一、研究方向

聚焦人工智能与金融领域的交叉创新，重点探索以下前沿技术与应用落地：

1. 量化投资：运用机器学习（ML）/深度学习（DL）技术进行多维度因子挖掘（涵盖价量因子、另类数据因子），优化高频交易算法以降低延迟，研发动态资产组合智能配置模型。

2. 风险管理：构建融合传统金融特征与行为数据的动态信用评分模型，开发实时反欺诈系统（包括交易异常检测、身份冒用识别），建立聚焦极端事件建模、尾部风险量化与压力测试的市场风险预测体系。

3. 智能投研：基于自然语言处理（NLP）技术，开展多源文本（财报、新闻、社交媒体、研报）分析，量化情感倾向，自动化生成并验证事件驱动投资策略。

4. 金融大数据：处理另类数据（卫星图像、物流数据、企业用电数据、供应链关系网络），进行数据清洗、特征提取，应用于投资决策（如预测企业营收、行业景气度）。

5. 生成式AI金融应用：利用大语言模型（LLM）生成定制化金融报告（季度策略分析、风险评估报告），开发智能投顾对话系统（提供个性化资产配置建议、合规话术生成），实现金融监管文本的自动解读与应用。

二、核心职责

1. 独立或主导高性能AI模型的设计、研发与迭代，针对金融业务场景（投资决策、风险控制、投研分析）优化模型性能，提升业务效率。

2. 探索金融特殊数据类型（时序数据、图数据）的创新建模方法，设计并实现相关算法，如时序数据的LSTM、GRU、Transformer模型，图数据的交易网络、关联担保网络、供应链图谱算法。

3. 与量化分析师、基金经理、风控团队等业务方深度协作，参与模型需求拆解、回测方案设计、落地效果验证，推动研究成果转化为可复用的金融工具或业务流程。

4. 跟踪AI与金融交叉领域的前沿动态，形成技术白皮书或研究简报，为团队战略提供支撑。

5. 以第一作者身份在金融AI顶会（ICAIF、ACM-IFCAT）或综合顶会（NeurIPS、KDD、ICML）发表论文，主导或参与技术专利申报，协助团队申报国家级/省部级科研项目。6.协助搭建金融AI研发平台，包括数据预处理工具、模型训练框架、回测系统等，参与团队技术分享与人才培养。

三、任职要求

（一）必需条件

1. 计算机科学、统计学、金融工程、应用数学、运筹学等相关领域博士学位，获学位时间不超过3年（特别优秀者可放宽至5年）。

2. 扎实的AI理论基础与实践能力，熟悉监督学习、无监督学习、强化学习及时序建模方法。

3. 熟练掌握Python数据科学工具链与SQL，精通至少一种深度学习框架（PyTorch或TensorFlow），能独立完成模型从设计到部署的全流程开发。

4. 对金融市场有基本认知，了解资产定价、市场微观结构、风险管理等基础概念，能将金融业务逻辑转化为技术需求。

5. 较强的数据敏感性、逻辑分析能力与问题解决能力，能从复杂金融数据中挖掘规律并提出建模思路。

（二）优先条件

1.在金融AI领域顶会或综合顶会发表过论文，或有相关领域高水平期刊发表记录。

2.有量化基金、投行量化部门、金融科技公司的实习或项目经验，参与过实际量化策略研发、风控模型落地或金融AI系统搭建。

3.熟悉主流金融工具与平台，如Wind/BloombergAPI、量化回测框架、因子分析工具。

4.掌握高性能计算技术、分布式训练框架或微分编程工具，能处理大规模金融时序数据。

5.具备图神经网络、因果推断、联邦学习等前沿技术的实践经验，或有生成式AI在金融场景的应用案例。