Mi respuesta podría depender un poco del dominio. Trabajo en ciencia de datos en mercados financieros. Específicamente, trabajo en gestión de cartera (comercio algorítmico). Conozco una pequeña rama del aprendizaje automático, específicamente el comercio basado en inteligencia artificial, pero lo sé mejor que la mayoría.
El principal desafío que enfrenté como científico de datos fue trabajar en un dominio sin convertirme en una copia de cuantos. Cuando me uní a una empresa comercial, tenía toneladas de libros que podía leer sobre comercio cuantitativo. Podría tratar de comprender más de cincuenta años de trabajo y los diferentes enfoques adoptados para hacer que la búsqueda de retornos sea un proceso científico. Honestamente lo hice por un tiempo. Aprendí sobre ML con tanto vigor y aprendí sobre cálculo estocástico y modelos HJM. Poco a poco me di cuenta de que todos esos enfoques habrían ignorado las fortalezas de lo que había cambiado recientemente. Todos estaban basados en las tecnologías disponibles en ese momento. Pero el mundo tecnológico ha cambiado mucho. Hoy podemos hacer cosas que uno no podría haber soñado cuando se escribieron estos modelos.
Debe conocer los impulsores comerciales de la industria y no pasar todo el tiempo tratando de comprender lo que la gente estaba haciendo en ese campo anteriormente. Mira mi campo ahora …
- ¿Cómo debe manejar un científico de datos las implementaciones?
- Como científico de datos, ¿qué desafíos tiene que enfrentar todos los días?
- ¿Cuál será la carrera en ciencia de datos después de 2 años?
- ¿Hay trabajos separados disponibles para analistas de datos o una empresa contrata científicos de datos para el mismo rol?
- ¿Puede un ingeniero mecánico convertirse en científico / analista de datos?
Los trabajos de FinTech y AI están creciendo. Los empleos de Trader y Quant y los salarios se están aplastando.
Quant 1.0: se trataba de hacer los cálculos para el comerciante. (Esta era una época en que los quants estaban estrictamente hablando de proveedores de servicios a comerciantes y gerentes de cartera).
Quant 1.5: La próxima generación de quants se formaron en fondos comerciales patentados. Aquí el mandato era simplemente hacer estrategias comerciales basadas en aprendizaje automático que generen la mayor cantidad de dinero. El trabajo fue una gran mezcla de tecnología, modelado y comercio. Sin embargo, todavía fue impulsado en gran medida por el uso del aprendizaje automático para validar la intuición que los comerciantes ya tenían. Esto ha llevado a la tercera edad de quant.
Quant 2.0: Aquí estamos realmente aprendiendo lo que nos dicen los datos. Esta es la parte más difícil de la ciencia de datos. Hacer lo que le dicen los datos e ignorar lo que la gente creía antes de que las herramientas de ciencia de datos estén disponibles.
Referencias
- Presentación sobre Inteligencia Artificial y Comercio en Korean Quant Society New York City
- ¿Cómo ha cambiado la ciencia de datos en Wall Street?