Podcast

Dobrý den, moje jméno je Jirka Vicherek a vítám vás u dalšího dílu Datal Talk podcastu. Mým dnešním vzácným hostem je Filip Macner, CTO Qminers. Ahoj, Filipe.
Ahoj, děkuji za pozvání.

My se v dnešním díle podíváme na takzvaný market making, na to, jak fungují světové trhy a burzy a co v nich dělá právě Qminers. Než se dostaneme k našemu hlavnímu tématu, představil by ses našim posluchačům, prosím tě, Filipe? Ukázal bys, jakou cestu si ušel, než ses dostal k market makerovi Qminers?

Určitě. To chvilku potrvá. Tak já bych možná začal u svého úplně odlehlého věku. Myslím si, že můj dědeček, který mi už ve školce pořád dával nějaké matematické úlohy a nechal mě počítat objem bazénů a podobné matematické hříčky, už tenkrát skládal kamínky cestičky k matematice a programování. Potom, když jsem nastoupil na Gimplo, hned jak jsem uslyšel, že tam je seminář programování, říkali mi: „Jo, tam se určitě přihlas, to bude dobré,“ tak jsem tam šel. Myslím si, že tenhle iniciační impuls byl to, co mě na té cestě udrželo. Když si člověk v dvanácti letech najednou uvědomí, že počítač může ovládat opravdu hlubokými myšlenkami a vzorci, tak to zanechá stopu, řekněme.

Na Gimplu jsem potom v pozdějších ročnících programování i učil. Měl jsem takovou knížku jmenovanou Naučte se C++ za 21 dní. Taková to byla, kterou člověk za 21 dní podle mě ani nemohl přečíst. Tu jsem si vždycky schovával pod lavicí a nevím, kolikrát jsem musel jít do ředitelny, když mi ji zabavili, abych si ji vyzvedl zpět.

Potom už bylo jasné, že si vybírám ze škol, které mě tady v něčem dovedou dál. Jakou jsi nakonec vybral?
Vybral jsem nakonec MatFIS a to z jednoho prostého důvodu – protože mi přišlo, že tu technickou část se člověk dokáže naučit tak nějak sám a zdrojů na to je hodně. Ale naučit se tu teoretickou vědu je samostatně dost náročné, a na MatFISu to vypadalo, že přesně tohle umí.

Ostatně, když jsem...
A bylo to dost náročné?
Bylo, ale bylo to krásné. Vzpomínám si, jak jsem tehdy obcházel dny otevřených dveří a přišel jsem k jednomu stolečku, který byl oproti ostatním úplně prázdný, jen s cedulkou „Matematická analýza“. Stál tam nějaký profesor a já jsem za ním přišel a ptal se ho, jestli tam ještě bude něco připravovat, nějaké materiály. On říkal: „Ne, to já nepotřebuju. Tady kolega vedle dělá nějaké svoje modely, a proč bych měl mít jeho modely, když si je můžu vymyslet pěkně od začátku sám.“ My jsme si mysleli, že je to vtip a že se zasměje, ale ne, myslel to úplně vážně. A jeho krátký proslov nás přesvědčil, že MatFIS bude tou správnou cestou.

Následně, když jsem nastoupil na MatFIS, mám ještě jednu hezkou vzpomínku. Měl jsem samozřejmě velké oči, napsal jsem si spoustu přednášek – asi dvakrát tolik, než se dá stihnout. A někde po pár dnech jsem byl na přednášce Pravděpodobnosti a statistiky a se spolužákem jsme si...

(Tady text končí, pokračování by mělo navazovat na předchozí vyprávění.)

Zde je opravený a upravený text:

Sáli jsme poznámky a rozuměli jsme tak půlce z nich, a pak jsme stáli na zastávce s tím sešitem, listovali jsme v něm a říkali si: „A co je to teda ta sigma algebra? Je to množina, nebo množina množin?“ Najednou mi na rameni přistála ruka. Byl to profesor, který to přednášel, a říkal: „Kluci, prosím vás, dejte mi ten sešit, já vám to ukážu.“ A bylo mu úplně jasné, že jsme uchazeči, kteří právě přišli na vysokou školu. Půlka z těch lidí tam do půl roku nebude. A přesto tam s námi na té zastávce stál tři čtvrtě hodiny, prošel s námi celou tu hodinu znova, ujely mu tři tramvaje domů. Tenkrát to byl profesor Antoch. A myslím si, že tohle bylo… A vycítil potenciál, protože viděl množství vašich poznámek a zapálení pro diskuzi.

Pro nás to byl neuvěřitelný zážitek, protože jsme byli zvyklí na režim, ve kterém se spíš hledalo, za co vás někdo může na zkoušce vyhodit. To jsme slyšeli od našich kolegů a spolužáků z medicíny. A najednou jsme našli něco takového – bavilo nás to a zároveň tam byli lidi, kteří měli opravdu upřímný zájem vám to vysvětlit a tuhle jiskru ve vás rozhořet. No, takže jiskra rozhořela. Ty jsi teda absolvoval Matematicko-fyzikální fakultu, co z tebe bylo?

Co ze mě bylo? Byl jsem vystudovaný magistr, Matfyz má magistra v oboru umělá inteligence. A ještě na konci školy – teď se možná ještě malinko vrátím – protože umělá inteligence, když to dneska říkám, je možná něco trochu jiného než, jak si to lidé vysvětlovali tehdy. Kdy jsi tedy absolvoval, abychom to měli v časové posloupnosti?

To je skvělá otázka. 2014, 15 nebo 16, jeden z těch let.

Dobře. Bylo to v dobách, kdy deep learning byl ještě v plenkách. A ještě při škole jsem se vydal na stáž do Valeja, do týmu Davida Horiše, a dostal jsem tam jako stážista jednoduchý úkol: zjistit, co je to ten deep learning, připravit o tom nějaké materiály, prezentaci a ukázat jim, jak na to. Takže čerstvě ze školy. Zpětně to byla celkem dobrá příležitost pro nejmladšího člověka týmu. Ale byla to jedna z nejlepších prací, jakou jsem kdy dělal, protože jsem ráno přišel do práce, stáhl si články a materiály a pak celý den četl a dělal si poznámky. A čím víc jsem se do toho dostával, tím víc mi to přišlo jako magie – a to v tom dobrém slova smyslu. Bylo to opravdu kouzelné.

Přišlo mi, že to byl svět, ve kterém ani samotný autor moc nechápal, co se tam děje. Tehdy to byl Alex Krizhevsky, který vytvořil velký normovaný model na ImageNetu. Pro mě to byl člověk, který to vydržel díky své trpělivosti. Zatímco do té doby, když se učila nějaká neuronová síť, čekalo se třeba sekundy, občas minuty, a když se něco naučilo, tak se prostě ukončilo učení a šlo se dál, Alex Krizhevsky měl doma tehdy dvě grafické karty, napsal neuronovou síť, která používala paměť z obou najednou, kombinoval je dohromady a pak spustil učení. Učení trvalo týden, a to bylo samo o sobě neuvěřitelné – čekal celý týden. Po týdnu to bylo tak nějak naučené, nicméně…

Pokud chceš, mohu pokračovat s opravou nebo úpravou dalších odstavců.

Opravený text:

Xtra vzal learning rate, zvýšil ho desetkrát a nechal to učit další týden, a pak ještě jednou další týden, a vyšel mu z toho model, který překonal všechny sítě v datech, které do té doby existovaly. A to byla pro vědu i pro mě velká věc, protože lidé, kteří třeba desítky let pracovali v počítačové vědě a mysleli si, že SVM jsou budoucnost a deep learning je jen takový vedlejší směr, najednou viděli, že jejich výzkum neměl vlastně žádnou hodnotu. Bylo těžké se s tím smířit. Nicméně já jsem tehdy čerstvě vyšel ze školy, takže mi to přišlo krásné.

Ještě na jedné grafické kartě se model naučil barevné rysy, na druhé černobílé, a vlastně nikdo pořádně nevěděl proč. Lidé se pak pokoušeli nějak měnit architekturu neuronových sítí, ale vždy to dopadalo trochu hůř a nikdo nevěděl, proč. To byl pro mě takový start.

Líbí se mi také ten kontext, že teď hodně mluvíš o computer vision, což je důležité i pro Valeo, protože je to automobilová firma s velkým výzkumným centrem v Praze a v Ústí. Vyvíjejí tam autonomní dopravu, auta, lidary a podobně, takže počítačové vidění je pro ně klíčové. To jen pro kontext a pro rámec, proč byl obraz pro tebe tak zajímavý.

Obecně je dobré, když člověk vidí výsledky své práce. V deep learningu výsledky samozřejmě lze interpretovat různými způsoby, ale v computer vision je to doslova vidět. A z toho se odvíjela moje další trajektorie.

Přišel za mnou spolužák a říká: „Hele, pracuju v IBM, máme tam krásný projekt pro kliniku zabývající se asistovanou reprodukcí, máme nafocené time-lapse záznamy vývoje některých buněk a potřebujeme neuronovou síť, která se na to bude dívat s námi a bude nám říkat: tady je nějaká mozaicismus, tady je kolaps a tak dále.“ A já si říkal, že je to přesně to použití, které jsme zamýšleli – pojďme to zkusit. Tak jsem se zapojil do tohoto projektu v IBM.

Z toho vznikl krásný projekt, myslím, že to bylo jedno z prvních opravdu dobrých použití deep learningu u nás. Bohužel ten projekt skolaboval, respektive nedosáhl globálního úspěchu, který jsme chtěli – spíš z obchodních důvodů a proto, že nebylo jasné, kdo vlastní intelektuální vlastnictví. Od doby, co jsem odešel z IBM, o projektu už moc neslyším.

Nicméně computer vision mi zůstalo u srdce. O pár let později jsme se s několika spolužáky, se kterými jsme pracovali v IBM, rozhodli založit vlastní firmu zaměřenou na umělou inteligenci. Já, Adam Blažek a Petr Bělohlávek jsme strávili několik hezkých večerů v hospodě, kreslili vzdušné zámky a najednou jsme měli firmu, která tehdy ještě nebyla plně naší vlastnictvím, ale měli jsme jasný plán růstu a doufali jsme, že budeme dělat spoustu menších zajímavých projektů.

Tady je opravený text s lehkými stylistickými úpravami pro lepší plynulost a srozumitelnost:

Takový malej korporátík, custom řešení s chytrýma modelama pro různé zákazníky. Ukázalo se, že to není úplně dobrý nápad pro startup. Jeden z těch projektů, co jsme dělali, se jmenoval Isletnet a dodnes se tak jmenuje. Pro mě je to takový krásný, skoro až srdcový příběh.

Za námi tehdy přišel doktor z Ikemu, pan doktor David Habart, a říká: "Hele kluci, já tady mám takovéhle fotky nějakých tkání, které potřebuji transplantovat lidem, když experimentálně léčím cukrovku prvního typu. Hej, mám stovky fotografií a u každé jsem označil, kde je Langerhansův ostrůvek, a kde je exokrinní tkáň – tu tam nechci dostat. Čekám už dlouho na technologii, která to umí automaticky vyřídit."

A my říkáme: "Nemohl jsi to načasovat líp?" Takže jsme vzali všechna annotační data, která jsme měli, a udělali projekt, který čas anotace zkrátil z desítek minut na jednotky sekund. Měli jsme víc takových projektů.

Bohužel, jak jsem říkal, pro startup to není úplně ideální strategie. Startup je totiž tak nějak svázaný se škálováním. Investoři chtějí vědět, že když do něčeho dají peníze, tak se jim to zdesetinásobí nebo zestonásobí. Protože oni investují do deseti takových projektů a potřebují, aby se jim investice vrátila. Proto jsme hledali produkt.

Nicméně malinko jsem předběhl. Tahle firma, kterou jsme vlastně nevlastnili, také není pro startup ideální setup. Můj startupový mentor na mě křičí, že foundři startupů jsou klíčoví a potřebují velkou motivaci. Je to tak. Ale manažeři, se kterými jsme tam byli, byli ostřílení byznysmeni. Měli jasně vytyčený rajon, byli dost přísní, a my jsme pořád byli mladý začátečníci. Byli jste rádi, že to můžete dělat?

Pak přišla vážná diskuze, kdy jsme řekli: "Hele, pojďme z toho udělat opravdový startup, chceme tam podíly, velké podíly, pojďme do toho jít spolu." Ale úplně to nešlo podle jejich názoru a tak jsme se domluvili, že v tomhle složení to nemá úplně smysl.

Pro mě to bylo velké ponaučení – když řeším nějakou spolupráci, je snadné rozdávat z něčeho, co ještě neexistuje. Je dobré být dobře domluvený předem. Nemusí to být 60stránková smlouva – i takovou jsme měli, protože chtěli vždycky giganticky precizní smlouvu –, stačí memorandum a je dobré se na tom shodnout.

Už při takové diskuzi se objeví otázky, na které se nikomu nechce odpovídat, ale je důležité je řešit.

Takže jsme se tady s Adamem a Petrem zase dali dohromady, založili jsme vlastní firmu Itterite. Bohužel jsme se ještě zcela neponaučili z těch menších projektů a pořád jsme si mysleli, že budeme dělat custom řešení tady pomocí AI – úplně novinky, každej to přece bude chtít.

Podle mě to byl trochu případ „too early“. Pokud jste byli u toho, tak...

Pokud chceš, mohu pomoci i s další částí textu.

Tady je opravený text s lepší gramatikou, interpunkcí a srozumitelností:

Ali Itterite?

To bude tak 10-12 let zpátky, odhadem. Hledali jsme tehdy ten produkt pro náš startup a měli jsme docela zkušenosti s computer vision, ale pořád jsme nevěděli, jak to úplně chodí ve startupech. Napadlo nás, že budeme dělat chytré kamery. Někteří výrobci hardwaru začali vyrábět chytré čipy přímo na neuronové sítě.

Říkali jsme si, že budeme spouštět neuronky přímo na tom zařízení, a pustili jsme se tedy i do hardwaru. Měli jsme a stále máme chytrou kameru, která má AI čip přímo uvnitř. Kamera se například dívá na zákazníky, kteří vstupují do nějakého obchodního centra, počítá je a hlásí to obchodnímu centru.

Řekne například: „Včera u vás bylo 2000 lidí, z toho polovina byli ženy, polovina muži, nejraději chodili do tohoto obchodu“ a podobně. Krásné na tom je, že je to datově bezpečné – jakmile se vyfotí ta fotka, analyzuje se a během pár milisekund se smaže. A nepříjemné na tom bylo, že hardware není úplně nejlepší nápad pro startup. Hardware špatně škáluje, vyžaduje obrovské iniciální investice a pro nás to bylo těžké.

Takže nějak jsme to zvládli, občas jsme museli vytáhnout páječku a opravovali jsme nějaká zařízení přímo na stole v kanceláři. Dneska bychom to ale rozhodně udělali jinak, retrospektivně.

No, to se dostáváme k tomu vašemu asi největšímu projektu, když mluvíš o pájení v kanceláři.

Ano, následně jsme se dozvěděli, že Praha vyhlašuje výběrové řízení na kontrolu parkovacích zón.

Populární řešení.

Ano, a je to zároveň dobré, protože si to lidi často neuvědomují, ale například když člověk zaparkuje před domem bez parkovacího oprávnění, situace je pak horší.

Každopádně to byl další hardwarový projekt. Představili jsme si to trochu jako hrubý přístup – to je taková klasická vlastnost českých startupistů.

Startupistů obecně.

Říkali jsme si, že to nebudeme dělat proto, že je to jednoduché, ale protože jsme si mysleli, že to bude jednoduché.

Tak jsme si řekli, že vezmeme nějaké existující řešení, přizpůsobíme ho, nasadíme, a znělo to všechno růžově. Nakonec jsme však zjistili, že žádné existující řešení nesplňuje naše poměrně vysoké nároky.

Postupně jsme tedy odbourávali externí části a začali vše řešit in-house.

Naučili jsme se vlastní neuronové sítě, začali jsme vyrábět vlastní hardware. Náš CEO Adam Blažek tehdy během velmi krátké doby poskládal mladý, ale super schopný tým lidí – hardwarové inženýry, fullstack developery v Pythonu a TypeScriptu, a programátory low-level v C++.

Sedli jsme si do jedné místnosti a říkali: „Máme na to tři měsíce, pojďme do toho.“ Všichni to vzali hodně vážně a pracovali téměř nonstop.

Vzpomínám si, že jednou jsem říkal své ženě v sobotu, že půjdu do práce a večer si pustíme nějaký film. Pak jsem tři týdny nepřišel domů. Skutečně jsme dokázali do výběrového řízení dodat plně funkční prototyp. Koupili jsme dvě staré fabie za pár tisíc nebo desítek tisíc korun, na které jsme montovali kamery obrovskými šrouby, které nám občas prorazily střechu...

Pokud chceš, mohu text ještě dále zkrátit, přeformulovat nebo doplnit.

Opravený text:

Chu, ale oni už tam asi nebyli díry, to byly nějaké staré policejní fáby, jak tam byly díry od majáčku. Naskládali jsme se čtyři lidi do toho autíčka, vzadu s těma notebookama, vpředu byl připravený ten hardware a řekli, že jednou tam něco bude potřeba opravit. Zúčastnili jsme se takové soutěže v nějaké mezinárodní konkurenci asi šesti firem a vyhráli jsme to. Vyhráli jsme to hodně. Měli jsme asi dvakrát víc bodů než tým za námi a asi tak poloviční cenu. Pro mě to byl neskutečný zážitek. Sice mi to určitě zkrátilo život o mnoho let, ale to, že dokážeme pár lidí tady v českém prostředí s minimálníma prostředkama porazit nějakou mezinárodní konkurenci, která je v tom oboru třeba roky, bylo pro mě opravdu oči otevírající.

Samozřejmě ten core, který jsme udělali, nevydržel moc dlouho. Bylo potřeba ho výrazně zrevidovat a dostat do nějakého produkčního stavu, takže to nebyl konec tohohle příběhu. S kolegou jsme, jakmile začal provoz, ještě pořád programovali a zároveň jsme se museli starat o provoz. To znamená, že nám řidiči volali třeba i v noci. Několik dní jsme spali v kanceláři a obden jsme se střídali na noční službě, což znamenalo třeba pět hovorů za noc. Někteří řidiči si mysleli, že jsme na službě a čekáme tam někde u monitoru, ale my jsme spali. Takže jsme se vždycky probudili, člověk koukal, kdo mu volá, žmouřil očima na telefon a zkusil říct deset slov. Pak to vzal naprosto profesionálním tónem: "Dobrý den, tady Filip Macner, jaký máte problém?" Když jsme pak konečně po těch mnoha týdnech šli domů, tak když jsem bral telefon vedle ženy, naučila se ho úplně ignorovat a vůbec nevěděla, že se něco děje. To byly takové startupové časy.

Možná se dostaneme i k Qminus. V Iterate už máš podíl, takže jsi startupista. Podle toho, co vyprávíš, jste nějakým způsobem ten byznys našli. Co se stalo, že v posledních třech čtvrtě rocích máš novou pozici, novou roli? Co tě vedlo k tomu, že jsi letos změnil působiště z vlastní firmy do zaměstnaneckého poměru?

Zaměstnanecký poměr v Qminus není úplně ten korporátní zaměstnanecký poměr, jak si člověk může představit. Jakmile se projekt dostal do fáze, kdy už to bylo hlavně o provozu a byznysu, moje přidaná hodnota přestala být tak velká. Tak jsme se s klukama domluvili – řekl bych úplně v dobrém, pro dobro všech –, že budu hledat příležitosti jinde. Nemusel jsem chodit daleko, Qminus je jedním z investorů, takže jsem se zeptal tehdy Petra Zahradníka, jestli nemají nějakou pozici, která by mi mohla sedět. Petr obratem říkal: "Jo, pojďme se domluvit se všemi, jestli s tím souhlasí, a pojď si u nás zkusit pozici CTO, kterou už dlouho hledáme."

Samozřejmě přechod z podnikání do zaměstnaneckého poměru j... (zde text pokračuje).

Jistě, tady je opravený text s lepší gramatikou a stylistikou:

E obvykle takovej ubíjející, řekl bych. Ale v Qminus se hodně snažíme, aby člověk byl odměňován za to, co opravdu přinesl. A není to vlastně tak daleko od té podnikatelské stavby. Snažíme se, aby ty podnikatelské duše měly svoje místo a aby je to uspokojovalo. Ideálně bez těch věcí, které dělat nechtějí – bez toho obchodního ražení, bez těch operací.

To je zajímavé, ten core toho, co startupista chce dělat.

No, ale jste v celkem unikátní pozici. Když se podíváme na Qminers, tak vy vlastně nemáte klienta, jste sami sobě pány, respektive máte vlastníka Petra, a děláte market making. Tak asi než se dostaneme přesně k Qminers – co je to vlastně market making?

Market making, neboli tvůrce trhu, je algoritmické obchodování, ale ne úplně v tom smyslu, že dneska nakoupí a zítra prodají dráž. Jde o to, že market maker stojí vždycky na obou stranách burzy. Je vždy ochotný nakoupit i prodat a snaží se, aby vzdálenost těchto dvou cen byla co nejmenší. Je to jasný důvod, protože market maker jako Qminers je regulérní účastník trhu. Dneska už to není tak, že by někoho předbíhal nebo měl data, která nikdo jiný nemá. Když si od nás někdo něco koupí, znamená to, že jsme mu právě nabídli nejlepší cenu. Naopak když my od někoho něco kupujeme, znamená to, že jsme mu nabídli nejvyšší možnou cenu. A kdybychom byli na obou stranách moc daleko od sebe, nikdo si od nás nikdy nic nekoupí, protože by tam vždycky stál někdo, kdo to prodává levněji.

Tohle je dvousečná zbraň. Na jednu stranu market makeři výrazně zvyšují likviditu trhu – snižují spread a dostávají cenu produktu na jeho férovou úroveň. Pak firmy, které chtějí nakoupit velké množství nějakého produktu rychle, to mají mnohem jednodušší.

Pro příklad – aerolinka prodá letenky na příští rok a tím si vlastně zafixuje maximální zisk, který může získat. Jenže pokud do příštího roku zdraží ropa a tím i palivo, může se stát, že na letenkách začne prodělávat. Aby se tomu vyhnula, zahedžuje se, snaží se zafixovat cenu pomocí finančních derivátů. Ta aerolinka má obrovský objem paliva, který potřebuje, a přijde na trh s tím, že chce koupit hodně, ideálně hned. Kdyby na trhu nebyli market makeři, musel by tuto pozici budovat týdny. Musela by mít vlastní obchodní oddělení, které by ty pozice budovalo postupně, po menších částkách. Ale to není jejich core business – jejich core business je létání s letadly.

To je naopak core business Qminers. Díky tomu, že market makeři jako Qminers jsou na trhu, může aerolinka přijít a…

Pokud chcete, mohu opravit i pokračování, když ho dodáte.

Jistě, tady je opravená verze textu:

Jí to prostě dáme a to riziko si na sebe přebereme. A to je ta druhá strana té sekury. Tím, že stojíme na obou stranách, když se ta cena pohne, je vlastně úplně jedno, jestli se to pohne nahoru nebo dolů, v obou případech, když to nějakým způsobem nečekáme, tak nás to smete. A čekat je těžké. Zní to jako dost těžká pozice – prodávat nejlevněji, nakupovat nejdražší a brát na sebe celé riziko jakékoliv změny trhu. Je to tak, no. Nicméně je to náš core business, stejně jako třeba pojišťovna, která bude dělat podobnou práci, akorát na základě toho, kolik lidí si zlomí nohu nebo je srazí auto. Super.

Jak dlouho jsou tady Qminers? Qminers existují přibližně 10 let. Jak velká je to firma? Je nás asi 40, dnes už něco kolem 40. A teď si člověk řekne, to je strašně málo na to, aby se dělal takový business. A to je pravda. Člověk nemůže dělat samostatně takový business, aniž by měl nějakého partnera, nebo aby byl dostatečně velký, aby si dokázal ty věci zpracovávat sám.

Qminers se snaží soustředit na to, v čem jsme dobří. Chceme mít tady chytré hlavy, chceme dělat složitou matematiku a technologie, ale nechceme řešit jízdu se servery nebo síťováním. Nechceme se zapojovat do reků, nechceme řešit papírování a podobné záležitosti. Takže máme velkého amerického partnera, který nás zaštiťuje z tohoto pohledu, a my mu efektivně dodáváme software, který potom běží přímo na těch samotných platformách.

Zní to, že z mých nějakých předsudků či stereotypů tohoto trhu jsem si market makera představoval jen jako RSJ, a díky jejich příběhu jsem se dozvěděl, že něco takového opravdu existuje a nějak to plus minus funguje. Připadá mi to, že je to velmi výsostné postavení, na které si sáhne jenom pár firem.

Když jsme se tady bavili, v Praze je víc market makerů, nejen RSJ a vy. Legislativně se to posunulo. Je to tím, že ty americké firmy to zaštiťují a vy se můžete starat a soustředit na tu část, která je pro vás podstatná – nemusíte mít třeba takovou hloubku nebo šířku portfolia, ale můžete se zaměřit na to, jak to funguje.

Je to tak i ne. Na jednu stranu je to snažší díky velkým partnerům, kteří zaštiťují ostatní týmy, a na druhou stranu těch firem po světě, které to dělají, je stále víc a konkurence je obrovská. Řekl bych, že je to jednodušší z byrokratického a operačního pohledu, ale složitější z pohledu, jak chytrý člověk musí být. Takže snazší se stát market makerem znamená těžší být úspěšným market makerem.

A zároveň market making není jen jeden druh. V Praze jsou asi čtyři konkurenti nebo čtyři firmy, které to dělají, co máme na trhu. Některé firmy si celou infrastrukturu a operace zajišťují sami, my například ne a vlastně ani nechceme. Některé, například Second Foundation, se zaměřují primárně na energii. Qminers zase na obchodní deriváty. Je tady i firma, která se snaží market making dělat zcela moderním způsobem, přes reinforcement learning end-to-end, a je t---

Pokud si přejete, mohu pokračovat s dokončením poslední věty nebo textu.

Jasně, tady máš opravený text:

Je to spíš experimentálnější projekt, zatímco Qminers ten problém market makingu spíš rozkládají do jednotlivých částí – predikce ceny, strategie a tak. Přístupů a trhů je tolik, že si tam vždycky člověk najde svoje místo.

Ještě otázka – když je z mého pohledu pozice market makera spíše nevýhodná nebo těžká, co je výhodou být market makerem? Proč nejste tradři? Je to spíš o vašem know-how, nebo spíš o tom, že prodáváte rýče místo zlata? Tedy, že děláte trh spravedlivější a trader spíš využívá nespravedlnosti na trhu? Nejsem si jistý, jestli se to u tradingu dá takhle kvantifikovat.

My se určitě snažíme dělat trh spravedlivější a taky to má co do činění s tím, jaké krásné věci děláme. Trader, pokud to dělá ručně, třeba daytrader, se dívá na grafy, snaží se dělat úvahy, a pak podle zpráv nebo třeba předpovědí počasí provádí obchody. My se snažíme celý systém specifikovat tak, aby ideálně nepotřeboval lidskou interakci. Líbí se nám tomu rozumět do té úrovně, aby to mohlo „myslet“ za nás.

Další výhoda je, že máte ty nejrychlejší informace přímo z burzy, že? Jak jsi zmiňoval amerického partnera a službu, každý market maker má svůj server přímo připojený k burze, který pomáhá s market makingem.

Market making se obecně dá rozdělit podle časových horizontů, na kterých se predikuje. Ti nejrychlejší operují v řádu desítek nanosekund. To je vlastně jako rychlost světla – světlo za jednu nanosekundu urazí asi 30 centimetrů. Nejrychlejší tradeři tak reagují v desítkách nanosekund, což znamená, že světlo stihne ujít pár metrů, zatímco procesor zvládne vykonat jen pár desítek nebo stovek cyklů.

Na světě je mnoho burz a jejich produkty jsou často korelované. Například burza v New Yorku a burza v Chicagu – než světlo „doletí“ z jedné na druhou, trvá to asi 4 milisekundy. Nejrychlejší reakce na impuls z jedné burzy jsou kolem 4,2 milisekundy, takže zde jde o opravdovou „speed game“.

Tohle ale není hra pro každého. Existují i pomalejší tradeři, kteří místo rychlosti staví svůj byznys na chytrosti. Třeba Qminers patří do této kategorie, kde reakce probíhají v řádu desítek či stovek mikrosekund.

Pak je zde oblast, které se už neříká HFT (High Frequency Trading), ale MFT (Mid Frequency Trading), kde se pohybujeme v řádu sekund či minut – záleží na konkrétní strategii. Všechny tyto oblasti jsou ale úplně jiná hra.

Když hrajete na rychlost, je to zpravidla téměř bezrizikové. Člověk například poslouchá dvě tržní linky a jakmile přijde impuls z jedné linky, hned v druhé použije arbitrage.

Pokud chceš, můžu text dál upravit nebo přeformulovat, aby lépe odpovídal tvému stylu.

Tady je opravený text:

Je to taková arbitráž. A jde hlavně o investice do technologií, investice do infrastruktury. Tyhle firmy si kupují vlastní mikrovlákna, která komunikují právě mezi těmito burzami, snaží se skupit lepší pozemky, aby zkrátily vzdálenost. Tohle je hra, u které si nejsem úplně jistý, jestli vlastně světu něco přináší. A čím delší časový horizont člověk zvolí, tím větší riziko na sebe bere. Ale zároveň si myslím, že i tento přínos je větší.

Qminers v tuto chvíli určitě nehraje tu speed game, nejsme úplně jako flashboys, jak se říká… Flashboys, aha. Proč jsem tohle načal? Když chceme reagovat třeba v rámci desítek nebo stovek mikrosekund, není možné mít nějakou centralizovanou rozhodovací mašinu. Není to tak, že bychom poslali data do cloudu, kde by se rozhodlo, a pak je poslali zpátky. Dnes je marketmaking nutně spojený s něčím, čemu se říká kolokační servery. Jsou to servery, které běží přímo na kolokaci v burze. A ačkoliv spolu servery komunikují, to hlavní rozhodnutí dělají přímo tam, protože nemají čas — ta latence by je zabila. Přesně tak. Zároveň ty servery spolu musí nějak komunikovat. Třeba jeden server dostane impuls a rozhodne se, že potřebuje někde zahýbat, vytvořit si jinou pozici. Jenže to mohl udělat i server na druhé straně planety, takže oba mohou dělat to samé, a například jeden pozici zase sníží. Je to velmi komplexní asynchronní systém.

Když se vrátíme ke Qminers, tak mě překvapuje, že vás je jen něco málo přes 40 lidí. Představil bych si větší firmu, když říkám, že vytváříte trh na světových burzách v Americe i Evropě a řešíte, jak putuje světlo mezi Chicagem a New Yorkem. Jaký je váš core business? Na co se tedy zaměřujete?

Qminers primárně obchodují finanční deriváty. Důvod je hlavně historický, protože u derivátů je celkem jedno, jestli je člověk v takzvané long nebo short pozici, jestli tedy derivát drží nebo jestli ho má a chce jej prodat. Je to všechno relativně symetrické, což zatím usnadňuje matematiku. Proto se Qminers na začátku pustili právě do derivátů. Obchodujeme dnes stovky produktů a máme desítky kolokačních serverů.

Nedá se úplně říct, že bychom dělali jen jeden druh obchodování. Naopak se snažíme z celkového spektra vyzobat to nízko visící ovoce a pořád hledáme, kde bychom mohli využít naše know-how a kde by to mohlo prospět danému druhu obchodování.

Mám si představit třeba dluhopisy? Jsou to finanční deriváty?

Spíš než dluhopisy jde například o různé druhy futures, opcí, potenciálně čehokoliv, co se dá obchodovat.

Super. Říkáš, že máte stovky produktů. Čím rostete? Přidáváním nových produktů, nebo objemem, který v těch produktech provádíte, či technologií samotnou? Když se posune vaše technologie, získáváte tím lepší pozice v silné konkurenci?

Oběma směry. V tradingu nejde nechat stejný kus so---

Pokud chceš, můžu pokračovat v opravě i dalších částí textu!

Software nepoběží navždy. Je tam dost rychlý decay. Pořád vás někdo předbíhá – technologicky, tedy rychlostně třeba, ale také vás někdo předbíhá i tou chytrostí, naučí se konkrétně číst vás. Zkrátka to nejde. Musíme pořád na těch produktech pracovat, takže tím roste. A druhá část našeho růstu je určitě dívání se na nové burzy, nové produkty. Super.

Když se podíváme na těch 40 lidí, co jsou to za lidi? Co dělají? Jsou tam vysloužilí tradeři, co říkají „tady ne, to je špatný signál“, nebo naopak, jak jsi říkal, data scientisti, matematici? Jak to máte?

My to rozdělujeme na tři sekce: máme analytiky, máme Python developery a máme C++ developery. Když začnu u těch analytiků, nedá se říct, že by to byli tradeři, respektive jsou určitě v menšině. Řekněme, že primárně jsou to lidé s matematickým nebo fyzikálním vzděláním.

Já ty tři oddělení přirovnávám trošku ke stavařině. Analytik je takový architekt, umělec. Má své štětce a kreslí si své modely a plány. Naše Python oddělení se stará o infrastrukturu, takže je to takový pronajímatel ateliéru, zajišťuje, že tam pořád mají dost pláten, štětců a barev. No a C++ oddělení je stavební firma, která pak ten obrázek přemění ve skutečnost a má za úkol ten dům postavit.

Každý z těchto týmů má hodně jinou specializaci a odlišný fokus. Mezi analytiky to není tak, že by 20 lidí pracovalo na jednom produktu. Je to rozděleno přibližně na pět týmů, kde každý má zase trošku jiné zaměření. Někdo je spíš na mid-speed trading, někdo jiný...

A co je tedy výstupem práce analytika? Řekne, že půjdeme do tohoto trhu a budeme dělat tento finanční derivát? Nebo, jak jsi mluvil o architektech, vytvoří model? Obojí. Analytik má za úkol – my jsme kvantitativní, všechny naše úvahy a teorie chceme podložit daty, pokud to jde. Takže analytik může přijít s tím, že ho zajímá daný produkt, ale následně musí přinést analýzu: tady je potenciál takového market share, dokážeme z toho získat tolik peněz. U nás jsou peníze docela dobrým měřítkem, protože všechno se kolem nich točí. A analytik je odpovědný i za to, že přijde s konkrétním modelem, podle kterého se bude na burze a produktu obchodovat.

Naši Python developeři, kterým říkáme „pajdeváci“ (z Python týmu), mají za úkol skládat infrastrukturu, například načíst burzovní data, připravit vizualizace – máme několik grafických nástrojů, které ukazují order book, tedy pozice ostatních hráčů. Analytik by se měl zaměřit čistě na analytickou část, tedy zjistit, jak trh funguje a jak na něm obstojí.

Potom, když se ověří jeho teorie, přijde za C++ oddělením a řekne: „Tady mám model, dostaňte mi ho do produkce.“ A do produkce znamená na kolokační servery...

Určitě, tady je opravený text:

Server na té burze. Přesně tak, do produkce to znamená, že někdo z C++ oddělení musí jeho model přeinplementovat z Pythonu do C++. Při tom vzniká spousta zajímavých otázek. Přece jenom C++ developeři jsou mnohem blíže hardwaru, latencím, takže často zpochybňují některé prvky modelu. Například když někdo počítá exponenciálu - třeba když se počítá A na X a X je 1,02 - C++ developer se zeptá, zda opravdu musíme počítat tuhle exponenciálu. Nemůže se ten krok vynechat, když je to tak malé? A velmi často analytik odpoví: „No jo, pro mě jako analytika je to jedno, že je tam nějaký další výpočet navíc.“ Ale když mu C++ developer vysvětlí, že jde o milisekundy, a jim zase o mikrosekundy, podle trhu a produktu, tak se to potom řeší.

Aha, takže vaši PyDeváci tak řeší i frontend, když řeší platné štětce? Ano, přesně tak. Analytik si asi dívá na nějakou aplikaci, ne? PyDev oddělení kromě samotných Python skriptů a infrastrukturních věcí řeší i frontendy. To, že se jmenují PyDev, je spíš historický delikt, řekl bych. Tvoří mnoho vizuálních nástrojů. Nechtěl bych být členem PyDev týmu a neumět Python. To je pravda, ale máme tam i lidi, kteří dělají React, TypeScript, a cokoliv je potřeba.

Já jsem nastoupil do Qminers poté, co Qminers rychle vyrostli. Ještě před pár lety měli deset lidí. Takový rychlý růst ale zanechává díry – nejen personální, protože moje pozice tam dříve nevznikla a Qminers ji hledali, ale i technologické. Vznikl poměrně velký technologický dluh. Spousta nástrojů byla navržena pro mnohem méně produktů, méně burz, méně lidí. Teď nás čeká větší modernizace. Neustále hledáme nové schopné vývojáře. Laťka u nás je velmi vysoká, a proto to trvá déle. Chceme přestavět všechno, na co se analytici dívají, aby to odpovídalo moderním standardům.

Jak důležitá je rychlost u analytiků? Vlastně, ti analytici, když říkáš umělci a architekti, mají hodně prostoru to vymýšlet, ne? Když si představím analytika na burze, tak si představuji někoho, kdo má tři vteřiny na reakci, ale není to tak. Je to spíš kamínek po kamínku, stavíte obrovskou mozaiku a šelmou stroji budou dělat spoustu věcí. V té práci se rychlost měřená v milisekundách a mikrosekundách promítá do širšího horizontu uvažování, chápu to správně?

Určitě. Analytik je zodpovědný za svůj produkt, takže když vymyslí nějaký stroj, který na historických datech funguje skvěle, ale v produkci se jeho výpočet nebude počítat třeba půl sekundy, nikdy nestihne vybudovat svou pozici včas, a proto to nebude fungovat. Analytik tedy rozhodně musí přemýšlet i o latencích svého nápadu. Samozřejmě, zpravidla nemají tolik technologických zkušeností…

Pokud chceš, mohu text ještě více upravit, rozčlenit, nebo zjednodušit.

Ností, často nemají ani úplně hluboké technické vzdělání, takže jim s tím musí někdo pomoci. Celkově to, že máme oddělené tři týmy – analytiky, Pydev a C++ – sice na jednu stranu je efektivní díky specializaci, na druhou stranu to občas způsobuje bloky. Analytik někdy vytvoří něco, co by mu C++ developer nebo Python developer okamžitě vyvrátil, kdyby ho měl přímo v týmu. Ukázalo se proto, že když přijde člověk s hlubším stackem, dokáže přinést nápady a myšlenky, které do té doby vůbec nebyly na stole.

Přijde mi, že máte tu hlubokou specializaci – analytici spíše tví spolužáci z MatFizu, a pak to jde víc do tvých aplikovaných zkušeností. A zase vidím, proč Petr souhlasil nebo navrhl pozici CTO – v tobě vidí více těch oblastí. Naučit se C++ za 21 dní na jedné straně, aplikovaný machine learning na straně druhé a matematiku na té třetí – takže máš blízko ke všem třem týmům.

Jak to funguje v kódu? Kde to běží? Analytik přijde s matematickým modelem, na základě věcí, které dělají Pydeváci, ho vymyslí a ověří, a potom C++ developer to implementuje na serveru v nejčistším možném kódu, protože jde o milisekundy. Chápu to správně?

Ano. Analytik tráví hodně času u tabule, kreslí, píše vzorečky, co počítá. Potom, aby to nezačalo špatně fungovat, vytvoří nějaký kód, hlavně aby vyzkoušel, jestli to funguje na jeho části, například na časové řadě. Pydev oddělení je zodpovědné za to, aby jeho kód převedlo do udržovatelné podoby, která je použitelná i pro ostatní. C++ developer často už neřeší samotnou myšlenku, ale pracuje s konkrétními parametry a vzorci, neaplikuje už další matematiku.

A chápu správně, že C++ část je totální optimalizace na serveru, protože jde o milisekundy – každý řádek kódu je důležitý?

Přesně tak. Nejen každý řádek, ale každá instrukce je důležitá. Naše C++ oddělení si dává záležet na optimalizaci tak, aby zjistili, jestli náhodou někde zbytečně nelogují nebo nepočítají něco, co není nutné. Výsledkem je velmi optimalizovaný kód, který řeší otázky jako: dopadne tahle podmínka vždy stejně? Je to dobrý prebenchprediktor? Vejde se to do L1 cache? To jsou detaily, které analytik nikdy neuvidí.

Lidé si často myslí, že se věnujeme rozsáhlým modelům strojového učení nebo deep learningu, ale ve financích to často není pravda. A keyminers nejsou výjimkou. Nevyhýbáme se těmto věcem, ale často se ukáže, že to, co předikuje nějaký komplexní model, lze velmi dobře aproximovat něčím jednoduchým, co vyžaduje zlomek výpočetních zdrojů.

Můžeš uvést nějaký konkrétní příklad?

Můžeme – například se v posledních letech v akademii ukázalo, že velké modely... [text končí].

Jistě, zde je opravený text:

Hluboké neuronové sítě nemusí při predikci časových řad vždy poskytnout výrazné výhody oproti lineárním modelům. Jakmile se objevil první Transformer v článku Attention is All You Need a začal být úspěšně aplikován na textová data, lidé ho začali adaptovat téměř všude. Použili ho na vizuální data, na zvuk a nakonec i na matematiku při predikci časových řad. Zpočátku to šlo, Transformery vyhrávaly soutěže, ale postupně se ukazovalo, že někdo vždy dokázal vytvořit o něco jednodušší model, například jen nějaké MLPčko.

Nakonec se pár lidem podařilo vytvořit jednoduchou lineární vrstvu, která tyto Transformery zcela převálcovala. Loni pak Google přišel s dalším modelem na predikci časových řad, který je založený na úplně jednoduchém perceptronu. Jenom se data transformují přes vhodné příznaky (features) a časové posuny, a tím posunuli výsledky ještě o kousek dál. Takže ne vždy je deep learning nebo velký model výhodou. Vše záleží na tom, jak vypadají data, která používáme.

U dat z humanitních oborů používáme data, která člověk nedokáže snadno pochopit nebo popsat. Naopak u vizuálních dat, například obrázků, je možné data velmi jednoduše popsat – například: vidím žluté auto jedoucí po silnici uprostřed pouště, na pozadí je hora. Takže tyto údaje mají relativně nízkou entropii. Naopak tržní data jsou plná šumu a je velmi složité oddělit signál od šumu. Když se na to člověk dívá chronologicky, často není schopný přesně říct, co se stalo.

Můžeš specifikovat, co vlastně znamenají “ta data”, se kterými pracujete? Jaký je vstup do vašeho modelu? V podstatě je to stejné na všech burzách – vstupní data jsou časová řada, kde každý časový bod představuje jeden order book. Abych vysvětlil, co je order book: v každém okamžiku na burze stojí nabídky na nákup a prodej, což se nazývá order book, a ten se mění milionkrát za sekundu. To je vstup, který přijímáme.

Samozřejmě to je zjednodušené, protože ve skutečnosti by linka takového objemu dat nezvládla přenášet kompletní order book v reálném čase. Burzy často posílají jen dílčí aktualizace a jednou za čas kompletní snapshot. Data přecházejí přes multicast, který není vždy spolehlivý, a běžně se stává, že se nějaká data ztratí. Takže musí být systém vůči tomuto robustní.

Data jsou obrovská, záleží na několika parametrech – burzy, produkty, atd. Na některých produktech se denně načítají desítky gigabajtů dat, a je často docela problém je jen uložit. Navíc jsou burzy třeba na druhé straně světa, takže abychom se k datům dostali, často musíme pracovat vzdáleně.

Když mluvíš o signálu versus šumu, záleží to na velikosti dat – musíš si vybrat, co je relevantní. Není to však tak, že by data byla uměle zašuměná. Šum v datech je přirozený, například některé IDčka v order booku mohou být neplatná nebo jinak neúplná.

Pokud chceš, mohu text ještě více upravit nebo zjednodušit.

Jasně, tady je opravený text, aby byl gramaticky správný a plynulý:

Ak z princípu. Tá data sú fundamentálne zašumená, povedal by som. To má dosť jednoduchý dôvod. Každý si asi dokáže predstaviť nejakú finančnú krivku niekde z Yahoo Finance. A keby človek dokázal odhadnúť, kam tá krivka pôjde v nasledujúcich niekoľkých sekundách alebo minútach, tak je z neho boháč. Akúkoľvek informáciu, ktorú z tých dát dokážete vyextrahovať a ktorá bude mať výrazne vyššiu než 50% šancu na pravdivosť, tak tú môžete jednoducho využiť a zarobiť na nej. Lenže to, že to urobíte, to, že na tom niekto zarobí, znamená, že tú informáciu zároveň zmení, ako keby zneutralizuje. Náhle tá informácia už nemá hodnotu, pretože ju už niekto využil. Takže to, čo na burzách vidíme, je naozaj často len šum, pretože reálne informácie už boli z dát vyextrahované. Veľa ľudí sa pozerá na takéto časové rady a myslí si, že na nich dokážu ručne obchodovať. Lenže musíte vedieť, čomu presne sa venujete, ja neviem, čo sa dnes presne používa.

Inak sú tu platformy ako Robin Hood alebo eToro či niečo podobné, a človek si povie: „Tyjo, teraz to stúpa nahor, kúpim, kúpim, potom to predám a zarobím.“ Tomuto sa hovorí noise traders. Toto všeobecne neodporúčam robiť. Aby človek mohol obchodovať napríklad akcie, vybrané selektívne akcie, musel by mať naozaj veľmi hlboké znalosti o tom, čo tá firma presne robí, aké má plány, a na tom stavať svoje rozhodnutia. Obchodovať single stocks na základe časových sérií je rovnaké, akoby ste išli staviť na lotériu.

Ako sa teda zmenil tento obor kvôli kvantitatívnemu a algoritmickému obchodovaniu? Zaujímalo by ma, či to robí prácu obchodníka ťažšou, pretože algoritmy sú v podstate jeho konkurenciou. Máme tam väčší pomer šumu, pretože algoritmy sú rýchlejšie. Súčasne, tým, že zrýchľujeme obchodovanie, dáva to práve týmto algoritmom priestor na rýchle rozhodovanie. Bez infraštruktúry, ktorú budujeme, by tak rýchle rozhodnutia neboli možné.

Ako do toho zapadá fakt, že čoraz väčšia časť tradingu je algoritmická? Že rýchlosť stúpa, že sa vylepšuje strojové učenie a modely sú stále lepšie? Áno, modely sú určite čoraz lepšie, a hráči na trhu sú silnejší. Vstúpiť do tohto trhu dnes je ťažšie, než pred desiatimi rokmi. Ak sa na trhu objaví inteligentný algoritmus, ktorý bude robiť market making lepšie než my, bude stanovovať lepšie ceny a ľudia budú obchodovať s ním, nie s nami. My prestaneme zarábať, on bude zarábať ďalej. Takže to je taký cyklus.

Ale ty hovoríš o market makingu. Keď mám najlepší model s najlepšou predikciou, dáva zmysel stať sa market makerom alebo obchodovať proti vám? To je zaujímavé – ste na tom istom „piesočku“, ale podľa môjho pohľadu a tvojho vysvetlenia je tá rola podstatne odlišná. Je to však trošku šedá zóna. Vo chvíli, keď…

Ak chceš, môžem pokračovať a dopísať, kam text ďalej smeroval.

Tady je opravený a stylisticky vylepšený text:

Na vysokých frekvencích je to taková šedá zóna, ve které, pokud se to dělá na dostatečně krátké úrovni a člověk stojí na obou stranách, tak se tomu říká market making. Když se ale koukám na delší časové horizonty – sekundy, desítky sekund, minuty či hodiny – a myslím si, že za hodinu cena daného produktu vzroste o 2 %, už je diskutabilní, jestli tomu říkat market making na nízké frekvenci, nebo spíše trading. Úplně bych tyto pojmy nerozlišoval jedním ostrým ryskem. Existuje tedy určitý práh, od kterého tomu člověk už neřekne market making. Ale doména je velmi podobná – v podstatě děláte stejné matematické úlohy. Obojí totiž spočívá v dobré predikci budoucí ceny, ať už na základě historického chování, nebo vzájemných vztahů mezi produkty. U market makera je specifikum, že stojí na obou stranách trhu.

Ještě jedna věc mě u vás velmi překvapila a zarazila, a teď ji vidím ještě jasněji díky tomu, jak říkáte, jak jste blízko tradingu a že řemeslo je do značné míry podobné. Na vašich stránkách, a Petra vnímám jako podnikatele nové generace, který se zajímá o budoucnost naší země a světa kolem něj – tak to mě vlastně nepřekvapilo, ale teď bych se rád zeptal na něco: Máte nějaký morální kodex ohledně toho, jaké produkty a trhy budete obhospodařovat? Vy říkáte, že chcete být pouze netoxičtí a že nebudete dělat ty „špinavé“ věci, nebo věci, které neprospívají. Jak se to pozná? Nebo jak se to promítá do vaší každodenní práce?

Velmi. Qminers mají poměrně silný morální kodex. Když se rozhoduje, zda vstoupit na nějaký trh a dělat tam market making, například když jde o zemi s pochybnou vládou či způsoby nakládání s lidskou prací, tak tam prostě nejdeme. Je to téma dlouhých a hlubokých diskuzí, kterých se kromě Petra Zahradníka a vedení účastní celý tým. V naší historii existuje několik produktů, které vydělávaly, ale po těchto diskuzích jsme se rozhodli, že je dělat nechceme.

Asi nechcete uvádět příklady, že? Nebo je to třeba šanghajská burza?
Spíš například jsme obchodovali kryptoměny a tohle bylo jeden z hlavních důvodů, proč jsme s tím přestali.

Rozumím. Dá se v kryptu dělat market making? Existují na kryptoburzách deriváty?
Market making se v kryptu dá dělat i mimo burzy. Kryptoburzy často fungují bez větších regulací, takže tam člověk může dělat prakticky, co chce. Ale vzhledem k některým přednáškám Petra Zahradníka je jasné, že Petr není velkým fanouškem krypta, a proto jsme s obchodováním krypta přestali.

Rozumím. A to rozhodnutí přichází pokaždé, když analytik přijde s novým produktem? Probíhá vždy taková diskuze?
Ano, týká se to spíše větších záležitostí než každodenních drobností, ale vždy to bereme vážně.

Pokud budete chtít, mohu text ještě více upravit nebo zkrátit, dejte vědět.

Opravený text:

Ný derivát, co dělá. Kdyby přišel analytik a řekl: našel jsem tady způsob, jak vlastně mimo sankce obchodovat na ruské burze nebo na nějakém podobném produktu, tak to by bylo u nás silně no go. Mně tohle přijde na vás hrozně sympatické. A zase teď to bude znít jako hrozná reklama, ale za mě je strašně důležité říkat tyhle věci nahlas, jít inspirací pro další podnikatele a lidi a nestydět se za to. Vy zase dáváte nějakou část disku, a nemalou, na dobročinné účely a celkově mám pocit, že když jsi na začátku mluvil o těch podnikatelských duších, tak i v rámci týmu máte spravedlivější odměny. Jak se to pak promítá do tvé každodenní práce a v čem bys to porovnal s předchozími byznysemi nebo co by si dovolili tví kolegové? Kde je ta cena, kterou za to platíš? Ať to dám naopak – co je na tom těžké být vlastně morálně dobrý?

Na to se hrozně těžko odpovídá. Já bych řekl, že být morálně dobrý vůbec není těžké, já bych to skoro vnímal jako výhodu. Kdybych dělal nějaký pochybný byznys, viděl bych, že někde lžu a prodávám lidem cigarety, po kterých vím, že dostanou rakovinu, a zároveň všem tvrdil, že to není dokázané, a měl bych podplaceného nějakého vědce, který mi k tomu udělal studii – ideálně, tak bych se těžko vyspal v noci. A myslím si, že fakt, že v Qminers je velký tlak na to část peněz vrátit společnosti – část je nemalá, myslím, že minulý rok jsme dávali víc než 10 % našeho zisku na dobročinné věci – to beru jako benefit firmy. Já jsem říkal, že v Qminers jsou všichni podnikatelské duše, takže někdo si řekne: „No jo, to jsou peníze, které bych já mohl mít u sebe v kapse.“ Ale myslím si, že tím, jak moc se na to soustředíme, dokážeme jako firma udělat víc dobra, než by dokázal jakýkoliv jednotlivý člověk.

Tím, že máme třeba člověka, který sedí ve správní radě České krajiny, a vzal to jako výzvu – řekl: „Pojďme tenhle projekt udržet nad vodou, zaručit, že neskrachuje za rok“ – to by se jednotlivcům nepodařilo. Ale když za tím stojí Qminers, tak to jde. Vznikl tu projekt Matika Česku, který se snaží, abych to neřekl hnusně, ale vymírající učitele matematiky motivoval, aby místo toho, aby šli nutně do praxe nebo do průmyslu, raději šli zase učit. To je také věc, kterou by individuální člověk nezvládl. Mohl bych tamhle za někým přijít a říct: „Hele, běž učit matematiku, tady máš nějaké peníze,“ ale asi je jasné, že to není úplně jednoduché. Zatímco když za tím stojí píle, firmy a zdroje, tak ty změny dělat jdou. Beru to jako benefit, ne jako omezení.

Tomu rozumím. Mě šlo spíš o to, proč to nedělají všichni. A odpověď je podle mě právě v tom, že ryba smrdí od hlavy – na začátku musí být někdo, kdo řekne, že tohle je správné. A potom i když by vám přišel nelepší C++ vývojář, tak hledáte toho, kdo chce jít do toho dobra a je OK s tím, že na kryptu nevydělá. Jo.

Pokud chceš, můžu pomoct i s lepší stylistikou či další úpravou.

Jistě, tady je opravený a stylisticky upravený text:

Určitě. Culture fit je něco, co se na pohovorech určitým způsobem řeší, a tohle je součástí i v QMinus. Kromě culture fitu se samozřejmě soustředíme primárně na hard skills. Řekl bych, že v QMinus hledáme větší experty než je běžný standard – ať už z hlediska programování, nebo analýzy dat. Snažíme se vždy vybírat tu špičku.

Vzhledem k rozsahu stacku, který u nás řešíme, je potřeba opravdu hluboká znalost a spousta trpělivosti. Hromada trpělivosti. A mám pocit, že to je něco, co ve společnosti postupně ubývá. Nevím, jestli je to příchodem generativní AI, nebo obecně konzumním stylem obsahu, který lidé každý den zhlédnou či vygenerují. Když přijde nový člověk a dám mu za úkol přečíst desetistránkovou dokumentaci, často si proskáče tři příklady a řekne: „To, na co se ptáš, tam není.“ A já mu říkám: „Lidé, čtěte opravdu pozorně, už ve třetí větě je přesně napsaná odpověď na tu otázku.“ A on odpovídá: „Tohle jsem nečetl, je tam moc textu.“

V QMinus stále hledáme lidi, kteří mají tuhle vlastnost – zvědavost a touhu po hlubokých znalostech.

Tomu rozumím, když jde o mikrosekundy, a myslím, že jste trochu jiní. Po poslechu tohoto podcastu mám pocit, že QMinus je tak trochu mýtické zvíře – úžasná firma, která dělá v Česku skvělé věci, zejména pro CSR a dobré účely, které podporujete.

Moc děkuji, Filipe, že jsi nám představil, jak funguje market making a jak vy v QMinus pracujete. Držím moc palce, ať najdete špičkové experty s dobrým culturefitem a ať vám jde dál skvěle v globální konkurenci – a ať rostete a vytváříte nové trhy.

Děkuju, budu se snažit.

Děkujeme, že jste doposlouchali až sem. A také díky našim partnerům a členům Data Talk klubu: Index, Saska, Bystreet, Colors of Data, Revolt BI, GoodData, Keboola, Emark, Carl Data Company a Datamind.

Pokud chcete zůstat v obraze ohledně české datové scény a globálních datových technologií, nezapomeňte se registrovat k odběru našeho týdenního newsletteru na datatalk.cz.

Nechť vás provází data.

Pokud bys chtěl, mohu text ještě více upravit nebo zkrátit.