• Agentic AutoML 파이프라인 구축:
• LLM(Claude/GPT-4)을 활용하여 실험 결과를 해석하고, 다음 실험의 방향성(Feature Selection, Model Architecture)을 스스로 결정하는 'AI Researcher Agent' 설계 및 개발.
• Optuna 등 최적화 프레임워크와 LLM을 연동한 하이브리드 워크플로우(Governing & Worker structure) 구현.
• 금융 데이터 모델링 및 특성 공학 (Feature Engineering):
• CB/BW(전환사채/신주인수권부사채) 등 Event-driven 데이터의 금융 공학적 파생 변수(괴리율, 리픽싱, 오버행 이슈 등) 모델링.
• XGBoost, LightGBM, CatBoost 등 Tree-based 모델의 고도화 및 커스텀 손실 함수(Custom Loss Function) 개발.
• 최신 논문 리서치 및 적용 (Paper Implementation):
• 시장 데이터의 비정상성(Non-stationarity) 해결을 위한 최신 기법 적용 (예: ReVol: Return-Volatility Normalization 등).
• Distribution Shift를 방어하기 위한 Robust Scaling 기법 연구.
• 검증 시스템 고도화:
• 단순 K-Fold가 아닌 시계열 특성을 반영한 Walk-Forward Validation(전진 분석) 시스템 구축.
• 오버피팅(Overfitting)과 일반화(Generalization) 사이의 균형을 맞추는 리스크 관리 로직 설계.

• Python 기반의 머신러닝/딥러닝 개발 경력 3년 이상 또는 이에 준하는 실력.
• LLM Application 개발 경험: LangChain, LlamaIndex 등을 활용하여 복잡한 추론(Reasoning) 과정을 코드로 구현해 본 경험.
• 시계열 데이터(Time-series) 처리 능력: 주가, 거래량, 보조지표 등의 특성을 이해하고 전처리할 수 있는 분.
• 논리적 사고: "왜 성능이 떨어졌는지"를 수학적/통계적으로 분석하고 가설을 세울 수 있는 분.

• 금융 도메인 지식: CB/BW, 유상증자 등 기업 금융(Corporate Finance) 이벤트가 주가에 미치는 영향에 대한 이해도가 높은 분.
• AutoML 아키텍처 경험: 사람이 개입하지 않아도 모델이 스스로 진화하는 루프(Self-improving loop)를 설계해 본 경험.
• 최신 논문 구현 능력: 학술 논문(CIKM, NeurIPS, KDD 등)을 읽고 이를 실제 트레이딩 모델 코드(Python)로 빠르게 옮길 수 있는 분.
• 퀀트/시스템 트레이딩 경험: 직접 전략을 짜서 시장에서 수익을 내거나 깨져본 경험(실전 감각).

서류 전형 → 1차 실무자 면접 → 2차 임원 면접(필요 시) → 최종 합격