¿Por qué elegiste trabajar en ciencia de datos sobre finanzas cuantitativas?

Este era yo durante la universidad: elegí al menos dos veces (una al considerar las ofertas de pasantías y otra al considerar las ofertas de tiempo completo) para dedicarme a la ciencia de datos sobre las finanzas cuantitativas, y hasta ahora he quedado satisfecho con mi decisión.

He hablado mucho sobre esto (y a veces con mucho estrés y falta de claridad) con Raj Bhuptani, Sebastian Chiu y Yuan Jiang, así que les debo mucho por ayudarme a refinar mis pensamientos en esta encrucijada.

En ambas ocasiones, elegí realizar una pasantía o trabajar a tiempo completo en Quora en una posición financiera cuantitativa diferente. Las posiciones financieras cuantitativas eran del tipo en el que podía desarrollar estrategias comerciales automatizadas con datos, o ayudar a desarrollar modelos de precios o analizar el riesgo para varios tipos de valores.

Para ser claros, considero los roles financieros cuantitativos y las personas que los hacen muy bien, y creo que son excelentes opciones de carrera para ciertas personas. Simplemente no era para mí y decidí ir con tecnología en su lugar.

El resumen de todas las razones por las que estoy a punto de enumerar es que elegí la ciencia de datos porque me apasionaba más. Aquí hay 5 de las razones más específicas que llevaron a mi pasión por la ciencia de datos.

  • Emoción por una nueva carrera profesional emergente y en crecimiento : esta decisión se tomó en algún momento de 2013 y 2014, cuando la ciencia de datos era aún más nueva e incierta de lo que era hoy. La idea de entrar en algo donde las cosas todavía se estaban desarrollando y me atraía, y todavía lo hace hoy. Trato de no basar mis decisiones en base a la exageración, por lo que esta viñeta trata más sobre cómo estaba creciendo el campo de la ciencia de datos y tendría un lugar para mí en lugar de cómo hacía calor.
  • Familiaridad con la ciencia de los datos : esta es posiblemente la razón más débil de la lista, pero cuando tuve que elegir en qué trabajaría a tiempo completo, ya tenía dos pasantías relacionadas con la ciencia de los datos en mi haber: una en Etsy (empresa) y uno en Quora (empresa). Tuve grandes experiencias en ambas pasantías, por lo que elegir trabajar a tiempo completo en ciencia de datos fue una cantidad feliz para mí.
  • Interés por trabajar en un producto de Internet de consumo : he estado fascinado desde hace mucho tiempo con los productos de Internet de consumo y básicamente me ha emocionado ver crecer todo este espacio desde que tuve acceso al acceso telefónico. Trabajar en ciencia de datos fue una oportunidad única para mí de formar parte del mundo de Internet de consumo que tanto me ha fascinado.
  • Intriga por trabajar en un producto nuevo y próximo : los productos de Internet de consumo siempre fueron interesantes para mí, ya que viven en la tierra de la incertidumbre y podrían llegar a ser realmente grandes (o simplemente fallar). La intriga de trabajar en un producto que podría llegar a ser realmente importante y saber que tenía un pequeño papel en él era tentador.
  • Compromiso con el intercambio de conocimientos : siempre me he comprometido a compartir pensamientos e ideas, ya sea como profesor de Harvard Stat 110 o escribiendo todo lo que puedo sobre Quora. La tecnología en general tiene una cultura de encuentros y publicaciones en blogs, y Quora responde y paneles y charlas invitadas. Lo mismo no es cierto en el mundo secreto de las finanzas cuantitativas.

Tengo algunos puntos más específicos sobre por qué elegí a Quora específicamente: puedes ver esa respuesta en la respuesta de William Chen a ¿Por qué elegiste trabajar en Quora?

Una vez más, todavía no sé qué me depara el futuro, pero elegir ciencia de datos en lugar de finanzas cuantitativas fue la elección correcta para mí como estudiante universitario (¡pero no necesariamente la opción correcta para todos!). Los mejores deseos con sus propias opciones de carrera y el camino para convertirse en un científico de datos o investigador cuantitativo.

El Sr. Davis a continuación está en el camino correcto. Las personas que se inclinan por los modos matemáticos y visuales de pensamiento se sentirán atraídos por hacer modelos del mundo en cualquier forma que aparezcan. Eso incluye áreas como economía, matemática en general, matemática de incertidumbre (estadística = ciencia de datos), etc. La única diferencia es la señal del mercado = pago.

Solo hay una cosa importante para todos en esta área es recordar: la realidad es siempre la información, nunca el modelo.

Aristóteles no estaba equivocado; Debido a la fricción del mundo real, los objetos en movimiento SÍ se detienen. Newton fue solo un poco más preciso. Pero recuerda la extraña suposición que hizo Newton: ¿un mundo sin fricciones? ¿Y qué clase de persona imagina que la tierra cae en esa manzana?

El nuevo modelo de Newton funcionó bastante bien, hasta que las cosas se pusieron realmente rápidas. Entonces Einstein hizo un modelo que explicaba algunas anomalías y creaba otras. Einstein funcionó muy bien, hasta que las cosas se pusieron realmente pequeñas. Entonces el modelo cuántico se hizo cargo en el ámbito de lo pequeño. Pero lo realmente pequeño aún no se reconcilia con lo realmente rápido.

Si no crees que el enamoramiento de la modelo sea peligroso, reflexiona sobre la cópula de Li y conviértete en sabio: Receta para el desastre: la fórmula que mató a Wall Street

Actualmente trabajo en finanzas cuantitativas y desde el tercer año de la universidad. Me voy a la ciencia de datos. Sin embargo, eso es un poco engañoso. Las finanzas cuantitativas son ciencia de datos. Es solo ciencia de datos específicamente aplicada a las finanzas.

El comercio algorítmico es un problema interesante, pero quiero trabajar en otros problemas. He estado disfrutando jugando con redes neuronales, particularmente CNN y he comenzado algunas investigaciones sobre nuevos métodos. Me gustaría hacer más en ese dominio.

También está la cuestión del impacto. Me gustaría hacer más para mejorar la vida de las personas. Mi investigación actual es en imágenes médicas. También me gustaría trabajar en un sistema ML capaz de sintonizar continuamente la estimulación cerebral profunda [1], en el que ya he pensado mucho.

Notas al pie

[1] Estimulación cerebral profunda – Wikipedia