Nicht akademisch : Direkteinstiegsstelle
Arbeitspensum (%)
Informatik / Telekommunikation
Funktionsbereich
Stellenantritt
Schweiz - Zentralschweiz
Über uns – Intellis AG Die Intellis AG entwickelt Software- und KI-Lösungen mit Schwerpunkt auf datengetriebenen, algorithmischen Systemen. Unsere Technologie kommt insbesondere in den Finanzmärkten zum Einsatz, wo wir automatisierte Analyse-, Signal- und Handelssysteme entwickeln. Wir kombinieren moderne Softwareentwicklung, Machine Learning, robuste Datenpipelines und wissenschaftliche Methodik, um skalierbare, reproduzierbare und hochperformante Systeme zu bauen.
Die Rolle Diese Position bietet dir die Möglichkeit, Machine Learning direkt in einem Finanzmarkt-Umfeld anzuwenden – von Datenverarbeitung über Modelltraining bis hin zu Backtesting, Simulation und produktivem Deployment. Du arbeitest eng mit Engineering, Data Science und Quant Research zusammen und übernimmst Verantwortung für End-to-End-Modelle, die reale Entscheidungen beeinflussen.
Deine Aufgaben Entwickeln, trainieren und evaluieren von ML-Modellen für Marktprobleme (z. B. Signale/Alpha, Risiko & Forecasting, Anomaliedetektion, Execution-Modelle).
Aufbau und Weiterentwicklung von Backtesting- und Simulationsframeworks (Event-Driven + historische Daten) inkl. Transaktionskosten, Slippage, Liquidität, Latenz und Market Impact.
Aufbau von zuverlässigen Daten- und Featurepipelines für Tick-, Bar- und L2-Marktdaten; Sicherstellung von Zeit-Alignment, Auditability und Vermeidung von Bias (Look-Ahead, Survivorship).
Deployment von ML-Modellen als Services oder Batch-Jobs (Container, CI/CD); Monitoring für Drift, Performance und Live-vs-Backtest-Abweichungen.
Hypothesen definieren, Experimente gestalten, Metriken auswerten (Sharpe, Sortino, Drawdown, Hit Rate), Dokumentation und Reproduzierbarkeit sicherstellen.
Zusammenarbeit mit Engineering, Product und Quant Research zur Priorisierung und iterativen Umsetzung.
Dein Profil – Must-Haves Sehr gute Python-Kenntnisse & solide Software-Engineering-Grundlagen (Testing, CI/CD, Code Reviews).
Erfahrung mit MLflow für Experimente; scikit-learn + PyTorch oder TensorFlow.
Erfahrung mit produktivem Machine Learning (APIs oder Batch-Pipelines).
Erfahrung mit Backtesting/Simulation oder starkes Interesse, sich dort tief einzuarbeiten.
Datenengineering-Basics: SQL, Datenmodellierung, Workflow-Orchestrierung (Airflow/Prefect/Dagster).
Docker-Erfahrung und Grundverständnis von Cloud-/Container-Umgebungen.
Bereitschaft, vor Ort im Büro in Steinhausen zu arbeiten.
C++-Grundlagen (Performance-kritische Komponenten / Low-Latency).
Vorkenntnisse in Finanzmärkten (Market Microstructure, Ordertypen, FIX, TCA).
Erfahrung mit Cloud (AWS/GCP/Azure), Terraform, Vektor-Datenbanken, Modell-Serving (Triton, TorchServe, FastAPI).
Statistik / Causal Inference, A/B-Testing.
Open-Source-Beiträge, Forschungserfahrung oder Projektportfolio.
Wettbewerbsfähige Vergütung (+ Bonus/EQ, falls zutreffend).
25–30 Tage Ferien, flexible Arbeitszeiten (80–100%).
Weiterbildungsbudget (Konferenzen, Kurse, Bücher) & Zeit für Deep Work.
{Optionale Länder-/Firmenbenefits: BVG, Unfallversicherung, Transportbeiträge etc.}
Moderne, kollaborative Kultur – verschiedene Hintergründe willkommen.
#J-18808-Ljbffr