ML Quant Engineer

Grenergy; Pozuelo de Alarcón; Presencial; Confidencial; Jornada completa

Descripción de la vacante

Grenergy busca un Machine Learning Quantitative Engineer para optimizar la gestión de activos de almacenamiento (BESS) mediante modelos avanzados de IA y ML.

La posición implica diseñar experimentos, validar hipótesis y colaborar con Energy Management para traducir resultados analíticos en decisiones operativas que mejoren el rendimiento de los activos.

Formación

• Formación en Ingeniería, Matemáticas, Física, Estadística, Ciencia de Datos o afines.

Responsabilidades

• Diseñar y desarrollar modelos avanzados de forecasting para variables de corto plazo en mercados energéticos.
• Investigar y aplicar técnicas de ML, Deep Learning y Agentic AI para mejorar precisión y robustez de modelos.

Conocimientos

Python programming

Forecasting

Time series

Quantitative research

Large data handling

Educación

Bachelor's degree in Engineering/Math/Physics/Statistics/Data Science

Master's in AI or related; PhD valued

Herramientas

Docker

Kubernetes

MLflow

Airflow

Descripción del empleo

¿Quieres impulsar la transición energética desde dentro?

En el marco de nuestro crecimiento y fortalecimiento organizativo, buscamos incorporar un/a Machine Learning Quantitative Engineer a nuestro equipo de Energy Management.

La optimización de activos de almacenamiento (BESS) requiere tomar decisiones de operación en múltiples mercados eléctricos bajo elevada incertidumbre. Para maximizar el valor de estos activos, buscamos una persona capaz de desarrollar modelos avanzados de Inteligencia Artificial y Machine Learning que permitan anticipar comportamientos de mercado, generar señales predictivas y mejorar la toma de decisiones de forma automatizada.

Buscamos un perfil con una sólida base cuantitativa y experiencia en investigación aplicada, capaz de transformar datos complejos en modelos con impacto real en negocio.

¿Cómo será tu día a día?

• Diseñar y desarrollar modelos avanzados de forecasting para la predicción de variables de corto plazo relacionadas con mercados energéticos.
• Investigar y aplicar técnicas de Machine Learning, Deep Learning y Agentic AI para mejorar la precisión y robustez de los modelos predictivos.
• Identificar, evaluar y generar automáticamente señales y variables relevantes para anticipar comportamientos de mercado.
• Diseñar y ejecutar experimentos para validar hipótesis, comparar modelos y medir su impacto en la toma de decisiones.
• Desarrollar sistemas capaces de adaptarse dinámicamente a cambios en las condiciones de mercado mediante técnicas avanzadas de IA.
• Participar en el desarrollo de modelos y herramientas que apoyen estrategias de trading y optimización de activos de almacenamiento (BESS).
• Colaborar con los equipos de Energy Management para transformar resultados analíticos en decisiones operativas con impacto directo en el rendimiento de los activos.

Requisitos

• Grado en Ingeniería, Matemáticas, Física, Estadística, Ciencia de Datos o disciplinas afines.
• Máster especializado en Inteligencia Artificial, Machine Learning, Matemática Aplicada, Investigación Operativa o áreas similares. Doctorado (PhD) altamente valorable.
• Experiencia desarrollando modelos avanzados de Machine Learning en entornos de investigación o producción.
• Experiencia en forecasting, series temporales, modelización predictiva o investigación cuantitativa.
• Conocimientos de Agentic AI, LLM-based Agents, Multi-Agent Systems, RAG o tecnologías similares.
• Experiencia diseñando experimentos, validando hipótesis y evaluando modelos de forma rigurosa.
• Programación avanzada en Python
• Capacidad para trabajar con grandes volúmenes de datos y extraer señales útiles para la toma de decisiones.

Será especialmente valorado

• Experiencia en investigación cuantitativa, trading algorítmico o mercados financieros.
• Conocimientos de mercados energéticos, trading cuantitativo o activos BESS.
• Familiaridad con Docker, Kubernetes, MLflow, Airflow u otras herramientas de MLOps.
• Experiencia en entornos académicos, centros de investigación o equipos de I+D altamente técnicos.

#LI-CF1