«Диплом Гарварда не открывает дверей»: поступление, сотни откликов и Quant Finance — интервью с Арсением Звягинцевым

Можно окончить Гарвард, получить за четыре года бакалаврский и магистерский дипломы, быть одним из сильнейших студентов на курсе – и два года подряд не найти в США ни одной стажировки. Можно отправить сотни заявок, семь раз собеседоваться в одну компанию и обнаружить, что строчка «Harvard» в резюме даёт лишь небольшое преимущество, а гораздо важнее оказывается школьный «Всерос». А после всего этого – попасть в Quant Finance, где выпускникам предлагают компенсации в сотни тысяч долларов в год, а на интервью проверяют теорию вероятностей, статистику, программирование и задачи, напоминающие олимпиады.

Я, Александр, автор телеграм-канала «Shulepov Code», поговорил с Арсением Звягинцевым – выпускником Гарварда, который изучал статистику и Data Science, живёт в Филадельфии и работает квантом в одной из крупных американских компаний. Арсению 22 года. Сам Гарвард он называет не «святой землёй», а просто хорошим университетом, считает, что часть его курсов можно было бы уместить в минутный ролик, скептически относится к магической силе нетворкинга и не думает, что искусственный интеллект завтра оставит сильных специалистов без работы. Своими наблюдениями и опытом он делится в Telegram-канале: «Arseniy Zvyagintsev».

В разговоре мы обсудили, как школьнику из СНГ поступить в американский университет, почему российская математическая школа даёт заметную фору на первом курсе, как устроены гарвардские Final Clubs, почему при поиске работы непонятный фильтр HR иногда важнее диплома, чем квант отличается от трейдера, зачем рынку маркетмейкеры, откуда берутся зарплаты в $250-400 тысяч, почему Арсений собирается вернуться в Россию – и чем заканчивается приложение, полностью написанное через вайб-кодинг человеком, который не знает его технологический стек.

«Я подался в 19 университетов – взял только Гарвард»: поступление, олимпиадная школа и первые два года

Александр: Почему вы решили учиться именно в Гарварде?

Арсений: Ответ очень простой. Я подавался примерно в 19 американских университетов, и из них меня взял только Гарвард. Поэтому большого выбора у меня, по сути, не было.

Александр: Родители повлияли на решение поступать в Америку?

Арсений: В наибольшей степени на меня повлиял старший брат. Именно он лет восемь-девять назад уехал в Америку и предложил мне попробовать свои силы. В конце десятого класса мы начали формировать пакет заявок, в одиннадцатом его доработали и подались. Родители меня, конечно, очень сильно поддерживали, но помочь непосредственно с процессом поступления в той степени, в которой мог брат, они не могли.

Александр: Насколько сложным оказался сам процесс поступления?

Арсений: Процесс был сложный и очень муторный. При этом сейчас мне кажется, что в моём случае его можно было сделать гораздо проще. Мы пытались абсолютно всё довести до идеала, а это на самом деле не всегда лучшая стратегия при поступлении.

Александр: Ваш брат в итоге остался в США?

Арсений: Да. Он работает в сфере, связанной с искусственным интеллектом и инвестициями, в Кремниевой долине.

Александр: Насколько конкурентоспособны школьные знания ребят из СНГ по сравнению с подготовкой американских школьников?

Арсений: Я бы сказал, что школьные знания ребят из СНГ во многом опережают уровень, с которым многие американцы выпускаются из школы. Особенно это чувствуется в технических дисциплинах. Если взять лучших ребят из России, прошедших олимпиадную школу и «Всерос», то американских школьников, способных поддерживать такой же академический уровень, сравнительно немного. Я сам прошёл через олимпиадную физику, поэтому на первом курсе эта разница для меня чувствовалась довольно остро. Ближе к выпуску ситуация, наверное, в какой-то степени выравнивается. Но в начале университета преимущество сильной российской школьной подготовки действительно заметно.

Александр: Вы рассказывали, что в первые годы вам временами было даже скучно из-за более сильной технической базы.

Арсений: Поначалу действительно было скучновато. Но каждый семестр я набирал всё более сложные и загруженные курсы, пока весной второго курса не столкнулся с выгоранием. В тот семестр у меня было пять очень тяжёлых технических предметов. Свободного времени практически не осталось, и тогда учиться уже стало действительно трудно.

Если же брать академическую программу среднестатистического студента технической специальности, на мой взгляд, она далеко не настолько сложна, как, например, учёба в Физтехе. Но многое зависит от того, какие именно предметы вы сами решите взять.

Александр: Российскую математическую школу действительно можно считать настолько сильной?

Арсений: Что касается университетского образования или математической науки вообще, мне сложно сравнивать: у меня за плечами только американский университетский опыт. Но если говорить о школе, подходы к математике в России и США заметно отличаются. В российской школе математика во многом доказательная. У вас появляется геометрия, вы шаг за шагом выводите из аксиом леммы и теоремы. Появляется алгебра – там тоже есть доказательства. Позже возникает математический анализ.

В американской школе доказательной математики либо практически нет, либо её значительно меньше. На мой взгляд, именно доказательства – один из фундаментальных элементов, отличающих сильную российскую математическую подготовку. Они очень хорошо развивают абстрактное аналитическое мышление.

Александр: Школьной программы вам хватало или приходилось заниматься с репетиторами?

Арсений: Чтобы просто подтягивать технические дисциплины, репетиторов у меня никогда не было. Несколько раз я занимался с преподавателем по физике, когда разбирал особенно сложные задачи для Всероссийской олимпиады школьников. К таким соревнованиям в одиночку готовиться достаточно трудно.

При этом я учился в довольно гуманитарной школе, где сильной традиции подготовки к «Всеросу» по физике не было. Поэтому мне нужен был человек, с которым можно, например, раз в месяц встретиться и подробно разобрать то, чего я сам не понял.

Сильная школьная и особенно олимпиадная подготовка может заметно облегчить первые технические курсы: помогает привычка к математике, доказательствам и сложным задачам.

При этом сложность учебы во многом зависит от выбора самого студента. Можно собрать умеренную программу, а можно взять несколько тяжелых курсов одновременно и быстро перегореть.

Гарвард – не «святая земля»: миф о гениях, культурный шок и возможность четыре раза сменить профессию

Александр: Какой миф о Гарварде оказался для вас самым большим?

Арсений: Что там учатся одни гении. Гарвард – очень разношёрстная масса людей, буквально с мира по нитке. Там есть большая страта спортсменов. По моим наблюдениям, заметная доля студентов поступает благодаря тому, что ещё в школе они стали атлетами национального или международного уровня и показывали выдающиеся результаты в спорте.

Есть система Legacy: происхождение и семейная связь с университетом тоже могут иметь значение. Если ваши родители учились в Гарварде, это совсем не та же стартовая позиция, что у среднестатистического абитуриента.

Безусловно, много людей поступает благодаря очень сильным академическим способностям. Действительно умных, талантливых и амбициозных ребят там достаточно, чтобы вы могли найти близких по уровню и интересам людей и чтобы вам было с кем общаться. Но сказать, что весь университет состоит исключительно из гениев, я не могу.

Александр: Какими были первые месяцы после переезда? Вы сразу начали общаться с американцами?

Арсений: Первые полгода были шоком. Одна из причин совершенно банальна: у меня тогда ещё не было свободного английского. Мне действительно было сложно общаться. Иногда я не понимал значительную часть того, что мне говорят, сидел, кивал, смеялся и надеялся, что собеседник не задал вопрос, на который прямо сейчас нужно отвечать. Плюс другой менталитет. Американцы по-другому думают и общаются, у них отличается чувство юмора.

Поэтому первые полгода я в основном общался с русскоговорящими ребятами из Бостона. Это университетский город, и при разных вузах есть довольно крупные русскоговорящие сообщества. В некоторых – буквально сотни ребят из СНГ. Постепенно я адаптировался к американо-интернациональной культуре. Думаю, окончательно это произошло ближе к концу первого курса.

Александр: Возникали какие-то открытые конфликты из-за разницы культур?

Арсений: Практически нет. Американцы в целом достаточно тактичные люди, поэтому каких-то серьёзных открытых конфликтов у меня не было.

Александр: А что удивило больше всего уже после того, как первый культурный шок прошёл?

Арсений: Наверное, осознание, что Гарвард – в конечном итоге просто университет. Это не картинка с обложки и не какая-нибудь закрытая масонская ложа. Это хороший, достаточно крутой и престижный университет.

Для многих россиян Гарвард выглядит как что-то с Луны или Марса. У американцев отношение спокойнее. Для них это скорее очень сильный университет, куда каждый год поступает довольно много людей. Они не обязательно всю жизнь мечтают именно о Гарварде – они просто подают документы и поступают. Поэтому моё главное открытие можно сформулировать так: университет хороший, но это не «святая земля».

Александр: При этом вокруг поступления в американские университеты образовалась целая индустрия: агентства, консультанты, помощь с визами и переездом. Как вы к ней относитесь?

Арсений: Меня немного удивляет количество ребят из России и СНГ, которые уезжают в Америку учиться, а затем создают агентства, помогающие следующим людям поступить, сделать визу, найти работу и так далее. Я не хочу плохо говорить об этих людях. С некоторыми знаком лично, это отличные ребята.

Но сама модель иногда напоминает мне финансовую пирамиду в очень условном смысле: человек входит в систему, получает к ней доступ, после чего начинает помогать другим людям попасть туда же. Они через несколько лет заканчивают обучение и, возможно, тоже начинают продавать услуги следующей группе. Здесь просто нужно помнить, что публичные истории обычно показывают успешного человека уже в конечной точке. Гораздо реже показывают тот огромный объём работы, который потребовался, чтобы туда прийти.

Александр: Что вам в Гарварде понравилось больше всего?

Арсений: Один из приятных и, возможно, неожиданных моментов – возможность за четыре года получить не только бакалаврский, но и магистерский диплом. На третьем и четвёртом курсе я брал больше предметов PhD-уровня и в результате за стандартные четыре года получил два диплома. Это оказалось очень полезно при поиске работы: мне не понадобилось отдельно идти в магистратуру, и я сразу мог подаваться на вакансии, где минимальным требованием стояла степень магистра.

Александр: На какую специальность вы вообще поступали?

Арсений: На кого я только не учился. Изначально пришёл на физику. При этом, наверное, уже тогда понимал, что профессиональным физиком не стану. На первом курсе взял «Введение в теоретическую физику» – и понял, что мне совершенно безразличны электроны, протоны, волны и всё остальное, хотя в школе я физикой горел.

После этого сменил специальность на Electrical Engineering. Думал, что стану великим конструктором микрочипов. Взял курс по компьютерной архитектуре и понял, что засыпаю, когда всё это слушаю. Перешёл на Computer Science. Попробовал – тоже не понравилось.

Только к концу второго курса окончательно решил изучать статистику. В итоге закончил программу по статистике с треком Data Science, и мой магистерский диплом тоже по статистике. После этого пошёл в Quant Finance – количественные финансы. Это одно из довольно естественных направлений для людей, которые изучали статистику, количественные методы, прикладную математику или Data Science.

Александр: Вы несколько раз меняли специальность. Как это технически возможно? Во многих образовательных системах студент выбирает направление в 17-18 лет и затем несколько лет идёт по одной заранее определённой программе.

Арсений: Это как раз одна из особенностей американского университетского образования, которая мне очень понравилась. Во многих американских университетах нет одной абсолютно одинаковой программы для всех студентов специальности. Есть requirements – требования по тому, какие курсы вы должны закрыть, чтобы получить диплом. По ходу обучения вы проходите предметы и можете понять, что выбранное направление вам не подходит. Тогда переходите на другую специальность и продолжаете выполнять уже её требования.

При этом прогресс не обязательно сгорает, особенно если специальности смежные. Например, вам в любом случае требуется линейная алгебра, математический анализ, возможно, механика, если вы занимаетесь инженерией. Когда переходите с Electrical Engineering на Computer Science, многие уже пройденные предметы продолжают засчитываться.

Поэтому у студента есть возможность попробовать несколько направлений и не воспринимать решение, принятое в 18 лет, как приговор. Если российской системе университетского образования есть чему у этого учиться, я бы в первую очередь назвал именно гибкость.

За громким именем Гарварда скрывается очень разная студенческая среда: рядом учатся сильные академические ребята, спортсмены и люди с совершенно разным жизненным опытом.

Одна из заметных особенностей американской системы – возможность менять направление по ходу учебы и засчитывать уже пройденные смежные курсы, а не начинать все заново.

Как «переиграть» Гарвард: необязательная сложность, General Education и оценки

Александр: Теперь о том, что вам не понравилось. Что оказалось главным разочарованием?

Арсений: Начну с простого: качество довольно многих курсов оставляет желать лучшего. В Гарварде есть направление General Education. За время университета нужно взять несколько таких курсов, и часть из них я воспринимал как очень бессмысленную трату времени.

Например, у меня был курс African Spirituality – «Африканская духовность». Я взял его в одном из последних семестров, потому что по расписанию выбор был примерно между ним и очередным курсом про американскую демократию. Главная мысль, которую я вынес: африканская культура очень сложная и разнообразная. И всё. По ощущениям, содержательную часть целого семестра в таком случае можно было бы объяснить в очень коротком ролике. Разумеется, это мой личный опыт конкретного курса, но именно такие предметы были для меня разочарованием.

Александр: То есть проблема не только в отдельных гуманитарных курсах?

Арсений: Нет. Есть ещё особенность самой академической системы. Очень многие студенты не берут на себя особенно тяжёлую нагрузку. Технические курсы в Гарварде сами по себе далеко не всегда очень сложные. Поэтому университет при желании можно пройти, взяв несколько действительно серьёзных предметов, а остальное пространство в расписании заполнив чем-то значительно проще.

Некоторые студенты активно этим пользуются. Они пытаются в каком-то смысле переиграть систему: получить диплом и очень высокие оценки, приложив не максимальное количество усилий. А люди, которые сознательно выбирают тяжёлые курсы, оказываются в странной позиции. Они больше работают, получают больше знаний, но средние оценки у них потенциально могут быть хуже.

Представьте двух выпускников одной специальности. У одного GPA 3,8, у другого 3,9. Если никто не станет разбираться, какие именно курсы они брали, со стороны второй результат может выглядеть лучше. Хотя первый студент мог несколько лет сознательно выбирать гораздо более сложную программу. Это создаёт не самый очевидный стимул: система оценки не всегда вознаграждает желание максимально усложнить себе образование.

Престиж университета не гарантирует, что каждый курс окажется сильным. Даже в Гарварде студент сталкивается и с отличными предметами, и с теми, от которых получает заметно меньше.

Свобода выбора работает в обе стороны: одни используют ее, чтобы усложнять программу, другие – чтобы сохранить высокий GPA при более комфортной нагрузке.

Final Clubs и нетворкинг на десять лет вперёд: кому нужны закрытые клубы Гарварда

Александр: Гарвард окружён мифологией про элитные закрытые клубы. Что такое Final Clubs на практике?

Арсений: В Гарварде действительно существуют закрытые студенческие сообщества – Final Clubs. Их несколько, и чтобы вступить, нужно пройти отбор. Действующие участники выбирают, кого из студентов пригласить. Я один раз ходил на такой отбор. Первые два вопроса были: как вас зовут и кем работают ваши родители. Для меня это хорошо иллюстрирует их стремление сохранять определённую иерархичность.

Александр: А что даёт членство? Люди действительно общаются только внутри такого круга?

Арсений: Полностью закрытых сообществ, конечно, не бывает. Члены клубов общаются и с людьми вне них. Но внутри есть отдельная социальная жизнь. У таких клубов бывают собственные дома рядом с Гарвардом, там устраивают закрытые вечеринки. Попасть можно, если вы член клуба или если вас внесли в список приглашённых.

Но главная ценность, думаю, не в вечеринках. Это нетворкинг с очень длинным горизонтом. Представьте, что в двадцать лет вы вместе проводили время, а через десять-пятнадцать лет кто-то из вашей компании стал руководителем крупного бизнеса, политиком или человеком с очень серьёзными ресурсами. Вы уже знакомы, у вас есть общая история, и теперь можно снова встретиться и обсуждать совместные проекты. Для определённой карьерной траектории это может быть очень сильным инструментом.

Но я и условный сын американского миллиардера играем в очень разных лигах. У меня не было цели в будущем попасть в Конгресс или через десять лет играть в гольф с партнёрами крупнейших компаний. Моя задача была гораздо приземлённее: найти хорошую работу после выпуска. Поэтому лично мне участие в Final Club, скорее всего, не дало бы особенно многого.

Александр: Тогда что важнее для дальнейшей карьеры – талант и знания или связи?

Арсений: Всё зависит от того, какую карьеру вы собираетесь строить. Есть траектории, где социальный капитал чрезвычайно важен. Есть технические профессии, где гораздо быстрее наступает момент, когда вы должны просто доказать, что умеете решать конкретные задачи. Я бы не пытался вывести одно универсальное соотношение знаний и нетворкинга для всех людей.

Final Clubs сами по себе не гарантируют карьерный успех. Их основная ценность – круг знакомств, который может стать особенно важным спустя годы.

И польза нетворкинга зависит от цели. В технической карьере знакомство может помочь получить возможность, но дальше все равно приходится подтверждать навыки.

«Диплом Гарварда не открывает никаких дверей»: почему одного бренда в резюме недостаточно

Александр: А сам диплом Гарварда открывает любые двери?

Арсений: Нет. Диплом Гарварда не открывает никаких дверей вообще. Для меня это один из главных мифов. Нужно понимать устройство американского рынка труда. Хороших возможностей ограниченное количество, а талантливых ребят, способных работать, очень много.

Диплом Гарварда, Стэнфорда или Йеля действительно даёт вам некоторое конкурентное преимущество. Вы, возможно, опережаете другого кандидата на полшага или шаг. Но это не означает, что дверь автоматически открылась.

На собственном опыте и на опыте друзей я увидел, насколько катастрофически сложно найти в США хорошую стажировку или работу – особенно если вы целитесь не в любую позицию, а в по-настоящему престижные компании. На втором курсе я подавался на стажировки и не нашёл в Америке ни одной. На третьем курсе – снова ни одной. На четвёртом я уже искал постоянную работу. В итоге получил два оффера: один в США и один в Европе.

Получается, за три года поиска у меня появился один американский оффер. При этом к выпуску у меня были и бакалаврский, и магистерский дипломы Гарварда, и я был одним из сильнейших студентов на курсе. Поэтому сама идея «вы закончили Гарвард – теперь компании будут бороться за вас» совершенно не соответствует моему опыту.

Александр: Может быть, тогда работу в основном получают через знакомых и рекомендации?

Арсений: Раньше я верил в это гораздо сильнее. У меня была модель: чтобы попасть на первое интервью, нужен знакомый и referral – рекомендация действующего сотрудника. Он повышает вероятность, что ваше резюме хотя бы посмотрят. Дальше вы проходите несколько раундов, где уже решают ваши навыки. Сейчас я отношусь к такой модели скептичнее.

Главная проблема в том, что до технического интервью существует некоторый первичный фильтр, а как именно он работает, кандидату часто неизвестно. У меня был очень показательный разговор. Я пришёл на мероприятие в Wharton School при University of Pennsylvania и познакомился с бывшим руководителем HR одной из крупнейших компаний в мире Quant Finance.

Я сказал ему: «Я три года подавался в вашу компанию и ни разу даже не получил первого интервью. Почему?» Он спросил, по какой специальности я учился. Я ответил: статистика. Он сказал: «Мы людей со статистики не берём. Берём математику и Computer Science».

Я спрашиваю: «Почему?» Ответ: математиков берут, потому что они способны решать сложные аналитические задачи, а Computer Science – потому что эти люди умеют программировать. Я говорю: «Но статистика – это буквально сочетание этих двух вещей: математики и компьютерных наук. Ближе практически невозможно». Он посмотрел на меня, пожал плечами и сказал: «Не знаю». Для меня это было очень показательно.

Александр: А что нужно было сделать, чтобы такой фильтр пройти?

Арсений: Судя по его логике – учиться на математике. Но главная проблема как раз в том, что вы заранее никогда не узнаете критерий. Первичный отбор проводят люди, которые сами не всегда идеально понимают, как идентифицировать талантливого кандидата именно на эту работу.

Когда вы доходите до реального интервью и разговариваете с сотрудниками компании, там уже в большей степени начинает работать меритократия. Вас интервьюируют люди, которые сами выполняют эту работу и примерно знают, какие способности им нужны. Но сначала до них ещё нужно добраться.

И если даже в топовой компании человек способен отсеивать студентов статистики просто потому, что когда-то решил брать только математику и Computer Science, вы начинаете задумываться, насколько случайными могут быть фильтры в других местах.

Строчка Harvard в резюме дает преимущество, но не отменяет конкуренцию. Даже сильный выпускник может пройти через сотни заявок и отказов, прежде чем найти нужную позицию.

Самый непредсказуемый этап часто начинается еще до технического интервью: кандидат может не пройти первичный отбор по критерию, о котором заранее даже не знает.

Сотни заявок и семь интервью: как выпускник Гарварда искал первую работу

Александр: Почему рынок труда вообще стал настолько конкурентным? Раньше казалось, что особенно в IT компаний много и они постоянно нанимают.

Арсений: Про российский рынок труда я не хочу делать слишком уверенных выводов – у меня нет достаточного собственного опыта. Но общий ответ достаточно простой: стало очень много людей, способных выполнять работу.

IT ещё сравнительно недавно был молодым и быстро растущим рынком. Компании расширялись, им требовалось много новых специалистов, потому что возникали новые продукты и новые способы зарабатывать деньги. Люди это увидели и массово пошли учиться на программистов. Постепенно количество специалистов приблизилось к тому количеству специалистов, которое реально требуется экономике. А с появлением искусственного интеллекта работы автоматически больше не стало.

Александр: При этом мы регулярно читаем, что Google, Amazon и другие крупные компании сокращают сотрудников. Не получается ли, что ИИ уже начинает вытеснять людей?

Арсений: Я бы не делал такой вывод. По тем макроэкономическим исследованиям, которые я видел, пока нет оснований утверждать, что искусственный интеллект уже оказал какое-то огромное системное влияние на рынок труда. Вокруг отдельных сокращений много спекуляций. Но крупные технологические компании и раньше одновременно увольняли одни команды и нанимали другие.

В последние годы масштаб мог быть выше обычного, но я не думаю, что по этим эпизодам уже нужно объявлять глобальную тревогу. Тем более вокруг самого искусственного интеллекта тоже появляется огромное количество работы, которую кто-то должен выполнять.

Александр: Как вы сами нашли работу? Было знакомство или обычная заявка?

Арсений: По знакомству я не устраивался. Везде, куда подавался, отправлял резюме на открытую вакансию. Если компания заинтересована, HR приглашает на первый раунд.

На что именно смотрят HR в других индустриях, мне действительно сложно сказать. Я, например, подавался на Data Science – специальность, которая буквально написана у меня в дипломе, – и меня могли вообще не приглашать на интервью. Пытался устраиваться программистом – похожая история.

А вот с квантами было понятнее. Думаю, решающим козырем для меня стали олимпиады. Quant-компании очень любят людей с олимпиадным бэкграундом. В этой индустрии постоянно встречаются ребята, которые в школе занимались физикой, математикой или информатикой на национальном или близком к национальному уровне. Поэтому строчка «призёр Всероссийской олимпиады по физике» реально повышает шансы. Я даже думаю, что для моей профессии она могла помочь сильнее, чем диплом Гарварда.

Александр: Как выглядит собеседование кванта?

Арсений: Раундов много. Могут быть тестовые задания. Могут быть онлайн-интервью, где вы прямо во время звонка решаете задачи по теории вероятностей или статистике. После этого кандидата обычно приглашают на финальный очный этап. Компания привозит вас в офис, и за один день вы проходите ещё несколько интервью. В компании, куда я в итоге устроился, у меня было, по-моему, около семи интервью. И только после всей этой цепочки вы получаете оффер.

Александр: В России есть явление «накрутки опыта»: люди пытаются обойти первичные фильтры и приписывают себе годы работы. В США сталкивались с таким?

Арсений: Не знаю. Не хочу придумывать ответ – лично с этим не сталкивался. Могу только повторить: в своей индустрии я понимал один специфический «звонок», который помогал добраться до HR, – это олимпиады. В других направлениях, когда пытался искать работу программистом или в Data Science, я сам не смог найти универсальный способ «достучаться». Поэтому давать советы о том, как обходить фильтры, было бы странно.

Александр: Сколько заявок вы в итоге отправили?

Арсений: Счёт шёл на сотни.

Александр: Как технически выглядит такой поиск? LinkedIn, агрегаторы?

Арсений: Пробовал разные варианты. У меня был профиль LinkedIn, но после того, как устроился, я его удалил. В моём представлении у LinkedIn две основные функции: вы либо ищете работу и стажировку, либо рассказываете про свой стартап. Если не делаете ни того ни другого, лично мне эта платформа не особенно нужна. При необходимости профиль всегда можно создать заново – я там всё равно практически ничего не публиковал.

Иногда я действительно подавался через LinkedIn: выставлял фильтры по локации, зарплате, занятости, требованиям к образованию и смотрел подходящие вакансии. Но основным способом для меня были сайты самих компаний. Я составил список из нескольких десятков Quant-компаний, в которых хотел бы работать, затем последовательно прошёл по их сайтам и отправил заявки.

Александр: То есть лучше обращаться напрямую через карьерный раздел компании, чем пытаться лично писать HR?

Арсений: По моему опыту – да. Не знаю, насколько осмысленно в США массово писать рекрутерам в личку. Стандартный сценарий проще: открываете сайт компании, находите раздел Careers, выбираете вакансию и заполняете заявку.

Иногда всё ограничивается резюме. Иногда начинается более сложный вариант: нужно вручную расписать предыдущий опыт и приложить cover letter, где от вас ждут объяснения, почему вы с рождения мечтали решать аналитические задачи именно в этой компании. С этим я не особенно хорош. Часто просто не писал cover letter.

Люди, конечно, делают шаблоны: оставляют место под название компании, добавляют одно-два предложения о конкретной вакансии и рассылают похожий текст десяткам работодателей. Но лично я не до конца понимаю ценность такого ритуала. Он напоминает мне эссе для поступления в американский университет. В Quant Finance первый этап обычно намного прямолинейнее: часто у вас просто просят резюме.

Александр: После всего этого зарплаты хватает на жильё, обычную жизнь и путешествия?

Арсений: Да. Мне хватает, чтобы комфортно жить и при этом откладывать деньги.

Александр: Какой у вас карьерный план? Развиваться внутри компании или однажды делать собственный стартап?

Арсений: На большой срок мне сложно загадывать. Но в ближайшие годы точно хочу продолжать работать в своей компании и, надеюсь, в своей команде. Мне очень нравятся коллеги и задачи, которыми занимаюсь.

А вот стартапы меня никогда особенно не привлекали. У меня совершенно не предпринимательский стартаперский вайб. Есть стереотип: условный студент Стэнфорда должен запустить AI B2B SaaS или криптопроект. В Гарварде, по моим ощущениям, культурная траектория немного другая: очень многие идут в консалтинг, банки и другие крупные организации.

Поиск первой сильной позиции в США может означать сотни заявок и длинную цепочку интервью. Престижный диплом этот этап не отменяет.

В Quant Finance олимпиадный опыт может оказаться отдельным преимуществом: он показывает, что кандидат привык разбираться с нестандартными задачами под давлением времени.

Квант – инженер болида, трейдер – пилот: чем на самом деле занимаются в Quant Finance

Александр: Перейдём к Quant Finance. Кто вообще такие кванты?

Арсений: Общая идея в том, что если финансовый инструмент свободно торгуется, мы можем собрать по нему данные, применить методы статистики, натренировать модели и попытаться торговать этим инструментом качественнее, чем другие участники рынка.

Александр: Что в данном случае называется финансовым инструментом?

Арсений: Самые очевидные примеры – акция, облигация, опцион, фьючерс, валюта. Для каждого инструмента есть своя специфика: законодательство, механика рынка, способы торговли. Но общая логика похожа. Вы смотрите на данные, пытаетесь найти закономерности, строите модели и на основании этих моделей принимаете решения.

В очень упрощённом варианте вы можете решить: сейчас один инструмент торгуется слишком дёшево относительно вашей оценки, поэтому его имеет смысл купить, а другой – слишком дорого, поэтому продать. Так возникает идея альфа-сигнала – полезного предсказательного сигнала, который позволяет системе в среднем принимать более качественные решения.

Александр: Как выглядит ваш обычный день? Может быть, через него проще понять профессию.

Арсений: Сразу оговорюсь: моя работа может заметно отличаться от работы других квантов. Наша команда относительно новая, мы выходим на новые рынки, и часть компонентов торговой системы ещё формируется. Поэтому моя роль находится где-то на пересечении нескольких задач.

Часть дня я занимаюсь непосредственно финансовыми исследованиями: смотрю на данные, ищу сигналы, думаю, как использовать их в системе, чтобы она торговала качественнее. Другая часть работы – программирование. Вы нашли сигнал или построили модель, но этого мало. Идею нужно интегрировать в реальную торговую систему. Значит, вы пишете код.

Я взаимодействую с программистами, чтобы понимать наш технический стек. Разговариваю с трейдерами, чтобы получать обратную связь о том, как система ведёт себя в реальной торговле. Трейдеры могут увидеть, что какой-то сигнал работает лучше или хуже, чем ожидалось, и указать, куда стоит посмотреть внимательнее. Получается сочетание исследования, статистики, разработки и постоянной обратной связи от людей, непосредственно наблюдающих за рынком.

Александр: Чем тогда квант отличается от трейдера?

Арсений: Мне нравится аналогия, которую однажды привёл мой тимлид: квант – инженер болида «Формулы-1», а трейдер – его пилот. Кванты проектируют систему: ищут сигналы, тренируют модели, строят архитектуру, пытаются сделать этот «болид» максимально быстрым и качественным. В идеале результат работы квантов – система, способная во многом торговать самостоятельно.

Трейдер пилотирует этот болид. Он может вмешиваться в отдельные параметры системы и добавлять собственную экспертизу. Например, система считает, что акция недооценена на один цент. Трейдер по текущему потоку сделок видит ситуацию иначе и считает, что справедливая поправка – три цента. Он может внести дополнительную информацию.

Кроме того, трейдер наблюдает за поведением системы в реальном времени. Мы, условно, построили двигатель и отправили машину на трассу. Если на втором круге отказали тормоза, инженер, который сидит далеко от трассы, может не увидеть это первым. А пилот почувствует сразу. Трейдер здесь становится ещё и источником оперативной диагностики: «Ребята, вы что-то изменили, и теперь этот компонент работает неправильно – посмотрите».

Александр: То есть в каком-то смысле ещё и тестировщик?

Арсений: Да, только тестировщик на реальном рынке и реальных сделках. Он не просто говорит, что что-то сломалось, а может анализировать поведение системы и давать рекомендации, на какие части нашего «двигателя» стоит обратить внимание.

Квант – это не просто трейдер с навыками программирования. Он исследует данные, строит модели и помогает превращать идеи в работающие элементы торговой системы.

Аналогия с «Формулой-1» хорошо передает разделение ролей: квант конструирует и настраивает систему, а трейдер работает с ней на реальном рынке и дает обратную связь.

Миллион симуляций вместо формулы: зачем квантам метод Монте-Карло

Александр: Один из терминов, который часто возникает рядом с количественными финансами, – симуляция Монте-Карло. Что это такое?

Арсений: Монте-Карло – очень общий подход. Представьте систему, поведение которой можно описать через вероятностные переходы. Возьмём цену акции. Допустим, по некоторой модели мы считаем, что с определённой вероятностью она вырастет, с другой – останется примерно на месте, с третьей – упадёт.

Затем возникает вопрос: например, с какой вероятностью через два месяца цена акции будет выше $75? Такой вопрос может быть важен, в частности, при оценке некоторых производных финансовых инструментов. Проблема в том, что сложную вероятностную систему далеко не всегда можно удобно решить аналитически. Иногда ручкой на бумаге получить точную формулу чрезвычайно сложно или практически невозможно.

Тогда можно использовать симуляцию. Мы запускаем процесс не один раз, а, допустим, миллион. Каждый раз система развивается в соответствии с заданным вероятностным поведением. После миллиона прогонов смотрим на результаты. Предположим, в 600 тысячах сценариев итоговая цена оказалась выше $75, а в 400 тысячах – ниже. Тогда наша численная оценка интересующей вероятности – примерно 0,6.

Это и есть общая идея Монте-Карло: вместо того чтобы обязательно получать красивое аналитическое решение, мы многократно симулируем систему и по результатам приближаемся к ответу. Подход применяется далеко не только в финансах.

Александр: Вы используете его непосредственно в работе?

Арсений: Конкретные методы нашей компании – уже конфиденциальная информация. Но как общий математический инструмент Монте-Карло, конечно, широко используется в задачах, где необходимо работать со сложными вероятностными моделями.

Монте‑Карло полезен, когда аналитическое решение получить трудно: систему многократно моделируют и по результатам оценивают нужную величину.

Работа кванта строится не на попытке точно угадать будущее, а на вероятностях, моделях и проверяемых закономерностях.

«Если вы торгуете по вайбу, скорее всего, играете против профессионала»: зачем финансовому рынку кванты

Александр: А зачем настолько сложная математика обычному финансовому рынку? Человек ведь может просто открыть приложение и купить акции.

Арсений: Инвестировать деньги – совершенно нормальная практика. Финансово грамотному человеку действительно имеет смысл не обязательно держать все сбережения под подушкой. Но если человек без специальной подготовки начинает активно покупать и продавать отдельные акции просто потому, что «по ощущениям сейчас нефть пойдёт вверх», на длинном горизонте у него возникает проблема.

Очень часто с другой стороны сделки находится профессионал. Если профессиональный участник рынка готов с вами торговать, значит, его оценка ситуации отличается от вашей. У него есть данные, модели, инфраструктура, специалисты. Поэтому активная торговля непрофессионала превращается в игру с человеком, который занимается этим каждый день.

Александр: Кто тогда является клиентом Quant-компаний?

Арсений: В каком-то смысле весь финансовый мир, хотя конкретный набор участников сильно зависит от инструмента. Акции покупают и обычные люди, и фонды, и банки, и профессиональные трейдеры. Опционы и фьючерсы могут использоваться для хеджирования рисков. Например, авиакомпания зависит от цены топлива и может использовать производные инструменты, чтобы защититься от неожиданного подорожания нефти.

Облигации особенно важны банкам, страховым компаниям и другим организациям, которым нужны относительно безопасные инструменты, соответствующие определённым требованиям к риску. Но одна из важнейших функций профессиональных участников рынка – предоставление ликвидности.

Представьте, что прямо сейчас вы хотите купить акции Apple. Чтобы сделка состоялась, кто-то должен быть готов их вам продать. Без профессиональных маркетмейкеров могло бы оказаться, что прямо в эту секунду подходящего продавца нет. Пришлось бы ждать или предлагать менее выгодную цену. Маркетмейкер говорит: «Хотите купить – у нас есть цена. Хотите продать – тоже есть цена». За счёт этого рынок становится гораздо более непрерывным.

Мне нравится метафора, что это машинное масло финансовой системы: возможность проводить сделки быстро и по конкурентной цене позволяет механизму нормально двигаться.

Александр: Но кто определяет, какая цена «лучшая»?

Арсений: Во многом конкуренция. Когда вы приходите на биржу, с вами потенциально готовы торговать несколько профессиональных участников. Каждый хочет получить сделку. Побеждает наиболее конкурентная цена.

Если среди участников существует общее понимание, что определённая акция должна стоить около 71, человеку, который предлагает явно менее выгодную цену, будет трудно получать сделки: другой маркетмейкер улучшит предложение. Именно конкурируя между собой, профессиональные игроки подталкивают торгуемую цену к той оценке, которая на данный момент получается из всей доступной рынку информации. Это одна из форм знаменитой «невидимой руки» рынка.

Александр: Получается, кванты фундаментально анализируют компанию и говорят: все эмоционально покупают Apple за 100, а на самом деле она стоит 80?

Арсений: Не обязательно. К цене можно подходить очень по-разному. Можно заниматься фундаментальным анализом: пытаться прогнозировать, сколько компания заработает в следующие кварталы и годы, какие у неё будут денежные потоки и так далее. Но в рыночном смысле акция в конкретную секунду стоит ровно столько, сколько за неё готовы платить покупатели и продавцы.

Многие количественные стратегии смотрят не на то, сколько Apple «на самом деле» должна стоить через пятьдесят лет, а на гораздо более короткие закономерности в торговых данных. Например, вы анализируете историю сделок и видите определённый дисбаланс покупок и продаж. Возможно, он статистически связан с поведением цены на коротком горизонте.

Вы не говорите: «Я знаю истинную стоимость Apple». Вы говорите: «В данных есть паттерн, который в подобных условиях давал определённое вероятностное преимущество». Это принципиально другая формулировка.

В маркетмейкинге количественные модели помогают поддерживать ликвидность: участники постоянно выставляют цены покупки и продажи и конкурируют за сделки.

При этом количественный подход не обязательно ищет «истинную цену» компании. Нередко задача гораздо уже – найти устойчивую статистическую закономерность на конкретном горизонте.

Чёрный лебедь, маркетмейкинг и хеджирование: как зарабатывать, не пытаясь угадать рынок через год

Александр: Но тогда возникает вопрос из «Чёрного лебедя» Нассима Талеба. Никто не способен точно предсказать будущее. Вы можете сказать, что событие имеет вероятность 70%, а рынок пойдёт по оставшимся 30%. Разве количественные модели не превращаются в более сложную форму ставок?

Арсений: Это хороший вопрос. Здесь важно разделить две модели бизнеса. Первая – вы делаете ставку на долгосрочное направление движения актива: «Мы считаем, что Apple вырастет, поэтому сейчас сильно её покупаем».

Действительно, предсказать долгосрочное движение какого угодно инструмента чрезвычайно трудно. Огромный объём общедоступной информации уже инкорпорирован в цену. Если акция стоит сто, это означает, что участники рынка в среднем согласились торговать примерно вокруг этой цены. И фонды, которые постоянно пытаются угадывать, какая компания вырастет, а какая упадёт, далеко не всегда обыгрывают простой диверсифицированный индекс.

Но есть другая модель – маркетмейкинг. Маркетмейкер не обязан говорить: «Через год Apple будет стоить столько-то». Он может одновременно выставлять цену покупки и цену продажи и зарабатывать на спреде.

Представьте максимально простой пример. Я готов покупать условный актив за 90 и продавать за 91. За короткий промежуток один человек продаёт мне его за 90, другой покупает у меня за 91. В результате актив пришёл и ушёл, большой долгосрочной позиции у меня не осталось, а разница между покупкой и продажей – один рубль – осталась.

Разумеется, в реальной торговле всё значительно сложнее, но базовый принцип именно такой. Задача маркетмейкера – по возможности оставаться нейтральным к крупным направлениям рынка и зарабатывать на большом количестве сделок.

Александр: Но от «чёрного лебедя» это всё равно не защищает полностью.

Арсений: Именно поэтому существует хеджирование. Если у вас есть некоторый риск, вы пытаетесь найти другую позицию, которая этот риск частично компенсирует.

Возьмём условный, сильно упрощённый пример. Предположим, у вас есть актив, стоимость которого заметно зависит от курса валюты. Если валюта резко движется, стоимость актива меняется – и вы получаете риск от события, которое вообще не является основной темой вашей стратегии. Тогда можно построить дополнительную позицию, которая при таком движении будет вести себя в противоположную сторону. Если один компонент портфеля теряет, другой частично зарабатывает.

Идея состоит не в том, чтобы знать каждый будущий «чёрный лебедь», а в том, чтобы заранее понимать классы рисков и не позволять одной неожиданной переменной уничтожить весь портфель. В этом и находится значительная часть искусства Quant Finance: строить систему, где различные риски по возможности противодействуют друг другу, а компания всё равно зарабатывает на своей основной деятельности.

Кванту не обязательно знать, где рынок окажется через год. В маркетмейкинге доход может строиться вокруг ликвидности и спреда, а не одной крупной ставки на направление.

Хеджирование не устраняет неопределенность, но помогает снизить зависимость результата от отдельных рисков, которые стратегия не пытается предсказывать.

Математика, статистика, машинное обучение и код: какой стек нужен кванту

Александр: Что нужно знать, чтобы стать квантом? Какой технологический стек требуется?

Арсений: Одного универсального ответа нет, но есть несколько больших блоков. Первый – сильная математика и абстрактное мышление. Причём на интервью вам могут дать задачи, которые сложно однозначно отнести к статистике или программированию. Это просто нетривиальные задачи «на подумать», похожие на олимпиадные. Иногда для них даже не нужен огромный формальный математический аппарат. Нужно уметь увидеть идею и построить рассуждение.

Второй фундаментальный блок – статистика: математическая статистика, теория вероятностей, линейные модели. Для Quant Finance это одна из ключевых областей. Дальше идут Machine Learning и Data Science. Нужно уметь обучать модели, понимать, что такое кросс-валидация, как бороться с overfitting, как настраивать гиперпараметры. Минимально полезно уверенно понимать линейные модели и модели на основе деревьев.

И затем программирование. Кванту нужно уметь действительно хорошо программировать, потому что исследование имеет ценность только тогда, когда вы можете превратить идею в работающую систему.

Александр: То есть вайб-кодингом этот этап не закрыть?

Арсений: Нет, просто вайб-кодинга недостаточно. Что касается конкретного языка, единого стандарта нет. Где-то активно используют C++, где-то Python. Есть компании с очень специфичным стеком – например, использующие OCaml.

Но после того, как вы хорошо знаете один-два языка, освоить очередной синтаксис обычно уже намного проще. Фундаментальные конструкции всё равно повторяются: переменные, функции, структуры данных, циклы, классы и так далее.

Александр: Вы сами знали C++ до университета?

Арсений: Да. Я изучал C++ ещё в школе, когда немного занимался олимпиадами по информатике. В университете программировал тоже, но основы алгоритмического мышления и структур данных у меня в значительной степени появились раньше.

Александр: Тогда насколько именно Гарвард помог вам получить работу? Большая часть необходимого стека пришла из университета или была заложена раньше?

Арсений: И то и другое. Программирование, алгоритмы и структуры данных в необходимом для интервью объёме у меня во многом были ещё до Гарварда. Я занимался олимпиадным программированием на любительском уровне, был призёром регионального этапа. И даже такой уровень даёт достаточно хороший фундамент для многих задач, которые затем спрашивают на американских технических интервью.

А статистику я уже системно изучил в университете. Но просто пройти несколько курсов недостаточно. Чтобы хорошо проходить Quant-интервью, материал нужно знать на значительно более глубоком уровне. Условно вас ночью разбудили, задали вопрос по теории вероятностей – и вы должны достаточно быстро восстановить нужную идею.

Нельзя выучить пять шаблонных задач и надеяться, что попадётся шестая такая же. Мне приходилось знать курс практически от корки до корки. Поэтому Гарвард дал базу, а дальше я сам строил надстройку.

Летом после второго и третьего курса я практически каждый день решал задачи – примерно так же, как раньше готовился к олимпиадам. Статистика, теория вероятностей, более абстрактные логические задачи. К профессиональному интервью я в каком-то смысле готовился как к очередной олимпиаде.

Для кванта важны математика, теория вероятностей, статистика, машинное обучение и программирование. Конкретный язык обычно менее важен, чем способность разбираться в моделях и задачах.

Университет может дать фундамент, но к Quant‑интервью приходится готовиться отдельно: материал нужно знать глубже, чем для обычной сдачи курса.

От электронных рынков к зарплатам в $400 тысяч: сколько зарабатывают кванты и почему

Александр: Quant Finance – относительно новая профессия?

Арсений: Я бы оценил возраст современной профессии примерно в несколько десятилетий. Она стала активно развиваться вместе с электронными рынками, вычислительной инфраструктурой и возможностью автоматически обрабатывать большие объёмы данных, а затем на основании расчётов совершать сделки. Когда компьютеры стали достаточно мощными, а торговля – достаточно электронной и быстрой, возникла возможность строить сложные количественные системы в нынешнем смысле.

Александр: Теперь вопрос, который многих наверняка интересует: сколько может зарабатывать квант в США?

Арсений: Если говорить очень грубо и именно о стартовых компенсациях в Quant Finance, в хорошей компании это может быть порядка 250-300 тысяч в год total compensation до налогов. В компаниях первого эшелона стартовая компенсация может находиться ближе к 400 тысячам.

Плюс существует signing bonus – единоразовая выплата человеку, который присоединяется к компании. Она может составлять, например, от 50 до 150 тысяч до налогов. Но важно понимать, что речь идёт о специфической и очень конкурентной индустрии, куда сложно попасть.

Александр: А налоги?

Арсений: Очень грубо для мысленного расчёта можно считать, что значительная доля уйдёт в налоги – условно около трети, хотя конкретная цифра зависит от множества факторов. Поэтому 250 тысяч total pre-tax – это, разумеется, не 250 тысяч, которые человек получает на банковский счёт и полностью тратит.

Александр: Чем специалист с компенсацией $400 тысяч отличается от того, кому предлагают меньше?

Арсений: На стартовом уровне они не обязательно отличаются пропорционально зарплате. Очень многое зависит от компании. Два сильных выпускника могут получить совершенно разные суммы просто потому, что попали в разные организации с разной экономикой.

Дальше уже начинается карьерный рост. Если вы хорошо работаете, компенсация может заметно расти каждый год. Через несколько лет у сильного специалиста она способна превысить полмиллиона долларов до налогов. Но эта индустрия довольно жёсткая. Если компания считает, что вы работаете недостаточно хорошо, с вами могут расстаться. Поэтому здесь не работает схема «один раз прошёл очень сложное интервью – дальше можно расслабиться».

Высокие компенсации в Quant Finance связаны не с одним названием университета, а с конкуренцией компаний за людей, которые совмещают математику, исследования и сильные инженерные навыки.

Поэтому два кандидата сопоставимого уровня могут получить очень разные предложения в зависимости от компании, а дальше размер компенсации все сильнее связан с результатами работы.

45 часов против 100: почему кванты могут работать меньше банкиров

Александр: С такими зарплатами ожидаешь чудовищных переработок. Как устроен рабочий день?

Арсений: В Америке люди в среднем действительно работают довольно много, но разброс между индустриями огромный. Например, в инвестиционном банкинге или консалтинге существуют команды, где человек может работать 80-100 часов в неделю. У меня есть знакомые в банках, у которых единственное гарантированное свободное время начинается буквально с середины воскресенья. До этого им теоретически могут написать или позвонить с рабочей задачей.

В Quant Finance ситуация может быть другой. Причина не только в доброте работодателя, а в характере самой работы. Чтобы несколько часов подряд искать альфа-сигналы, строить модели и думать над сложной системой, нужен очень большой интеллектуальный ресурс. Он быстро истощается. Можно заставить человека сидеть перед монитором шестнадцать часов, но это не означает, что шестнадцать часов он будет качественно выполнять сложнейшее статистическое исследование.

В моей компании люди работают примерно 45 часов в неделю. Условно с восьми утра до пяти вечера. Конечно, если есть незакрытая задача, можно задержаться. Но корпоративная культура устроена так, что около пяти значительная часть людей действительно уходит. В других Quant-компаниях нагрузка может быть выше, поэтому не хочу выдавать наш режим за универсальный.

Александр: Компания при этом крупная?

Арсений: Да. Я работаю в одной из крупнейших Quant-компаний в Америке.

Высокая компенсация не обязательно означает 100-часовую неделю. В работе, где нужно долго концентрироваться на сложных задачах, количество действительно продуктивных часов ограничено.

При этом режим сильно зависит от конкретной компании: опыт инвестиционного банкинга или консалтинга нельзя автоматически переносить на весь Quant Finance.

Пенсия, S&P 500 и собственные инвестиции: что американец откладывает на старость

Александр: Как в США вообще устроена пенсия? Есть аналог небольшой фиксированной государственной выплаты или люди в основном копят самостоятельно?

Арсений: Я не хочу подробно рассуждать о государственной части – просто недостаточно хорошо её знаю. Но в Америке очень заметна концепция частных пенсионных накоплений. Человек отчисляет часть дохода на специальный счёт с определёнными налоговыми преимуществами. Эти деньги предназначены для долгого горизонта, и ранний вывод обычно имеет налоговые последствия.

Деньги на таком счёте можно инвестировать. Один из очень распространённых вариантов – вложения в широкий американский фондовый индекс вроде S&P 500, который включает крупнейшие компании страны. Получается долгосрочная ставка на рост большой части американской экономики.

Если человек десятилетиями регулярно откладывает процент дохода, инвестирует его и ему не катастрофически не повезло с выбранной стратегией, к пенсионному возрасту может накопиться очень большая сумма. Отсюда и картинка американских пенсионеров, которые путешествуют и достаточно комфортно живут: во многих случаях это не волшебная государственная пенсия, а десятилетия накоплений и инвестирования.

Александр: Вы сами инвестируете?

Арсений: Да, хотя конкретную структуру портфеля я подробно обсуждать не хочу. Часть средств может находиться в достаточно обычном портфеле американских акций. Есть инвестиции в Bitcoin и связанные активы, золото, рублёвые инструменты. Я стараюсь диверсифицироваться.

Александр: Вы упомянули рубль. Почему?

Арсений: Мне кажется интересным сравнивать не только изменения валютного курса, но и процентные ставки. Например, на определённых промежутках последних лет рублёвый депозит при высокой ставке мог показывать очень конкурентный результат, если затем пересчитать итог обратно в доллары.

Люди часто смотрят только на движение самого курса и забывают, что у валюты есть ещё стоимость денег и доходность инструментов внутри этой экономики. Разумеется, конкретный результат зависит от точки входа, выхода, ставки и курса – я не утверждаю, что один вариант гарантированно всегда лучше другого.

В США заметную роль в подготовке к пенсии играют долгосрочные личные накопления и инвестиционные счета. Итог формируется не одним крупным взносом, а годами регулярных отчислений.

Даже человек, профессионально работающий с рынком, не обязан сводить личные деньги к одной ставке: в рассказе Арсения важную роль играет диверсификация.

«Отучиться в Гарварде и вернуться ни с чем было бы трудно принять»: почему Америка пока выигрывает

Александр: Почему вы решили применять свои знания именно на американском рынке? С вашим образованием можно было бы вернуться в Россию, где сильному специалисту тоже способны платить очень хорошие деньги.

Арсений: У ответа несколько частей. Во-первых, я хотел доказать себе, что способен добиться результата в Америке. Уехать, окончить Гарвард, а затем сразу вернуться и пойти на обычную стартовую позицию аналитика или программиста в российском Big Tech мне было бы психологически трудно.

Не потому, что я плохо отношусь к российским технологическим компаниям. Наоборот, там много отличных мест. Но после определённого пути вы сами повышаете собственные ожидания. Возникает внутреннее ощущение: если я всё это прошёл, хочется проверить, смогу ли пробиться ещё дальше. Поэтому в каком-то смысле я взял себя на слабо. Мне хотелось доказать прежде всего самому себе, что могу получить сильную работу именно здесь.

Александр: Но если сравнить зарплату с расходами, американские цифры выглядят уже не настолько фантастически.

Арсений: Конечно. Номинальную зарплату нельзя сравнивать без стоимости жизни. У меня есть очень грубая ментальная модель – именно грубая, не экономическая статистика.

В США номинальные зарплаты в некоторых интересных мне профессиях могут быть примерно в несколько раз выше российских. При этом и жизнь заметно дороже. Если максимально упростить, моя личная оценка была такой: условно зарплата выше в четыре раза, стоимость жизни – примерно в два. Тогда покупательная способность и скорость накоплений всё равно остаются заметно выше.

Разумеется, всё зависит от города, жилья, образа жизни и профессии. Нью-Йорк нельзя сравнивать с небольшим российским городом, а зарплату кванта – со среднерыночной зарплатой. Но для моей конкретной стартовой позиции разница существенная.

Александр: То есть в России найти работу было бы проще, но сопоставимую стартовую компенсацию – сложнее?

Арсений: Именно. Я думаю, что работу в России действительно нашёл бы легче. Но если бы пришёл как junior без большого коммерческого опыта, стартовая зарплата отличалась бы от американского Quant Finance колоссально.

У ребят в России есть ещё одно преимущество: многие начинают стажироваться уже со второго-третьего курса и к выпуску имеют коммерческий опыт. У меня такой траектории не было. Я не знаю, на какую позицию в России мог бы сейчас прийти и получать хотя бы половину нынешнего дохода, если только кто-то не решит сразу назначить меня топ-менеджером исключительно из-за диплома Гарварда – а это, на мой взгляд, не самая хорошая практика.

Поэтому сейчас выбор Америки для меня экономически рационален. Но это не навсегда.

Александр: Почему не навсегда?

Арсений: Потому что я очень люблю Россию и Москву. Мой брат, скорее всего, останется в Америке: у него здесь семья. У меня другое представление о том, чего я хочу от жизни. Я хочу чувствовать себя частью какого-то большого и важного дела.

Чтобы получить возможность действительно сильно на что-то влиять, сначала, вероятно, нужно достаточно высоко подняться по профессиональной и финансовой лестнице. Если я прямо сейчас вернусь в Россию и пойду обычным middle-аналитиком или middle-разработчиком, ощущения, что я участвую в каком-то большом процессе, у меня, скорее всего, не будет.

А если ещё несколько лет поработаю в Америке, построю карьеру, накоплю капитал и вернусь уже из другой позиции, у меня потенциально будут совершенно другие возможности. И вот такая траектория мне интересна.

Для Арсения выбор США связан не с идеей «там все лучше», а с конкретной карьерной математикой: стартовые возможности в Quant Finance для него сейчас заметно выгоднее.

При этом он не воспринимает жизнь в США как окончательное решение. Этот этап для него – возможность набрать опыт, накопить капитал и позже вернуться с большим выбором.

ИИ в работе кванта: «Чтобы он сделал именно то, что я хочу, иногда приходится объяснять столько же, сколько писать самому»

Александр: Как искусственный интеллект повлиял на вашу работу?

Арсений: Здесь мнений столько же, сколько людей. Если представить шкалу от «бесполезная говорилка» до «завтра захватит мир», я нахожусь довольно далеко от обеих крайностей. У меня нет ощущения, что произошло какое-то фундаментальное изменение всей профессии.

Инструменты вроде Claude Code или Cursor действительно позволяют делать часть вещей быстрее. Это удобное ускорение. Но для сложных рабочих задач мне всё ещё часто приходится объяснять модели задачу с очень высокой степенью детализации. И иногда на хорошее объяснение уходит сопоставимое количество времени с тем, которое потребовалось бы, чтобы решить задачу руками. Поэтому воспринимать современную нейросеть как самостоятельного сильного коллегу я пока не готов.

Александр: Но она может учиться на действиях человека и постепенно забирать всё больше задач.

Арсений: В этой мысли есть смысл. Вопрос только в том, насколько далеко удастся технологически её довести. Есть множество действий, которые хорошо формализуются и повторяются. Их искусственный интеллект, конечно, будет автоматизировать.

Но одно дело – распознавать окружающую среду и управлять автомобилем по понятному набору сигналов. Совсем другое – придумать архитектуру большого IT-проекта, где нужно учитывать огромное количество неявного контекста, компромиссы между компонентами, ограничения инфраструктуры и последствия решений через год. Мой нынешний опыт показывает: модели очень хороши во множестве локальных задач, но заметно слабее в глобальных системных решениях.

Александр: То есть в программировании ИИ полезен прежде всего для хорошо сформулированной локальной задачи?

Арсений: Да. Если вы очень конкретно объяснили, что нужно сделать, дали модели нужный контекст кодовой базы, современная нейросеть способна написать вполне приемлемое решение. Но для этого человек сам должен хорошо понимать задачу.

Проблемы начинаются, когда модель получает свободу принимать архитектурные решения, а пользователь не способен их оценить. Она может написать плохую архитектуру. Может написать потенциально опасный код.

Мне иногда приходится ревьюить код коллег, и были случаи, когда я видел решение и довольно быстро понимал: оно сгенерировано через вайб-кодинг и при определённых обстоятельствах способно положить продакшен. То есть внешне всё работает. Но инженер смотрит на систему и замечает сценарий отказа, который генератор не учёл.

ИИ уже заметно ускоряет отдельные задачи, но результат по‑прежнему зависит от того, насколько хорошо человек понимает проблему и способен проверить ответ модели.

Главный риск начинается там, где нейросети доверяют решения, которые никто в команде уже не может нормально оценить и проверить.

«Слабого специалиста ИИ усиливает в моменте, но ослабляет через несколько месяцев»

Александр: Часто говорят: сильного специалиста ИИ усиливает, слабого – ослабляет. Вы согласны?

Арсений: Я бы сформулировал немного иначе: слабого специалиста искусственный интеллект усиливает в моменте, но может ослабить на горизонте нескольких месяцев. Главный риск – потеря компетенций. Когда человек начинает очень активно использовать ИИ для своей основной профессиональной работы, базовые навыки могут довольно быстро проседать.

Поначалу эффект прекрасный. Вы работаете намного быстрее, качество может снизиться совсем немного – кажется, что произошёл чистый выигрыш производительности. Но если вы перестаёте самостоятельно решать задачи, постепенно исчезает навык. И в какой-то момент программист уже фактически не способен нормально работать без вайб-кодинга.

Александр: Почему это настолько опасно, если нейросеть всё равно остаётся рядом?

Арсений: Потому что в продакшен рано или поздно возникает нетривиальная проблема. Не ошибка уровня «перепутали две скобки». Допустим, нужно понять поведение всей системы: на чём она работает, к чему подключается, какие данные получает, какие состояния возможны, почему проблема появляется только при определённой последовательности событий.

Для этого нужен большой инженерный контекст. Если человек несколько месяцев просто принимал сгенерированные решения и перестал самостоятельно поддерживать эти компетенции, в критический момент ему будет очень сложно. А нейросеть тоже может не справиться. И тогда цена постепенной деградации навыков становится очевидной.

Александр: Вы сами пробовали сделать большой проект практически полностью через вайб-кодинг?

Арсений: Да. У меня есть очень хороший личный эксперимент. Несколько месяцев назад мне было скучно, и я решил сделать приложение для знакомств. Назвал его «Чё куда». При этом я ничего не понимал ни в веб-разработке, ни в разработке мобильных приложений на выбранном стеке. Я решил полностью положиться на вайб-кодинг. Backend был на Python, frontend – на Dart и Flutter. Сам я практически не писал код. За два месяца получилось рабочее приложение. Оно действительно запускалось, в нём существовала логика, можно было что-то делать. И сначала эксперимент выглядел удивительно успешным: человек без знания технологии получил продукт.

Проблемы начались, когда я захотел исправить несколько багов и довести всё до нормального состояния. Сейчас, уже понимая больше, я могу сказать, что архитектура была плохой. Неправильно управлялось состояние, практически отсутствовало нормальное разделение на слои – бизнес-логику, данные, отображение.

Но когда я делал приложение, я вообще не знал, что эти слои должны существовать. Поэтому не мог спросить у Cursor: «А вы хорошо спроектировали архитектуру?» Я просто принимал результат.

После этого нашёл программиста, отправил ему код и сказал: вот есть примерно три бага, оцените, сколько будет стоить исправить. Он несколько дней посмотрел проект и ответил примерно следующее: это стоит около 150 тысяч рублей, потому что приложение проще переписать с нуля. Для меня это прекрасный пример разницы между «я смог сгенерировать работающий продукт» и «я создал поддерживаемую программную систему».

Александр: А в обычной жизни ChatGPT или другие ассистенты используете?

Арсений: Да, довольно много. Главный сценарий – более умный поисковик. Если мне нужно быстро найти информацию или получить короткую выжимку из области, по которой не хочется самостоятельно открывать десяток сайтов и читать несколько статей, я спрашиваю модель.

Она собирает краткий ответ, а дальше я уже могу при необходимости углубиться и перепроверить. Для меня это сейчас самое регулярное применение ИИ вне программирования.

Вайб‑кодинг позволяет новичку быстро собрать работающий продукт. Но без фундаментальных знаний легко не заметить плохую архитектуру и технический долг, которые проявятся позже.

Есть и другой риск: если постоянно отдавать модели задачи, которые раньше решал сам, собственный навык постепенно проседает – и особенно заметно это становится в сложной ситуации.

Что учить школьнику и студенту: сначала «прокачать голову», потом – целиться в конкретную профессию

Александр: Что бы вы посоветовали молодому человеку, который хочет стать востребованным специалистом? На что тратить время?

Арсений: Я бы разделил школьный и университетский этап. Пока вы в школе, лучшее, что можно сделать, – прокачивать голову. Очень рекомендую олимпиады. «Всерос» по физике, математике, информатике – это действительно отличный тренажёр.

Причём польза не обязательно в том, что вы потом станете физиком или программистом. Олимпиадная подготовка учит сталкиваться с задачей, для которой у вас нет заранее выученного алгоритма. Нужно сидеть, думать, пробовать подходы, ошибаться и искать нетривиальное решение. Этот навык потом переносится почти в любую интеллектуальную профессию. После хорошей олимпиадной школы вы очень часто ощущаете, что на один-два шага опережаете ровесников именно в способности разбирать сложную новую задачу.

А в университете стратегия уже должна меняться. Как можно раньше найдите сферу, которая вам действительно интересна. После этого не ограничивайтесь общей университетской программой. Посмотрите, какие компетенции нужны, чтобы получить первую работу в этой индустрии и продержаться там хотя бы первые годы. После этого системно изучайте именно эти вещи, пока вас не возьмут работать.

Я сам делал примерно так с Quant Finance. Университет дал статистику, но под конкретное интервью пришлось отдельно решать огромное количество задач по теории вероятностей, программированию и аналитическому мышлению.

В школе полезнее развивать способность думать и разбирать незнакомые задачи, чем слишком рано цепляться за модное название профессии. Здесь хорошо работают математика, физика, информатика и олимпиады.

В университете фокус уже можно сузить: выбрать интересную индустрию, посмотреть реальные требования к первой работе и добрать то, чего не дает основная программа.

Жизнь вне работы: русскоязычная Филадельфия, PlayStation и «Ведьмак 3»

Александр: При настолько интеллектуально интенсивной работе остаётся время на хобби?

Арсений: Раньше хобби было больше. В последнее время работа действительно забирает значительную часть ментальной энергии. Один из способов переключиться – я езжу в Россию.

В Филадельфии есть небольшое русскоговорящее сообщество. Иногда встречаюсь с друзьями, куда-то вместе ездим, просто проводим время. Играю в PlayStation. Недавно прошёл «Ведьмак 3». На мой взгляд, это потрясающая игра – возможно, лучшая из тех, в которые я играл. Правда, умудрился получить самую плохую концовку и очень сильно из-за этого расстроился.

Иногда занимаюсь спортом. Пробовал кикбоксинг, но в итоге он у меня не особенно пошёл. Хотелось бы снова добавить спорта в жизнь побольше.

Даже при обычной продолжительности рабочего дня сложная аналитическая работа может сильно выматывать. Поэтому свободное время не обязательно хочется превращать еще в один проект.

Для Арсения отдых – это друзья, поездки, игры и возможность переключиться от рабочих задач. Никакой обязательной «второй смены» в виде стартапа здесь нет.

Не Гарвард и не $400 тысяч: к чему в итоге хочется прийти

Александр: И последний вопрос. У вас есть мечта?

Арсений: Я хочу почувствовать, что внёс большой положительный вклад в развитие мира, который мне дорог. А мир, который мне дорог, – это мои близкие люди, мой город, моя страна и, возможно, люди, которые в чём-то на меня похожи. Наверное, именно это и есть моя большая цель.

Глоссарий

«Всерос» – разговорное название Всероссийской олимпиады школьников. В интервью олимпиадная подготовка рассматривается как сильный сигнал для Quant-компаний и способ развить аналитическое мышление.

«Чёрный лебедь» – в контексте разговора неожиданное редкое событие с крупными последствиями; термин связан с работами Нассима Николаса Талеба.

Backend / бэкенд – серверная часть приложения, где обычно находятся бизнес-логика, работа с данными, API и другие процессы, не относящиеся непосредственно к пользовательскому интерфейсу.

Big Tech – неформальное обозначение крупнейших технологических компаний с большими продуктами, командами и ресурсами.

Bitcoin – децентрализованный цифровой актив и первая широко известная криптовалюта.

C++ – компилируемый язык программирования, широко используемый в системах, где важны производительность и контроль над ресурсами. В Quant Finance может применяться в высокопроизводительной торговой инфраструктуре.

Careers – раздел корпоративного сайта, в котором компания публикует открытые вакансии и принимает заявки кандидатов.

Claude Code – инструмент для агентной работы с программным кодом на базе моделей Claude.

Computer Science – компьютерные науки: область, включающая алгоритмы, структуры данных, теорию вычислений, программирование и множество других дисциплин.

Cover letter – сопроводительное письмо к резюме, в котором кандидат объясняет свою мотивацию, релевантный опыт и интерес к конкретной позиции или компании.

Cursor – редактор кода с глубокой интеграцией ИИ-инструментов, позволяющий генерировать, анализировать и изменять код через инструкции на естественном языке.

Dart – язык программирования, используемый, в частности, вместе с Flutter для разработки приложений.

Data Science – область работы с данными, объединяющая статистику, программирование, анализ данных и машинное обучение.

Electrical Engineering – электротехника и электроника; инженерное направление, связанное с электрическими системами, схемами, вычислительным оборудованием и другими аппаратными технологиями.

Final Clubs – закрытые студенческие клубы Гарварда с процедурой отбора, собственной социальной жизнью и сильным нетворкинговым компонентом.

Flutter – фреймворк для создания приложений из общей кодовой базы, использующий язык Dart.

Frontend / фронтенд – часть приложения, непосредственно отвечающая за пользовательский интерфейс и взаимодействие пользователя с продуктом.

General Education – общеобразовательная часть университетской программы, включающая курсы за пределами основной специализации студента.

GPA – Grade Point Average, средний академический балл студента в американской системе образования.

HR – Human Resources; в контексте интервью – сотрудники и процессы, отвечающие в том числе за первичный отбор кандидатов и организацию найма.

Junior / Middle / Senior – условные уровни профессионального опыта специалиста: начинающий, самостоятельный специалист среднего уровня и опытный специалист соответственно.

Legacy – практика учёта семейной связи абитуриента с выпускниками университета при поступлении.

LinkedIn – профессиональная социальная сеть, используемая для поиска работы, найма сотрудников, деловых контактов и публикации профессионального контента.

Machine Learning / машинное обучение – область методов, позволяющих строить модели, которые выявляют закономерности в данных и используют их для прогнозов или принятия решений.

Mathematical Statistics / математическая статистика – раздел математики, посвящённый методам анализа данных, оцениванию параметров, проверке гипотез и другим способам делать выводы на основе наблюдений.

OCaml – функциональный язык программирования семейства ML, используемый в том числе в отдельных финансовых и технологических компаниях.

Overfitting / переобучение – ситуация, когда модель слишком хорошо приспосабливается к обучающим данным и хуже работает на новых.

PhD – Doctor of Philosophy; академическая степень и уровень образования, соответствующий докторской исследовательской подготовке в американской и ряде других систем.

Production / продакшен – рабочая среда программной системы, которой пользуются реальные пользователи или бизнес-процессы.

Python – популярный язык программирования, широко используемый в Data Science, машинном обучении, научных вычислениях, автоматизации и Quant Finance.

Quant / квант – специалист по количественным финансам, применяющий математику, статистику, программирование и анализ данных к задачам финансовых рынков.

Quant Finance / количественные финансы – область финансов, использующая математические, статистические и вычислительные методы для моделирования рынков, оценки инструментов, управления риском и построения торговых систем.

Referral / реферал – внутренняя рекомендация кандидата сотрудником компании. Может повысить вероятность того, что резюме будет замечено, но обычно не отменяет дальнейшие этапы отбора.

Requirements – набор обязательных учебных требований, которые студент должен выполнить для получения диплома по выбранной специальности.

S&P 500 – фондовый индекс, включающий акции примерно пятисот крупных американских компаний и часто используемый как ориентир широкого рынка США.

SaaS – Software as a Service – модель программного продукта, при которой пользователи получают доступ к сервису через интернет, обычно по подписке.

Signing bonus – единоразовая выплата новому сотруднику при присоединении к компании в дополнение к основной компенсации.

Statistics / статистика – дисциплина о сборе, моделировании и интерпретации данных; одна из базовых областей для работы кванта.

Total compensation – совокупная компенсация сотрудника. Может включать базовую зарплату, бонусы и другие выплаты; конкретная структура зависит от компании.

Wharton School – бизнес-школа University of Pennsylvania, известная программами в области бизнеса и финансов.

Акция – ценная бумага, представляющая долю владения компанией.

Альфа-сигнал – статистический или модельный сигнал, который, по гипотезе исследователя, содержит полезную информацию о будущем поведении финансового инструмента и может дать торговой стратегии преимущество.

Вайб-кодинг – подход, при котором значительная часть программного кода создаётся ИИ по инструкциям на естественном языке, а человек прежде всего формулирует задачи и принимает или корректирует результат.

Гарвардский университет – частный исследовательский университет в США, входящий в Лигу Плюща.

Кросс-валидация – способ оценки качества модели, при котором данные несколько раз разделяются на обучающие и проверочные части, чтобы понять, насколько модель способна работать на ранее не виденных примерах.

Лига плюща – объединение восьми известных частных университетов северо-востока США, включая Harvard, Yale и University of Pennsylvania.

Ликвидность – возможность быстро купить или продать актив по цене, близкой к текущей рыночной, без чрезмерного влияния сделки на эту цену.

Линейные модели – класс статистических моделей, в которых зависимость результата от входных факторов описывается линейной функцией или её расширениями.

Маркетмейкер – профессиональный участник рынка, который постоянно готов покупать и продавать определённый инструмент, тем самым поддерживая ликвидность.

Метод Монте-Карло – семейство вычислительных методов, основанных на многократном случайном моделировании системы для приближённого решения задач, которые сложно или невозможно удобно решить аналитически.

Настройка гиперпараметров – подбор внешних параметров алгоритма машинного обучения, влияющих на процесс обучения и качество модели.

Нейтральность к направлению рынка – стремление построить портфель или торговую позицию так, чтобы крупные движения рынка меньше влияли на общий результат. В конкретных стратегиях способы такой нейтрализации зависят от модели и набора рисков.

Нетворкинг – создание и поддержание сети профессиональных и социальных контактов, которые могут помогать обмениваться информацией и находить возможности.

Олимпиадное программирование – соревнования по алгоритмическому решению задач, где участнику необходимо быстро найти корректный и эффективный алгоритм и реализовать его программно.

Опцион – производный финансовый инструмент, дающий его владельцу определённое право на покупку или продажу базового актива на заранее установленных условиях.

Оффер – официальное предложение работодателя кандидату занять определённую должность на оговорённых условиях.

Спред – разница между ценой, по которой участник рынка готов купить инструмент, и ценой, по которой он готов его продать.

Трейдер – специалист, непосредственно участвующий в торговле финансовыми инструментами и контролирующий торговые решения или систему в реальном времени.

Фьючерс – производный финансовый инструмент, связанный с обязательством купить или продать базовый актив на определённых условиях в будущем.

Хеджирование – снижение определённого финансового риска за счёт позиции, которая должна частично компенсировать убыток при неблагоприятном сценарии.

Хедж-фонд – инвестиционный фонд, который может использовать широкий набор стратегий и инструментов для получения доходности.