|
3 года
опыт работы
|
0
продуктов
|
0
демо-версий
|
|
0
работ
|
0
сигналов
|
0
подписчиков
|
Quantitative Developer/Trader
в
Astralys LLC
Квантитативный трейдер и специалист по систематическим стратегиям на базе ИИ | Магистр финансов (HEC Лозанна)
Краткая биография
Я — квантитативный трейдер из Швейцарии, магистр финансов HEC Лозанны со специализацией в области количественного управления активами и рисками. В своей магистерской диссертации я поставил под сомнение эффективность фондового рынка США на основе эмпирических данных. С тех пор я разработал более 30 алгоритмов институционального уровня на Python для рынков акций, FX и криптовалют — рассчитанных на управление капиталом в миллионы долларов и реализованных через API. Моё преимущество заключается в сочетании строгого риск-менеджмента (сохранение капитала, таргетирование волатильности) с сигналами на базе машинного обучения, макро/регимными моделями и промышленной автоматизацией на платформах IBKR (Fix Protocol и IBKR Gateway Docker), Alpaca, MT5, Binance и DAS. Я создаю швейцарскую SA и американскую LLC для своих количественных проектов и рассматриваю регистрацию RIA в США, чтобы работать в полностью регулируемой среде. Моя конечная цель — создать квантитативный хедж-фонд и привлечь около $50 млн AuM в ближайшие годы.
Навыки и технологии
• Систематические стратегии: возврат к среднему, пробой, кросс-секционные/временные ряды, факторные long/short
• Риск и портфель: таргетирование волатильности, контроль просадки, walk-forward и Монте-Карло тестирование
• ML и NLP: XGBoost/LightGBM, классификация макрорежимов, пайплайны новостей/сентимента (например, FinBERT)
• Исполнение и инфраструктура: Python (pandas/NumPy/sklearn), IBKR, DAS, FIX, AWS/VPS, SQL/SQLite, MT5/MT4, Binance
• Рынки: акции США и мировые, основные валютные пары FX, ликвидные криптоактивы
Комплаенс и этика
Этика и прозрачная документация — в приоритете; ориентируюсь на работу только в регулируемых рамках (швейцарская SA и американская LLC в процессе; рассматривается путь регистрации RIA в США).
В своей диссертации по эффективности фондового рынка США я применил методологию Probability of Backtest Overfitting (Bailey et al., 2015) и продолжаю использовать строгую проверку in-sample/out-of-sample, walk-forward анализ, одношаговые лаги и анти-look-ahead протоколы, чтобы мои модели были надёжными и не переобученными.
Моё присутствие в сообществе MQL направлено на обучение розничных трейдеров тому, как избегать переобученных, высокорисковых стратегий и чрезмерного использования плеча.
LinkedIn: linkedin.com/in/john-bergerat/
Краткая биография
Я — квантитативный трейдер из Швейцарии, магистр финансов HEC Лозанны со специализацией в области количественного управления активами и рисками. В своей магистерской диссертации я поставил под сомнение эффективность фондового рынка США на основе эмпирических данных. С тех пор я разработал более 30 алгоритмов институционального уровня на Python для рынков акций, FX и криптовалют — рассчитанных на управление капиталом в миллионы долларов и реализованных через API. Моё преимущество заключается в сочетании строгого риск-менеджмента (сохранение капитала, таргетирование волатильности) с сигналами на базе машинного обучения, макро/регимными моделями и промышленной автоматизацией на платформах IBKR (Fix Protocol и IBKR Gateway Docker), Alpaca, MT5, Binance и DAS. Я создаю швейцарскую SA и американскую LLC для своих количественных проектов и рассматриваю регистрацию RIA в США, чтобы работать в полностью регулируемой среде. Моя конечная цель — создать квантитативный хедж-фонд и привлечь около $50 млн AuM в ближайшие годы.
Навыки и технологии
• Систематические стратегии: возврат к среднему, пробой, кросс-секционные/временные ряды, факторные long/short
• Риск и портфель: таргетирование волатильности, контроль просадки, walk-forward и Монте-Карло тестирование
• ML и NLP: XGBoost/LightGBM, классификация макрорежимов, пайплайны новостей/сентимента (например, FinBERT)
• Исполнение и инфраструктура: Python (pandas/NumPy/sklearn), IBKR, DAS, FIX, AWS/VPS, SQL/SQLite, MT5/MT4, Binance
• Рынки: акции США и мировые, основные валютные пары FX, ликвидные криптоактивы
Комплаенс и этика
Этика и прозрачная документация — в приоритете; ориентируюсь на работу только в регулируемых рамках (швейцарская SA и американская LLC в процессе; рассматривается путь регистрации RIA в США).
В своей диссертации по эффективности фондового рынка США я применил методологию Probability of Backtest Overfitting (Bailey et al., 2015) и продолжаю использовать строгую проверку in-sample/out-of-sample, walk-forward анализ, одношаговые лаги и анти-look-ahead протоколы, чтобы мои модели были надёжными и не переобученными.
Моё присутствие в сообществе MQL направлено на обучение розничных трейдеров тому, как избегать переобученных, высокорисковых стратегий и чрезмерного использования плеча.
LinkedIn: linkedin.com/in/john-bergerat/
