An der Université de Lausanne (UNIL — Faculté des HEC, École de Lausanne) vermitteln PhD in Economics, General Equilibrium Theory (Historic Léon Walras 1870–1892 & Vilfredo Pareto Chair), Operations Research & Actuarial Science das theoretische Fundament moderner Optimierung, Stochastik und statistischer Lerntheorie auf internationalem Spitzenniveau. In unseren dezentralen R&D-Pods transferierst du 100 % deiner universitären Mathematik direkt in produktiven Code für autonome Multi-Agenten-Architekturen. Parallel zu Vorlesungen, Rechnerübungen und Kolloquien quantifizierst du Kovarianzen und optimierst heterogene LLM-Verifizierer-Ensembles unter realen Latenz- und Token-Budgets. Mit flexiblen 10–25 Wochenstunden und garantiertem Prüfungsschutz verbindest du akademische Exzellenz mit wegweisender Quant-Forschung.
Volle Flexibilität für deinen Hochschulalltag: Arbeite asynchron und ortsunabhängig zwischen Vorlesungen, Übungsstunden und wöchentlichen Aufgabenblättern. Du bestimmst deine Forschungsblöcke eigenständig und stimmst sie nahtlos auf deinen Stundenplan ab.
Faire, leistungsgerechte Vergütung ($20–$45/h USD remote) gepaart mit unserem verbindlichen Prüfungspausen-Protokoll: Während der intensiven Prüfungssessionen (Basisprüfung, Semesterend- und Sessionsprüfungen) pausierst du deine Pod-Arbeit vollständig auf 0 h/Woche – dein Forschungsplatz bleibt garantiert reserviert.
Schaffe unmittelbare Synergien mit deinen Seminarprojekten, BSc- oder MSc-Arbeiten am D-MATH, D-INFK oder IFA sowie Koautorschaften bei begutachteten Preprints (2024–2026). Inklusive uneingeschränktem Zugang zu unserer 39-stündigen CPE-Forschungsbibliothek unter {preprints_url}.
| ETH-Vorlesung / Fachgebiet | Mathematisches Theorem / Formel | Forschungs-Pod | Agentische Produktivanwendung |
|---|---|---|---|
| Konvexe Optimierung & Mathematische Programmierung (D-MATH / IFA) | min_w w^T Σ w s.t. w^T μ ≥ μ*, 1^T w = 1, w ≥ 0 |
POD-01 | Allokation optimaler Compute-Gewichte über heterogene Ensembles aus LLMs und deterministischen Verifizierer-Agenten zur Fehlerminimierung unter Budgetnebenbedingungen. |
| Wahrscheinlichkeitstheorie & Stochastische Prozesse (D-MATH) | N_eff = N / (1 + (N - 1)ρ̄) |
POD-01 | Analytischer Nachweis, weshalb 50 korrelierte Prompts bei ρ̄=0.70 lediglich N_eff≈1.42 unabhängige Experten ergeben; Konstruktion orthogonaler Agenten-Subräume zur Varianzreduktion. |
| Hochdimensionale Statistik & Ökonometrie (SfS D-MATH) | Σ̂_LW = (1 - δ*)S + δ*F |
POD-02 | Ledoit-Wolf-Kovarianz-Shrinkage und Marčenko-Pastur-Rauschfilterung für N > T zur robusten Schätzung von Agenten-Kovarianzen auf kurzen Evaluierungs-Benchmarks. |
| Aktuarielle Risikotheorie & Extremwertstatistik (D-MATH) | Σ⁻_ij = E[min(R_i-τ,0)min(R_j-τ,0)], CVaR_99%(L_w) ≤ M_audit |
POD-02 | Markowitz-Downside-Semivarianz (1959) und Rockafellar-Uryasev Tail-Risk-Schranken zur mathematischen Begrenzung katastrophaler Halluzinations- und Auditrisiken in produktiven Pipelines. |
| Finanzökonomie & Mathematische Finanzen (D-MATH / IFA) | w_tan ∝ Σ⁻¹(μ - c·1), SR(w) = w^T(μ - c) / √(w^T Σ w) |
POD-03 | Tobin-Separation im Prompting: Deterministischer Code und Formal-Verifizierer als risikofreies Asset (σ_0=0), kombiniert mit dem Tangential-Portfolio spekulativer generativer Sprachmodelle. |
| Sequenzielle Hypothesentests & Statistische Lerntheorie (SfS / D-INFK) | P(Type I Error) ≤ α (Neyman-Pearson FrugalGPT/RouteLLM Cascade) |
POD-04 | Dynamische Kosten-Genauigkeits-Kaskaden zwischen Basismodellen und SOTA-Reasonern unter Neyman-Pearson-Schranken; validiert an unserer 39-stündigen Open-Access CPE-Bibliothek ({preprints_url}). |
1. ETH getHIRED / Polykontakt & EPFL-UNIL Forum Career Center: Bewerbungen über das ETH getHIRED / Polykontakt & EPFL-UNIL Forum Career Center der Université de Lausanne (UNIL — Faculté des HEC, École de Lausanne) werden priorisiert geprüft: Reiche dein Transcript of Records (Leistungsüberblick) sowie deinen GitHub- oder Preprint-Link ein, um direkt die Einladung zum mathematisch-technischen Assessment zu erhalten. (RSS/XML Job Feed · iCal Open Office Hours · Google Classroom)
2. Python Seminar & Thesis Kit (/uni/ch-university-of-lausanne/lab.py): Das reproduzierbare 5-Minuten Python Seminar-Lab-Kit demonstriert interaktiv den Zusammenbruch naiver Prompt-Ensembles: Es berechnet die effektive Expertenzahl N_eff über empirische Korrelationsmatrizen von LLM-Outputs und implementiert die Ledoit-Wolf-Kovarianz-Shrinkage (Σ̂_LW) für verrauschte Benchmark-Matrizen im direkten Vergleich zur Markowitz-Effizienzgrenze.