Собеседование на ML Engineer в Финам

Почему Финам — особенный работодатель для MLE

«Финам» — крупная российская инвестиционная группа, одна из ведущих среди небанковских брокеров РФ. Услуги включают брокерское обслуживание, банк (Банк Финам), инвестиционное консультирование, доверительное управление, обучение для частных инвесторов. После 2022 года Финам активно растёт на росте розничного российского brokerage и сдерживания западных конкурентов. Для ML-инженера это работа в финансовом институте с миксом transactional brokerage data, market data и behavior клиентов.

ML-системы: scoring клиентов (для маржинальной торговли, premium-предложений), churn prediction (предсказание оттока активных трейдеров), recommendation инвестидей (какие активы показать клиенту), robo-advisor (автоматическое управление портфелями), NLP для аналитики рынков (sentiment-анализ новостей, отчётности эмитентов), anti-fraud, AML. Финансовая среда требует объяснимости моделей и regulator compliance.

Стек: Python + Catboost для табличных задач + PyTorch для нейросетей (NLP, sequence) + K8s для deployment + ClickHouse как аналитический движок + Hadoop для тяжёлых ETL на market data + MLflow для трекинга экспериментов.

Актуальные вакансии — на hh.ru и сайте Финама.

Этапы собеседования

Цикл занимает 3-4 недели и включает 5-6 этапов. Финам — большая финансовая компания, процесс структурированный. Упор на production ML и financial domain.

1. HR-скрининг (30-45 минут)

Рекрутер проверяет фон: production-опыт ML, brokerage / fintech / asset management background — большой плюс. Готовь питч на 90 секунд: проекты, бизнес-эффект, стек. Если работал в banking, brokerage, asset management — упомяни сразу.

2. ML-теория (60-90 минут)

Базовая секция с ведущим ML-инженером. Темы: градиентный бустинг (CatBoost), time series (ARIMA, Prophet, GARCH), market forecasting (sentiment-driven models, market microstructure), recommendation. Будь готов рассказать про explainability — для финансов критично.

Подготовка: ML-теория.

3. Python live coding (60 минут)

Live-кодинг: 1-2 задачи на алгоритмы (LeetCode Medium), плюс задача на ML-pipeline — функция для расчёта Sharpe / max drawdown, sampling без data leakage в time series. Готовиться по LeetCode минимум 3-4 недели.

Подготовка: Python для DS.

4. ML System Design (90 минут)

Кейсовая секция. Кейсы уровня «спроектируй recommendation инвестидей», «robo-advisor pipeline для автоматического портфеля», «churn prediction для активных трейдеров». Нужно: уточнить бизнес-метрику и regulatory constraints, описать архитектуру, выбрать модели с explainability.

Подготовка: MLOps, Model serving, Feature stores.

5. Production / scale (60 минут)

Секция про инфраструктуру: K8s deployment, low-latency для рыночных сигналов (моменты торговой сессии), мониторинг. Кейсы про откат, drift, инциденты.

Подготовка: Monitoring drift, Deployment strategies.

6. Поведенческое (45 минут)

С тимлидом. STAR-формат: конфликт с продактом, факап с моделью, спор по compliance. Финам ценит инженерную аккуратность и понимание финансового домена.

Особенности по командам

Recommendation. Recsys инвестидей: какие акции, ETF, стратегии показать клиенту. Длинный feedback loop, регуляторные ограничения. Подойдёт тем, у кого есть recsys-опыт.

Robo-advisor. Автоматическое управление портфелями для retail. ML-системы строят оптимальные портфели, ребалансируют. Стек включает modern portfolio theory + ML для signal generation. Подойдёт MLE с quantitative background.

Churn / Retention ML. Прогноз оттока активных трейдеров. ML-driven CRM. Тесная работа с маркетингом и продактами.

Anti-fraud. Детекция подозрительных операций, AML, KYC. Высокие требования к explainability. Подойдёт тем, у кого опыт в banking anti-fraud.

Market NLP. Аналитика новостей, отчётности эмитентов, sentiment. ML-модели для классификации event types, summarization, NER. Подойдёт тем, у кого опыт в финансовом NLP.

Что Финам ценит в MLE

Production ML. Базовое требование. Слабый — «делал на Kaggle»; сильный — «recommendation инвестидей для 80k активных клиентов, +10% engagement, deploy через K8s».

Brokerage / fintech context. Понимание особенностей brokerage. Если в финансах не работал — изучи блоги Tinkoff Engineering, Bloomberg.

Time series. ARIMA, GARCH, Prophet, ML для time series. Без time series-опыта пройти ML-теорию сложно.

K8s. Без K8s сложно. Хотя бы 1 модель сам в K8s подними.

Catboost / PyTorch / Python. Стандарт.

Как готовиться: план

За 6-8 недель до собеседования:

1. Неделя 1-2 — Python + ML + time series. LeetCode Medium 30+ задач, time series, бустинги. Параллельно прорешай вопросы по Python, ML и SQL в Карьернике: 1500+ задач с разбивкой по темам, по 10-15 минут в день закрывают пробелы перед собесом. Python для DS, ML-теория.
2. Неделя 3 — K8s + Docker. Подними хотя бы 1 модель в K8s.
3. Неделя 4 — MLOps + feature stores. MLOps, Feature stores.
4. Неделя 5 — System design + brokerage ML. Кейсы recommendation, robo-advisor, churn. Model serving.
5. Неделя 6 — Monitoring + deployment. Monitoring drift.
6. Неделя 7-8 — Mocks + behavioral. Mock-интервью, 5-7 STAR-историй.

Частые ошибки

Без brokerage / fintech domain. Кандидат говорит «у меня e-commerce» — на System Design отвалится. Сильный — «изучил brokerage-аналитику, понимаю transactional patterns, regulatory framework».

Без time series. Кандидат говорит «делал классификацию» — слабо. Сильный — «работал с time series, разделял train/test без data leakage».

Без K8s. «Деплоил через docker-compose» — слабо. Сильный — «деплоил через K8s, использовал HPA, canary».

Только notebook. Кандидаты с Jupyter-only валятся. Сильный — «свои проекты переписал в виде пакетов с тестами».

Без production опыта. «У нас была модель» — не история. Сильный — «модель churn на 100k активных трейдеров, AUC=0.82, deploy через K8s, мониторил retraining ежемесячно».

Связанные темы

• Собеседование на ML Engineer
• MLOps
• Feature stores
• Model serving
• Monitoring и drift
• Deployment strategies

FAQ

Удалёнка в Финаме для MLE?

Гибрид и удалёнка распространены. Офисы — в Москве.

Зарплатные вилки 2026?

Middle MLE: 290-440k. Senior: 440-660k.

Английский нужен?

Базовый — желательно. Свободный — не обязателен.

Сколько этапов?

5-6 этапов, 3-4 недели.

Это официальная информация?

Этапы основаны на публичных источниках и опыте кандидатов. Уточняйте у рекрутера.