Archemis CompanyDeck

Transcript

1. Archemis Ltd. Company Deck
2. About us 由来 arkhē ἀρχή / アルケー 根源, 原理 © 2025 Archemis Ltd. mētis + Μῆτις / メティス 叡智, 技術 社名 Archemis Limited 読み アルケミス 代表者 鶴岡 友也 創業日 2025/04/09 住所 （BVI法人） Aegis Chambers, 1st Floor, Ellen Skelton Building, 3076 Sir Francis Drake’s Highway, Road Town, Tortola, VG1110, British Virgin Islands
3. Mission まだ世界にない「知」を生み出す 「哲学はタウマゼイン — 驚き、感動、疑問—から始まる」 とアリストテレスは語った。 世界に向けられた純粋な「！？」こそが思考を喚起し、 新たな知の扉を開く。 LLMが膨大な知を平準化するほど、 それを超えた心の跳躍が価値を帯びる。 この情動こそが、人間の持つ最大の力だ。 私たちは、世界を動かす原理（arkhē）を問い続け、 実験を繰り返しながら実践的な知（mētis）を構築する。 この螺旋的な学びと創造のプロセスを楽しみ合うことで、 まだ世界にない「知」を生み出し続ける。 © 2025 Archemis Ltd.
4. 「面白い仕事」はどう変化するか？ LLM時代において、これから本当に価値が高くなり、魅力的と感じるものは まだ世界にない情報を生み出すこと = 「研究的な仕事」の面白さの比重が増えていく時代 研究とは、人類が持つ「知の境界」を押し上げること 未知 既知 既知へのアクセスが容易になるほど、未知を明らかにする仕事の価値は高まる © 2025 Archemis Ltd. 知の境界
5. どのような世界になるのか？ 毎日のように、 ノーベル賞級の研究が発表される未来へ × 人間の「知りたい」 という情動 → 発見の数と速度が、爆発する AIの粘り強い 試行錯誤 これから10年は、人類の発見速度が大きく変わる、ものすごく面白い時代になる © 2025 Archemis Ltd.
6. なにを目指すか？ AIを前提に「新しい知を生み出す仕組み」を作り続けること 「研究」という活動を研究し、科学研究の自動運転Lv5を目指す 学習ループを回し続ける Arkhē - Mētis Loop LLM時代では、 問い 実験・実装をすることでしか、 Gnōsis Loop 個の情報生成力に、 組織的な学習循環を組み込み 言語化 チームで成果を生み出す 未知の情報は生まれない クリティカルな問い（arkhē）を考え、素早 く行動して、学習を繰り返す（mētis）。 学習 情報生成 共有知 得た情報を、再利用可能な体系化された知 （gnōsis）へと変える。 早く失敗して学ぶ。「試行回数／単位時 間」の高さに拘る。 知の「伝播量／単位時間」の高さに拘る。 実践 © 2025 Archemis Ltd. 共同化 内面化
7. Business
8. Our Business Crypto Hedge Fund システムトレーディングを軸にした自己勘定型ヘッジファンド事業 αの探索 市場を動かす原理 (arkhē) を問い、分析・実験を重ねた実践知 (mētis)をトレードモデルに落とし込む 問い 分析・実験 モデル Q. なぜ、不均衡が生まれるのか？ … Q. なぜ、認識の差が生まれるのか？ 運用方針 独立したエッジを持つトレーディングモデル群を、市場環境に合わせて最適化する運用モデルを構築 Portfolio Optimization Model Trading Model 1 Trading Model 2 Trading Model 3 … Trading Model N CEXでのアクティブ運用をベースにしながら、DeFiで安定運用するモデルも組み込み、安定的にリターンを生み出せるポートフォリオを設計 © 2025 Archemis Ltd.
9. Core トレード事業の根幹は、他者に先回りすること ✔ 皆が見えていないものが、自分たちには見えている ✔ 他の人がまだ十分に理解していない構造を、先に捉える 「当たり前」や「定石」を疑えるか？ 答えが世に出てから学ぶスタンスだと遅すぎる これをコアに据えて、新しい理想を構想する ✔ 3年後の当たり前を、様々な実践を通して掴む 不確実な中で、理想を描き、行動して情報を生み出し、差をつくる 実装や実験を高速で繰り返し 確実となった「情報」を生み出すことで 不 確 実 性 不確実性は削減できる 情報生成能力が高い組織を目指す 情報生成力が高い組織 時間 © 2025 Archemis Ltd. = ではなく、 を。
10. Roadmap 「トレードシステムの運用不確実性」を下げるためのシステムを順次開発 In Progress 堅 牢 性 In Progress Next Issue Mock Data TradingTest Spec Change Detection High-precision Backtest 過去データでの稼働テスト CEX/DEXの仕様変更の検知 高精度のバックテスト環境 In Progress In Progress Next Issue Asset/Key Management Performance Dashboard Original TV-based Chart Secretや秘密鍵の厳密な管理 稼働状況やBacktestズレを集計 独自の指標をTradingView表示 In Progress In Progress In Progress Trading System Data Collector LLM Auto Analytics コアとなるシステム基盤 CEX/DEXの全データ収集 LLMによるエッジ探索自動化 応用性 © 2025 Archemis Ltd.
11. Recruitment
12. Recruitment Positions 1. Trading System Team トレーディングシステムを設計・開発し、安定的な運用を目指すチーム 1.1 Software Engineer 2. Quants Team モデルやシグナルの開発及び、それを支えるデータ基盤や分析Agentを構築するチーム 2.1 Software Engineer © 2025 Archemis Ltd. 1.2 SRE / Platform Engineer 2.2 Quantitative Analyst
13. Recruitment Trading System Team
14. Tech Stack エンジニアが一貫してオーナーシップを持ち、自律的に意思決定できる体制を目指す 選定方針 ・Operational Simplicity 継続的な運用に対してオーナーシップを持つために、ボトルネックの特定がしやすい構造を作る。 ・Robustness Assurance 資金を直接扱うシステムなので、安定性・堅牢性が担保しやすい構造を作る。 ・Problem-Fit First 事業フェーズに合わせた技術選定をする。先は見据えつつも、作り込みすぎず、スピードが出せる構造を作る。 © 2025 Archemis Ltd.
15. Issues & Unique Challenges for Engineers 1. 信頼できる市場データ基盤を構築する トレードシステムでは、市場データが欠落したり遅延したりすると、誤ったシグナルやポートフォリオ構築につながる可能性があります。 一方で、暗号資産市場は24時間動き続け、取引所ごとにAPIの仕様やデータ品質も大きく異なります。 そのため、低レイテンシな収集と障害・欠落への耐性、信頼できるストレージなどを考慮したデータパイプラインを設計・構築する必要があります。 2. 複雑なトレードドメインを正しくモデル化する 暗号資産市場では取引所APIごとにデータの形が異なります。市場データやオーダー、ポジションといった概念を正しく表現できなければ、 ビジネスロジック内で正しいデータを維持するコストが増え、開発速度や品質が低下していきます。取引所固有のデータを共通モデルへ変換し、 不変条件を型とドメインモデルの中で表現し、検証と変換を外部システムとの境界で吸収することで、中核ロジックをシンプルに保つ必要があります。 3. トレード戦略の開発サイクルを加速する トレード戦略は継続的に追加・改善されるので、市場環境の変化に合わせて素早く検証し、運用へ反映していく必要があります。 一方で、戦略が増えるほどシステムは複雑化し、変更コストも高くなります。そのため、シグナル計算をテストしやすく分離し、バックテストと実運用の ギャップを減らす設計をし、指標やアルゴリズムを追加しやすい抽象化など、継続的な改善を支えるソフトウェア設計が必要になります。 4. 信頼性の高いオーダー執行エンジンを構築する 期待するポートフォリオを実現するためには、単にオーダーを送るだけでは十分ではありません。市場の流動性や約定結果に応じて状態を管理し、 板の厚さやマーケットインパクトを考慮しながら、より低いコストで確実に目標のポートフォリオを構築する必要があります。 部分約定・キャンセル・ポジション整合性を一貫して扱い、市場状況に応じて執行を分割・最適化できる高い信頼性を持つ執行エンジンが必要になります。 © 2025 Archemis Ltd.
16. 1.1 Software Engineer — Requirements — Role 1. 静的型付け言語での開発経験 トレード基盤システムの設計・実装 市場データ基盤、シグナル計算、ポートフォリオ構築、オーダー執 行エンジンなど、トレーディングを支える中核システムを設計・実 装します。取引所ごとの差異や障害を吸収し、戦略の追加に耐えら れる拡張性と信頼性を両立させます。 様々なTradingModel / Signalの実装 戦略チームが検証したアイデアをもとに、TradingModelやSignalを本 - Rust／Go での本番運用コードを実装し、パフォーマンスやメモリ効率を考慮し た設計の経験 - テスト容易性を高めるクリーンアーキテクチャの設計経験 2. クラウドインフラの設計・運用 - GCP・AWS でのインフラ構築／運用経験（VPC、IAM、マルチアカウント設計） - GKE／EKS を用いた Kubernetes クラスター運用経験 3. コンテナ & CI/CD - Docker をベースにしたローカル開発環境と本番環境の統一 - CI/CD（GitHub Actions / Argo CD等）を用いたビルド・テスト・デプロイの自動化 番環境で稼働するコードへ落とし込みます。バックテストと実運用 の差を抑え、指標やモデルを素早く追加・改善できる仕組みを構築 します。 4. End-to-End リード経験 Bot開発のライフサイクルを通したオーナーシップ 5. 高品質コードの実装力 開発者自身がBotの開発サイクルに一貫してオーナーシップを持ち、 Botの稼働に必要なGCP/Kubernetesリソースの作成からデプロイ、そ の後のメンテナンスや改善、また必要なメトリクス・アラートの設 定やモニタリングなどを行います。 © 2025 Archemis Ltd. - 要件定義から設計・実装、デプロイ後の運用・改善まで一貫してドライブした プロジェクト実績 - 可読性・再利用性・拡張性を意識した設計 - 性能チューニングと技術的負債の管理バランスを取れる判断力 6. チームとの協働・コミュニケーションスキル - 開発者やプロダクトマネージャー、他のプラットフォームエンジニアとの連携 - 新しい仕組み・ツール導入時の社内トレーニングやドキュメント作成
17. 1.2 SRE / Platform Engineer Role Developer Productivityの向上 開発サイクル全体（ビルド、テスト、デプロイ、運用）の改善と、 新たな仕組みの設計・実装・運用を担当します。 開発者が自律的に安全かつ迅速にリリースできるよう、ボトルネッ クを特定・解決します。 セキュリティと信頼性の向上 Kubernetesやコンテナ、サプライチェーン、ネットワーク、アプリ — Requirements — 1. クラウドインフラの実務経験 - GCPやAWSを用いたインフラ設計・構築・運用経験 - 特にGKEやEKSなどのKubernetes環境でのコンテナ運用経験 2. IaC(Infrastructure as Code)ツールの運用経験 - TerraformやAWS CDK, Pulumiなどを使用したインフラのコード化と管理 3. CI/CDパイプラインの設計・運用経験 - ビルド/テストの自動化、デプロイの自動化(Argo CD 等)、可観測性 (Observability)の仕組みづくり等 4. モニタリング/ログ管理などObservabilityの構築・運用経験 ケーションなどのセキュリティ強化とObservability改善、SLO/SLIの - DatadogやPrometheus/Grafanaなどのツールを用いたメトリクス・ログ可視化、 策定を通じて、安定した基盤を構築します。金融ドメインという事 業特性上、初日から高い水準を目指します。 - ボトルネック分析や障害解析のためのObservability設計 インフラコスト・リソースの最適化 クラウドインフラやObservabilityツールのコストを監視・最適化し ます。インフラリソースが増えるほどコスト増加が見込まれるた め、効率的なリソース管理を徹底し、リーンなインフラ運営を目指 します。 © 2025 Archemis Ltd. アラート設定の経験 5. プログラミング・スクリプティングの実務能力 - RustやGo、Python、Shellスクリプトなどでの効率的なツール作成、自動化 6. チームとの協働・コミュニケーションスキル - 開発者やプロダクトマネージャー、他のプラットフォームエンジニアとの連携 - 新しい仕組み・ツール導入時の社内トレーニングやドキュメント作成
18. Recruitment Quants Team
19. Research Flywheel 研究を自動化し、学習し続けるResearch Flywheelの基盤を構築する 研究・実運用の結果を、新たなデータ・仮説・分析手法へ還元 1. 多様な市場データの収集 CEX / DEX / Order Flow / Onchain → 2. 大規模な特徴量計算の基盤 正規化 / 品質管理 / 大規模計算 → 3. AI Agentによるモデル構築 仮説生成 / 分析 / 検証 / 可視化 → 4. 多面的なモデル評価・検証 エッジ評価 / ポートフォリオ構築 Software Engineer データ基盤・AI Agent基盤を設計・実装 Quantitative Analyst 仮説と投資判断 Software Engineerの役割 ・優れた研究者を支援するだけでなく、Quants Team全体がより速く、広く、深く市場を探索できる状態をつくる。 ・「信頼できるデータ基盤」と「AI Agent群による研究システム」を構築することで、研究プロセスそのものを競争優位性にする。 Quantitative Analystの役割 ・市場を動かす原理を問い、Agentと研究基盤を活用して、どの仮説に期待値があるかを判断し、堅牢なトレードモデルを設計する。 © 2025 Archemis Ltd.
20. 2.1 Software Engineer — Requirements — Role Agentic Research Systemの設計・実装 LLM Agentが市場データの取得、特徴量計算、統計分析、バックテ スト、評価、可視化までを一貫して実行できるシステムを設計・実 装します。Tool・Skill・Context・評価基盤を整備し、Agentが研究プ ロセスを継続的に改善できる状態を目指します。 市場データ・特徴量基盤の構築 1. バックエンド開発の経験 - ソフトウェアエンジニアとしての実務経験5年以上 - TypeScriptまたはGoによる本番運用コードの開発経験3年以上 - ゼロベースからのソフトウェア設計の経験 2. データ基盤・大規模計算システムの開発経験 - APIからの収集、ETL / ELT、スキーマ・データ品質の設計経験 - 並列処理、増分計算、キャッシュを用いた性能改善経験 CEX・DEX・Order Flow・Onchainなどの多様なデータを収集し、研 究で扱いやすい共通形式へ変換します。大規模な履歴データに対す る並列計算、増分更新、キャッシュを活用し、再現性の高い特徴量 計算基盤を構築します。 研究プラットフォームへのオーナーシップ Quantitative Analystと研究プロセスを設計し、曖昧な研究要求を API・データモデル・ワークフローへ落とし込みます。実装、デプ ロイ、監視、障害対応、評価、継続的な改善まで一貫してオーナー シップを持ちます。 © 2025 Archemis Ltd. 3. LLM・Agentic Systemの設計・実装経験 - Agentの構成、再現性、失敗時の挙動を評価・改善した経験 - Tool / Skill / Context / 評価基盤を設計・構築した経験 4. クラウド環境での開発・運用経験 - GCPまたはAWSを利用したシステム開発・運用経験3年以上 - Docker、Kubernetes、CI/CD、ログ・メトリクスを用いた運用経験
21. 2.2 Quantitative Analyst Role ユニークかつ本質的なトレード戦略の研究・開発 市場に生じるImbalanceやSpikeなどの歪みを、Order FlowやOnchain データから本質的に捉え、独自性のあるトレード戦略を立案しま す。他者と同じ分析に留まらず、もう一軸の工夫によって継続的に エッジを発見・改善します。 戦略の多面的な検証とシグナル統合 単一のバックテスト結果を鵜呑みにせず、「将来も期待値がプラス の戦略か」を複数の観点から検証します。 性質の異なるモデル群を統合し、より精度の高い統合シグナルと、 堅牢なポートフォリオを設計します Agentic Research SystemのSkill改善 LLMを活用した研究Agent群を設計し、仮説生成から分析・評価ま での研究プロセスを高度化します。 研究組織の知的生産性を高め、エンジニアと連携してモデルの要件 定義から本番リリースまで推進します。 © 2025 Archemis Ltd. — Requirements — 1. 暗号資産のトレード戦略を構築した経験 - Order Flow、板・約定、Onchainデータから仮説を立て、戦略として実装した経験 - 戦略の収益源と、機能する市場環境を説明できること 2. Pythonによるデータ分析・実装力 - データ加工、指標計算、バックテストをPythonで実装できること - 分析結果を再現可能なコードとして整理できること 3. 戦略の期待値を多面的に検証する力 - Out-of-Sample、取引コスト、流動性、過学習を考慮して評価できること - 良い結果だけでなく、失敗要因や適用限界を分析できること 4. 複数シグナルの統合・最適化に関する知識 - シグナル間の相関や市場環境の違いを踏まえ、複数モデルを統合できること - リスクとリターンを考慮したポートフォリオ設計の基礎知識 5. LLMを活用して研究生産性を高めた経験 - LLMやAgentを調査、仮説生成、分析、評価に活用した経験 - 精度や再現性を検証しながら研究プロセスを改善できること 6. モデルを本番運用へつなげるコミュニケーション力 - モデルの入力・出力・制約・リスクを整理し、エンジニアへ共有できること - 要件定義から実装、検証、本番リリースまで協働できること