A(z) Budapesti Corvinus Egyetem campusán a(z) M.Sc. & PhD in Economic and Financial Mathematical Analysis, Operations Research, Game Theory & Data Science előadásain és szemináriumain elsajátított mély elméleti tudás a modern autonóm ágensrendszerek legfőbb építőköve. Nemzetközi kutatói R&D podjainkban a hallgatók aszinkron remote munkarendben, közvetlenül éles produkciós kódbázisban alkalmazzák az egyetemi matematika 100%-át: a konvex optimalizálást, a többváltozós statisztikai zsugorítást és a sztochasztikus analízist. Felejtsd el a felszínes prompt-hackelést; nálunk az autonóm LLM-ágensek és determinisztikus verifikálók heterogén architektúráját rigorózus Markowitz-féle átlag-szórás portfólióként allokáljuk. Rugalmas, félévközi zárthelyikhez és kollokviumokhoz igazított kutatási modellünk teljes szinergiát teremt az egyetemi tanulmányaiddal, a TDK-dolgozatoddal és a diplomamunkáddal.
A heti munkavégzésed teljes mértékben aszinkron és önállóan beosztható: nincs merev munkaidő vagy blokkoló értekezlet. A kutatási és kódolási feladatokat zökkenőmentesen illesztheted az egyetemi előadások, laborgyakorlatok és elméleti feladatsorok (házi feladatok) közé.
Versenyképes, óradíjas nemzetközi kompenzáció ($20–$45/hr USD) rugalmas remote konstrukcióban. A félévközi zárthelyik (ZH-k) és a vizsgaidőszak szigorlatai alatt érvénybe lép a szigorú Exam-Safe protokoll: a heti óraszám 0-ra redukálható kötelezettségek nélkül, garantált pod-pozíció és ösztöndíj-megtartás mellett.
A podokban végzett kutatási eredmények közvetlenül hasznosíthatók szemináriumi dolgozatokban, TDK-pályamunkákban és BSc/MSc diplomatervekben. Minden kutatónk szabadon hozzáfér a 39 órás, akkreditált CPE tudástárhoz ({preprints_url}), és társszerzőként publikálhat a legfrissebb nemzetközi preprintekben.
| Egyetemi kurzus / Diszciplína | Matematikai tétel / Formula | Kutatói R&D Pod | Produkciós R&D Alkalmazás |
|---|---|---|---|
| Konvex és kvadratikus optimalizálás (Operációkutatás) | min_w w^T Σ w s.t. w^T μ ≥ μ*, 1^T w = 1, w ≥ 0 |
POD-01 | Optimális számítási erőforrás-allokáció (compute weights) heterogén nagy nyelvi modellek (LLM) és formális determinisztikus verifikáló ágensek között, Karush–Kuhn–Tucker (KKT) feltételek és másodrendű kúpprogramozás (SOCP) alkalmazásával a pontossági korlátok szigorú kielégítésére. |
| Valószínűségszámítás és korrelált kísérletek elmélete | N_eff = N / (1 + (N - 1)ρ̄) |
POD-01 | Annak elméleti bizonyítása, hogy 50 erősen korrelált ágens-prompt ρ̄ = 0,70 átlagos páronkénti korreláció mellett mindössze N_eff ≈ 1,42 független szakértőnek felel meg; ortogonalizált prompt-tervezés és kovariancia-alapú sokszínűségi regularizáció ágens-együttesekben. |
| Magas dimenziós matematikai statisztika és ökonometria (N > T) | Σ̂_LW = (1 - δ*)S + δ*F |
POD-02 | Ledoit–Wolf-féle analitikus kovariancia-zsugorítás és Marčenko–Pastur spektrális zajszűrés rövid értékelési mintákon (short eval benchmarks, N > T); a tapasztalati minta-kovarianciamátrix szingularitásának és numerikus instabilitásának eliminálása optimális δ* súllyal. |
| Biztosításmatematikai kockázatelmélet és szélsőérték-analízis | Σ⁻_ij = E[min(R_i-τ,0)min(R_j-τ,0)], CVaR_99%(L_w) ≤ M_audit |
POD-02 | Markowitz (1959) lefelé mutató szemivariancia-mátrixának és Rockafellar–Uryasev feltételes érték-kockázatának (CVaR_99%) integrálása a kritikus hallucinációs és futásidejű hibák korlátozására a garantált auditálhatósági küszöbérték (M_audit) mellett. |
| Pénzügyi közgazdaságtan és sztochasztikus analízis | w_tan ∝ Σ⁻¹(μ - c·1), SR(w) = w^T(μ - c) / √(w^T Σ w) |
POD-03 | Tobin-féle kétalapos szeparációs tétel éles szoftverrendszerekben: a determinisztikus fordítóprogramok és formális típusellenőrzők mint kockázatmentes eszköz (σ_0 = 0) kombinálása a sztochasztikus LLM-érintőportfólióval az aggregált rendszer Sharpe-hányadosának maximalizálására. |
| Szekvenciális hipotézisvizsgálat és adaptív döntéselmélet | P(Type I Error) ≤ α (Neyman-Pearson FrugalGPT/RouteLLM Cascade) |
POD-04 | Többszintű neurális kéréstovábbítás (multi-tier cascade routing) Neyman–Pearson döntési lemmák alapján, garantált elsőfajú hiba-korlát (α) mellett; a módszertani háttér és a nyílt kutatási eredmények elérhetők a 39 órás CPE archívumban: {preprints_url}. |
1. ELTE / BME / Corvinus Karrierközpont & Schönherz: A(z) Budapesti Corvinus Egyetem hallgatójaként a jelentkezésedet közvetlenül a(z) ELTE / BME / Corvinus Karrierközpont & Schönherz felületén keresztül vagy az egyetemi karriernapokon is benyújthatod. Kérjük, hogy a jelentkezéshez csatold a legfrissebb indexmásolatodat (különös tekintettel a matematika, valószínűségszámítás, analízis és algoritmuselmélet tantárgyak érdemjegyeire) vagy releváns GitHub/TDK publikációs linkjeidet. (RSS/XML Job Feed · iCal Open Office Hours · Google Classroom)
2. Python Seminar & Thesis Kit (/uni/hu-corvinus-university-of-budapest/lab.py): Önállóan futtatható, 5 perces Python szemináriumi laborcsomag, amely szintetikus LLM-evaluációs mátrixokon számítja ki a tényleges független szakértői számot (N_eff) és a Ledoit–Wolf-féle zsugorított kovarianciamátrixot (Σ̂_LW). Ideális demonstrációs eszköz egyetemi szemináriumokhoz, önképzőköri műhelyekhez és laborgyakorlatokhoz a többágenses döntési rendszerek korrelációs redundanciájának szemléltetésére.