод на контролируемом примере | Что синтетика не доказывает | Выводов о реальном рынке |
| Research note | Написать решение о закрытии слабой идеи | Почему идея отклонена | Спрятанных отрицательных результатов |
Чем занимается Quantitative Researcher
Требования
сценарии, критерии и постановка задачи
- Строить backtest с учётом комиссий, проскальзывания, ликвидности, ограничений объёма, задержек и реалистичного момента принятия решения.
- Описывать риск стратегии: просадки, turnover, exposure, корреляции, tail risk, capacity и влияние на портфель.
- Следить после запуска, не деградировал ли сигнал, не изменились ли условия рынка и не стала ли стратегия опасной для капитала.
Система
данные, api, статусы и интеграции
- Формулировать рыночные гипотезы так, чтобы их можно было проверить на данных и отклонить, если сигнал не выдерживает ограничений.
- Собирать и чистить исторические данные: цены, объёмы, события, стакан, фундаментальные или альтернативные источники, если они доступны команде легально.
Команда
согласование и работа с разработкой
- Проверять устойчивость результата: out-of-sample, walk-forward, режимы рынка, чувствительность к параметрам, риск data leakage и переобучения.
- Передавать исследование Quant Developer, трейдеру или риск-команде как воспроизводимый эксперимент с понятным выводом, а не как набор графиков.
Как выглядит работа по задаче
Работа Quantitative Researcher похожа на научный цикл, но с рыночной ответственностью. Ниже безопасный career-level flow без торговых рекомендаций и без обещания доходности.
Шаг 01
Уточняет гипотезу
Формулирует идею так, чтобы было понятно, какой эффект ищется, на каких инструментах, в каком горизонте и почему он может существовать.
Шаг 02
Проверяет данные
Смотрит пропуски, выбросы, survivorship bias, corporate actions, синхронизацию времени и доступность признаков на момент решения.
Шаг 03
Строит baseline
Начинает с простого теста, чтобы отделить слабую идею от сложной модели, которая красиво объясняет прошлое, но плохо живёт дальше.
Шаг 04
Делает backtest
Сравнивает периоды, учитывает комиссии и проскальзывание, смотрит turnover, drawdown, capacity и чувствительность к параметрам.
Шаг 05
Проверяет robustness
Ищет признаки переобучения: зависимость от одного периода, одного актива, одного параметра или редкого события.
Шаг 06
Готовит вывод
Пишет, что найдено, где сигнал ломается, какие риски остаются и стоит ли идею закрыть, доработать или передать в production.
Шаг 07
Передаёт в реализацию
Согласует с Quant Developer или трейдинговой командой контракты данных, ограничения, мониторинг и критерии отключения стратегии.
Шаг 08
Следит за деградацией
После запуска сравнивает ожидания и фактическое поведение: signal decay, slippage, исполнение, риск и изменения рыночного режима.
Quantitative Researcher, Quant Developer, Data Scientist, трейдер и риск-квант — в чём разница
Роли пересекаются в данных, коде и финансовом домене, но отвечают за разные результаты. Для поиска вакансий важно понимать, где от вас ждут исследование, где production-систему, а где торговое решение.
Quantitative Researcher
Смежные роли
01
Quantitative Researcher
Quantitative Researcher
Ищет и проверяет рыночные гипотезы, оценивает риск, устойчивость, издержки и смысл запуска.
Смежные роли
Отвечает за вывод исследования, а не только за модель или код.
02
Quant Developer
Quantitative Researcher
Помогает формулировать требования к данным и мониторингу стратегии.
Смежные роли
Строит production-код, торговую инфраструктуру, скорость, надёжность и интеграции.
03
Trader
Quantitative Researcher
Даёт исследовательское основание для решения и критерии риска.
Смежные роли
Принимает торговые решения, управляет позициями, execution и текущим рыночным контекстом.
04
Data Scientist
Quantitative Researcher
Использует похожие методы, но в финансовом рынке с учётом капитала и исполнения.
Смежные роли
Решает задачи рекомендаций, прогнозов, сегментации, продукта или операций в разных доменах.
05
Risk Quant
Quantitative Researcher
Может исследовать риск стратегии и портфеля.
Смежные роли
Фокусируется на risk models, stress testing, capital, limits и регуляторном контексте.
06
Financial Analyst
Quantitative Researcher
Работает с количественной проверкой гипотез и моделированием.
Смежные роли
Чаще анализирует отчётность, бизнес, сделки, valuation и макро/секторный контекст.
Стек роли: краткий срез по вакансиям
В вакансиях SkillStat чаще всего встречаются Python 80%, SQL 30%, английский C1 30% и математическая статистика 30%. Эти теги не описывают всю профессию, но хорошо показывают базовый фильтр: работодатель ждёт исследовательский код, работу с данными, чтение англоязычных материалов и статистическую строгость.
Среди работодателей в накопленной статистике видны ADF Capital, ООО Овербест Рус, Lenkep recruitment, ООО Дубайт, OpenHiring, ONY, Quanthill, Hi, Rockits!, Arcedge, Т-Банк и X5 Digital. Для части вакансий название может быть шире роли: важно смотреть, будет ли специалист исследовать стратегии, строить risk-модели, поддерживать данные или писать production-инфраструктуру.
Самый активный работодатель по накопленной статистике SkillStat — ScoutX: 5 вакансий за время наблюдений. Это ориентир по источникам найма, а не доля текущего рынка.
В текущем активном срезе по этой роли 7 вакансий. Список работодателей ниже построен по накопленной статистике SkillStat, поэтому его нужно читать как ориентир по источникам вакансий, а не как долю текущего рынка.
Топ работодателей
Компании, которые встречаются в вакансиях по профессии Quantitative Researcher
1
Advantage Solutions 2
ScoutX 3
АО ВИМ Инвестиции 4
ООО Дубайт 5
Сенченко Наталья Геннадьевна 6
Arcedge
Навыки из вакансий
% вакансий, где навык явно упомянут работодателем.
Навыки и инструменты, которые работодатели чаще всего указывают в вакансиях по этой роли.
Вход через junior
20%
от рынка
Для старта есть окно, но оно неширокое.
На одну junior-вакансию приходится примерно 3 senior-позиции.
Навыков на вакансию
8
в среднем
Столько требований работодатели обычно собирают в одной позиции по этой роли.
Смежные профессии
Рынок: краткий срез SkillStat
Для квант-исследователя сейчас доступна рыночная оценка дохода, а не точная медиана только по текущим активным вакансиям. Её лучше читать вместе с подписью источника и структурой рынка по уровням.
Оценка зарплаты Оценка
320 000₽
Москва и МО · Оценка по профессии и близкому рынку · оценка обновлена 12.08.26
Рынок направления · n=144
Вакансии профессии за 60 дней · n=7
Вакансии профессии за 180 дней · n=9
Опора оценки
7
наблюдений в опорном срезе
Диапазон и позиция в зарплатном рейтинге не показаны: зарплата здесь — расчётная оценка, поэтому SkillStat не выводит эти значения, чтобы не создавать ложную точность.
По данным SkillStat для Москвы и МО на 12.08.2026 зарплатная оценка Quantitative Researcher составляет 320 000 ₽. Зарплата здесь — расчётная оценка: в активном срезе мало вакансий с открытой вилкой, поэтому SkillStat опирается на профессию и близкий рынок, а точный диапазон, позиция в зарплатном рейтинге и грейдовые зарплаты не показываются.
Зарплата по грейдам
Медиана зарплаты по грейду. n — выборка вакансий с указанной суммой. Для расчётной оценки грейдовые зарплаты не показываются, чтобы не создавать ложную точность.
Распределение по уровням
Senior
60% рынка
Senior
60%
Middle
20%
Junior
20%
По структуре вакансий видно, какой уровень для этой профессии считается базовым на рынке. Это помогает читать грейды не как абстрактную лестницу, а как реальную точку входа и роста.
Дополнительный разбор
Где начинается рост
Зарплатную оценку SkillStat нужно читать как ориентир по профессии и близкому рынку в регионе и на дату среза, а не как гарантированную медиану для каждого Quantitative Researcher. В опоре оценки есть рынок направления и недавние вакансии профессии; текущая явная выборка зарплат слишком мала для уверенных выводов по уровням.
Что говорит структура рынка
Доход растёт не от одного знания Python. Сильнее влияют самостоятельное исследование гипотез, математическая статистика, time series, backtesting без data leakage, учёт комиссий и liquidity, portfolio risk, умение объяснить drawdown и capacity, опыт работы с production handoff и способность закрыть идею до запуска, если она не выдерживает проверки.
Вакансии квант-исследователя: спрос и динамика рынка
Спрос на квант-исследователя лучше читать как сочетание объёма найма, ранга профессии в общей выборке и устойчивости вакансий во времени. Виджеты выше дают быстрый срез рынка, а график ниже помогает понять, насколько этот спрос поддерживается от месяца к месяцу.
Активные вакансии
7
в активном найме
Москва и МО · текущий срез 12.08.26
Спрос
4
из 100
Ранг по спросу
#64 из 71
Статус
Низкий Среднее число активных вакансий по месяцам
Блок показывает среднее число активных вакансий за месяц, чтобы видеть общую картину без шума отдельных дней.
август 8
неполный
-1
июль 9 -2
июнь 11 0
май 11 +3
апрель 8 +2
март 6
Август пока показан как текущий неполный месяц, поэтому его лучше читать как живую картину рынка, а не как итог месяца.
Дополнительный разбор
В активном срезе SkillStat по Москве и МО на 12.08.2026 видно 7 вакансий Quantitative Researcher, спрос 4/100 и ранг #64 из 71. Статус низкий: это узкая finance/data-роль, а не массовая IT-профессия. Часть спроса может скрываться под названиями Quant Analyst, Research Analyst, Data Scientist в финтехе, Risk Quant, Quant Developer или Algorithmic Trading Researcher.
Тренд по сглаженному ряду лучше читать в live-графике. При малой базе несколько открытий в фонде, банке или проп-команде могут заметно сдвинуть ряд. Поэтому страницу лучше читать как карту ниши, а не как обещание большого числа входных позиций.
Формат работы тоже стоит читать осторожно: удалённо 29%, гибрид 43%, офис 29% среди вакансий с определённым форматом. Для quant-команд офис и гибрид часто связаны с доступом к данным, безопасностью, коммуникацией с трейдингом и закрытой исследовательской инфраструктурой.
Формат работы квант-исследователя
Этот срез показывает, в каком формате работодатели чаще всего открывают вакансии по профессии: удалённо, гибридно или с полной привязкой к офису.
Сейчас сильнее всего выражен гибридный формат: его отрыв от следующего сценария составляет около 14 п.п.
Удалённо
29%
Гибрид
43%
Офис
29%
По 7 вакансиям
Карьерный путь квант-исследователя
Грейдовые медианы не показаны: для квант-исследователя зарплата сейчас показана как расчётная оценка, поэтому SkillStat не выводит отдельные зарплаты по уровням, чтобы не создавать ложную точность.
01
Junior
В активном срезе junior-вход не виден. Близкий старт — стажировка, research assistant, data analyst в финтехе, risk analyst или Data Scientist с сильным finance-проектом.
02
Middle
Самостоятельно ведёт гипотезу: данные, baseline, backtest, costs, robustness, risk, вывод и коммуникация с разработкой или трейдингом.
03
Senior
Отвечает за направление исследования, новые источники данных, portfolio impact, мониторинг стратегии, methodological review и обучение менее опытных специалистов.
04
Lead
Формирует research agenda, стандарты экспериментов, правила принятия/закрытия стратегий, взаимодействие с трейдингом, risk, data и engineering.
Где работает Quantitative Researcher
Квант-исследователи работают в проп-трейдинговых командах, фондах, банках, брокерах, маркет-мейкерах, финтехе, риск-подразделениях и исследовательских группах. Где-то задача ближе к alpha research, где-то к portfolio construction, risk modeling, execution research, alternative data или validation. В маленькой команде специалист может закрывать почти весь цикл: данные, гипотеза, код, проверка, research note и обсуждение запуска. В крупной организации роли чаще разделены между researcher, quant developer, trader, data engineer и risk, зато выше требования к воспроизводимости, безопасности данных и контролю изменений.
Как стать квант-исследователем: практический путь
Практический путь входа в профессию: что освоить сначала, как собрать рабочую базу и на чём быстрее всего набирается прикладная уверенность.
Начинать стоит с базы: вероятность, математическая статистика, линейная алгебра, оптимизация, Python, SQL и аккуратная работа с данными. Затем нужно перейти к рынкам: временные ряды, доходности, волатильность, ликвидность, комиссии, проскальзывание, portfolio risk и ограничения исполнения. Практический путь лучше строить через маленькие воспроизводимые исследования. Не нужно обещать доходность или публиковать «готовую стратегию». Достаточно показать гипотезу, данные, baseline, backtest, out-of-sample, drawdown, sensitivity, ограничения и честный вывод. Хороший проект объясняет, почему идея работает, где ломается и что нужно проверить перед production. Для входа без опыта чаще подходят смежные маршруты: Data Science, аналитика данных, риск-моделирование, финтех, backend/data engineering в финансовом продукте, университетская математика или research assistant. Главное — показать не набор курсов, а исследовательскую дисциплину и способность не обманывать себя красивым графиком.
Плюсы и минусы профессии
Плюсы
- Работа на стыке математики, данных, рынков и программирования.
- Высокая ценность сильных исследовательских выводов.
- Можно расти в quant research, risk, portfolio, trading research или quant lead.
- Хорошие проекты легко показать через воспроизводимый research report.
Минусы
- Очень высокий порог по математике и статистической дисциплине.
- Мало junior-вакансий и высокий риск смешения ролей в названиях.
- Нужно уметь закрывать собственные красивые идеи.
- Результаты часто зависят от качества данных и рыночного режима.
- Нельзя честно обещать доходность по учебному backtest.
Кому подойдет
Quantitative Researcher подходит тем, кому интересно долго проверять идею, сомневаться в красивом результате и спокойно закрывать гипотезу, если данные не выдерживают проверки. Комфортнее всего в роли людям с сильной математикой, аккуратным кодом и терпимостью к неопределённости рынка.
Подойдет
- Скептичность к собственным результатам и готовность искать ошибки в данных.
- Умение объяснять риск стратегии без обещаний доходности.
- Дисциплина в документации экспериментов, README и research notes.
- Способность обсуждать вывод с трейдингом, risk и engineering-командой.
- Готовность признавать отрицательный результат ценным итогом исследования.
- Внимание к допущениям, ограничениям и воспроизводимости.
Не подойдет
- Если хочется быстрых ответов, готовых стратегий и гарантированной доходности, эта роль не подойдёт.
- В quant research большая часть работы — это проверка слабых мест гипотезы, а не поиск графика, который выглядит убедительно.
FAQ по профессии Quantitative Researcher
Кто такой Quantitative Researcher простыми словами?
Quantitative Researcher — это квант-исследователь, который проверяет рыночные гипотезы на данных. Он ищет сигнал, оценивает риск, строит backtest, учитывает комиссии и решает, можно ли развивать идею дальше. Главный результат — не красивая модель, а честный вывод о стратегии.
Чем занимается квант-исследователь?
Квант-исследователь формулирует гипотезу, собирает данные, проверяет качество истории, строит baseline и backtest, учитывает издержки, смотрит drawdown, liquidity, capacity и устойчивость результата. После исследования он пишет вывод: закрыть идею, доработать её или передать в production.
Можно ли работать квант-исследователем удалённо?
Иногда можно, но в SkillStat по Москве и МО формат выглядит осторожно: удалённо 29%, гибрид 43%, офис 29% среди вакансий с определённым форматом. Quant-команды часто ограничивают доступ к данным, инфраструктуре и trading-контексту, поэтому офис и гибрид встречаются заметно.
Можно ли стать Quantitative Researcher с нуля?
С полного нуля войти сложно, потому что роль требует математики, статистики, Python, SQL, финансового домена и исследовательской дисциплины. Реалистичнее идти через Data Science, аналитику, финтех, риск-моделирование, математическое образование или сильное портфолио с воспроизводимыми исследованиями.
Заменит ли AI квант-исследователей?
AI ускорит код, поиск идей, чтение papers и черновики отчётов, но не заменит ответственность за гипотезу, данные, риск и капитал. Более того, AI может усиливать переобучение и ложную уверенность. Сильный Quantitative Researcher будет использовать AI как ассистента, а не как источник готовой стратегии.
Что спрашивают на собеседовании Quantitative Researcher?
Обычно спрашивают вероятность, статистику, временные ряды, Python/SQL, backtesting, overfitting, data leakage, риск, market microstructure и разбор прошлых исследований. Интервьюеру важно увидеть ход мысли: какие допущения вы делаете, как проверяете идею и как признаёте слабый результат.
Что такое overfitting стратегии?
Overfitting означает, что стратегия подогнана под прошлые данные и плохо работает за пределами выбранного периода. В quant research это частая ловушка: параметры, признаки и фильтры могут идеально объяснять историю, но исчезнуть в будущем. Поэтому нужны out-of-sample, walk-forward, sensitivity и отрицательные проверки.
Какая математика нужна квант-исследователю?
Нужны вероятность, математическая статистика, линейная алгебра, оптимизация и временные ряды. Важно не просто знать формулы, а понимать допущения, распределения, случайность, зависимость наблюдений, переобучение и риск неверного вывода. На интервью часто проверяют именно рассуждение.
Какие курсы подходят для Quantitative Researcher?
Полезны курсы по Python для данных, статистике, временным рядам, финансовой математике, machine learning и quant finance. Но курс должен вести к исследовательскому проекту: данные, backtest, costs, risk, limitations и README. Одного сертификата без портфолио для такой роли мало.
Нужен ли C++?
C++ не всегда обязателен для research-роли, но полезен там, где исследование близко к execution, performance-sensitive расчётам или trading system. Для старта чаще важнее Python, SQL, статистика и backtesting. C++ становится сильным плюсом, если вакансия смешивает Quant Researcher и Quant Developer.
Нужен ли PhD для Quantitative Researcher?
PhD не всегда обязателен, но высокий математический уровень обязателен. В некоторых фондах и research-командах PhD или сильный академический бэкграунд будет преимуществом. В других компаниях важнее воспроизводимое портфолио, аккуратный код, статистическая строгость и понимание рыночных ограничений.
Нужно ли знать Python?
Да, Python — базовый инструмент Quantitative Researcher: по данным SkillStat Python регулярно встречается в вакансиях по этому профилю. На практике нужны pandas, numpy, визуализация, работа с данными, воспроизводимые эксперименты и аккуратный research-код. Python сам по себе не делает специалиста квант-исследователем.
Нужно ли знать SQL?
Нужно ли финансовое образование?
Финансовое образование помогает, но не заменяет математику, код и research-практику. Квант-исследователю нужно понимать рынки, инструменты, ликвидность, комиссии, проскальзывание, портфель и риск. Эти знания можно добрать через книги, курсы, papers и практические исследования на данных.
Почему junior-вход почти закрыт?
В активном срезе SkillStat junior-вакансий по Quantitative Researcher нет. Причина в ответственности: новичку сложно доверить вывод о стратегии, риске и данных без доказанного уровня. Для входа нужны стажировка, research assistant позиция, смежная finance/data роль или портфолио, где видны проверки и ограничения.
Сколько учиться на квант-исследователя?
Если уже есть математика или data-база, первый портфельный уровень можно собрать за 6-12 месяцев регулярной работы. Если базы нет, срок обычно больше: нужно закрыть вероятность, статистику, линейную алгебру, Python, SQL, временные ряды, рынки, backtesting и риск. Быстрого пути без практики здесь нет.
Чем квант-исследователь отличается от трейдера?
Квант-исследователь проверяет идею и показывает, при каких условиях она может быть полезна или опасна. Трейдер ближе к текущему рынку, позициям, исполнению и решениям в моменте. В systematic trading researcher даёт методологию, а трейдинг отвечает за применение в конкретной рыночной ситуации.
Чем Quantitative Researcher отличается от Data Scientist?
Data Scientist решает задачи на данных в разных доменах: продукт, маркетинг, операции, рекомендации. Quantitative Researcher работает с финансовыми рынками, капиталом, издержками, ликвидностью и риском. Здесь важна не только метрика модели, но и то, можно ли исполнить идею в реальной рыночной среде.
Чем Quantitative Researcher отличается от Quant Developer?
Quantitative Researcher отвечает за гипотезу, проверку, риск и исследовательский вывод. Quant Developer отвечает за production-код, данные, скорость, надёжность, execution и интеграцию с торговой системой. В сильной команде эти роли работают вместе, но результат у них разный.
Что добавить в портфолио квант-исследователя?
Добавьте 3-5 воспроизводимых research-кейсов: гипотеза, данные, ограничения, baseline, backtest, costs, risk, out-of-sample, sensitivity и честный вывод. Хорошо выглядят time-series signal, factor research, event study, risk model, portfolio optimization и разбор data leakage. Не обещайте доходность.
Что такое backtesting?
Backtesting — это проверка гипотезы на исторических данных. Для Quantitative Researcher важен не сам факт теста, а его честность: данные должны быть доступны на момент решения, нужно учитывать costs, liquidity, split по времени, устойчивость результата и риск переобучения. Один красивый график не доказывает стратегию.
Что такое data leakage в quant research?
Data leakage — это попадание будущей или недоступной на момент решения информации в модель или backtest. В quant research это особенно опасно: результат может выглядеть сильным, но быть невозможным в реальной торговле. В портфолио полезно показать, как вы проверяли временную доступность признаков.
Что такое market microstructure?
Market microstructure — это устройство торговли на уровне заявок, ликвидности, спредов, исполнения и поведения участников. Для Quantitative Researcher это важно, потому что сигнал может быть статистически красивым, но неисполняемым из-за спреда, задержки, объёма или других рыночных ограничений.
Что такое portfolio risk?
Portfolio risk — это риск не одной идеи, а набора позиций и их взаимодействия. Даже хорошая стратегия может быть опасной, если она усиливает уже существующий exposure, коррелирует с другими сигналами или создаёт сильную просадку в стрессовом режиме. Поэтому quant research смотрит на портфель, а не только на один график.
Что такое signal decay?
Signal decay — это деградация сигнала после времени: идея работала в прошлом, но становится слабее из-за изменения рынка, конкуренции, ликвидности или поведения участников. Quantitative Researcher должен думать не только о запуске, но и о monitoring: когда сигнал считается сломанным и что делать дальше.