Przejście z IT do finansów 2026 PL — quants, fintech, ML, ROI

TL;DR — IT → finanse w 4 liczbach

• Quant developer junior w Jane Street/Optiver (Amsterdam, dostępne z PL) startuje od 150 000 – 220 000 EUR brutto/rok + bonusy.
• Fintech engineer w PL (mBank, Santander, ING) zarabia średnio o 20-40% więcej niż przeciętny dev w IT non-finance, przy tym samym senioracie.
• Przekwalifikowanie IT → finanse kosztuje średnio 8 000-30 000 zł + 12-24 miesiące nauki (finanse + statystyka + ewentualnie CFA L1).
• ROI w 3 lata: +150 000 do +1 000 000 zł netto, zależnie od ścieżki (mBank PL vs prop trading Amsterdam).

---

Czemu IT → finanse w 2026

Drivery rynkowe

• AI w trading: ML zastępuje klasyczne quant strategie. Firmy bid na inżynierów z Python + finance domain.
• PSD3 i open banking — wymaga nowych systemów płatniczych, fraud detection, KYC AI.
• Crypto regulacja MiCA od 2024 → boom fintech-crypto firm w EU, w tym polskich (Zonda, kantor.ai, Ramp).
• Deficit talentu: 1.2 finance dev na 1 etat w PL (Hays 2026). W trading firmach (Jane Street, IMC, Optiver): 1 na 8.

Typowe pensje IT → finanse 2026

Bonusy w trading firms zwykle 30-100% pensji bazowej rocznie.

---

4 ścieżki przejścia

Ścieżka A: fintech engineer (polskie banki / fintechy)

Profil: dev backend/full-stack, 3-5 lat doświadczenia. Przejście do mBanku, Santandera, ING, BNP Paribas albo polskich fintechów (Zonda, Ramp, Tylko, Twisto, Code & Pepper).

Co trzeba:

• Java/Kotlin lub Python (backend stack banków).
• Podstawy finansów: czym jest debit/credit, ledger, accounting equation.
• Wiedza regulacyjna podstawowa: AML, KYC, PSD2/PSD3.
• Świadomość systemów: SWIFT, SEPA, IBAN, BLIK, ELIXIR.
• Spring Boot, Kafka, microservices (banki PL standard).

Koszt nauki: 2 000-5 000 zł (książka "Domain-Driven Design" + "Designing Data-Intensive Applications" + kurs Banking 101 + 2-3 mies. self-study).

Czas: 3-6 miesięcy bez utraty pracy.

ROI: pensja typowo +20-30% vs poprzednia rola w non-finance IT.

Ścieżka B: ML engineer w finansach

Profil: dev z doświadczeniem Python + ML (Scikit-learn, PyTorch, ewentualnie LLMs). Przejście do banku jako "AI/ML engineer" lub do fintech do roli fraud detection / scoring.

Co trzeba:

• Mocny ML stack: feature engineering, model lifecycle (MLOps), monitoring drift.
• Finance domain: scoring kredytowy, fraud patterns, AML transaction monitoring.
• Compliance: explainability modeli (SR 11-7 USA, EU AI Act 2026), bias testing.
• Statystyka inferencyjna: regression, classification, time series.

Koszt nauki:

• Kursy: 3 000-8 000 zł (Coursera ML finance, fast.ai, MLOps Zoomcamp + książki).
• Opcjonalnie: studia podyplomowe Data Science w Finansach (SGH, AGH) — 8-12k zł, 1 rok.

Czas: 6-12 miesięcy.

ROI: +30-50% pensji vs ogólny ML engineer. Typowo wynagrodzenie senior ML w fintechu PL: 35-50k zł brutto/mies.

Ścieżka C: quant developer (PL)

Profil: dev z mocnym matematycznym backgroundem (lub gotów się douczyć). Przejście do działów rynków finansowych w mBanku, ING, Santander Trading, Erste, PKO BP TFI.

Co trzeba:

• C++ lub Python na wysokim poziomie (low-latency, multi-threading).
• Matematyka: stochastyka, równania różniczkowe stochastyczne, finance derivative pricing (Black-Scholes i dalej).
• Numerical methods: Monte Carlo, finite difference, lattice methods.
• Finance products: opcje vanilla, exotic, fixed income (bonds, swaps), commodities.
• Tooling: QuantLib, Bloomberg API, Refinitiv (ex-Reuters) Eikon.

Koszt nauki:

• Książki: Hull "Options, Futures and Other Derivatives" (~250 zł), Wilmott "PWOQF" (1 000+ zł 2 tomy).
• Online: QuantInsti Executive Programme, WorldQuant University (bezpłatne, MSc), Coursera Financial Engineering.
• Razem nauka samodzielnie: 5 000-15 000 zł + 12-24 miesiące.

Czas: 12-24 miesiące, gotowość na pasywny dochód obniżony lub bez pracy w okresie nauki intensywnej.

ROI: +100-200% pensji vs general IT, ale wąski rynek (~200 quant ofert rocznie w PL).

Ścieżka D: prop trading / market making (EU)

Profil: top 1% inżynierów IT, mocna matematyka (olimpiady, top uczelnie). Przejście do firm prop trading: Jane Street, Optiver, IMC, Flow Traders, Hudson River Trading, DRW, Citadel Securities.

Co trzeba:

• Bardzo mocny algorytmika: problem solving Codeforces 2000+, LeetCode top 5%.
• Mental math: tests "guesstimation", probability questions.
• Latency optimization (jeśli HFT): kernel bypass, FPGA, low-level optimization C/C++.
• Stats: rigorous probability, Bayesian thinking, expected value.

Lokalizacja: Amsterdam (Optiver, IMC, Flow Traders), Londyn (Jane Street EU, Citadel Securities, DRW), Dublin, Singapur (Optiver APAC).

Koszt nauki:

• Brain Teasers przygotowanie: 0-2 000 zł (książka "Heard on The Street" + Quantnet) + 300-600 godzin.
• Coding interviews prep: AlgoExpert, NeetCode, LeetCode.
• Razem: 3 000-6 000 zł + 6-12 miesięcy.

Czas: 6-18 miesięcy intensywnej preparacji.

Wynagrodzenia (Optiver / Jane Street Amsterdam 2026):

• New grad: 150 000-220 000 EUR base + 50-100% bonus = 225 000-440 000 EUR total comp rok 1.
• Po 3-5 lat: 400 000-800 000 EUR total comp.
• Senior trader / quant: 1-3 mln EUR total comp.

ROI legendarny, ale tylko dla top 1-3% kandydatów.

---

Polskie firmy — gdzie aplikować 2026

Banki retail / korporacyjne (umowa o pracę / B2B)

• mBank — duży zespół tech (1000+), Spring/Java, ATM/karty/payments, ML w fraud.
• Santander Bank Polska — tech hub w Warszawie i Wrocławiu, mocny ML/AI.
• ING Bank Śląski — Amsterdam hub, mocna kultura tech, sporo zdalnie.
• BNP Paribas Polska — French ownership, mocny corporate banking, paryskie standardy.
• PKO BP — największy bank PL, ale wolniejszy tech, więcej legacy.
• Pekao S.A. — średni tech, ale rośnie po przejęciu przez PZU.
• Alior Bank — fintech-flavor, agile.

Fintech / scale-upy PL

• Zonda (ex-BitBay) — krypto-exchange, sporo C++ trading-grade.
• Ramp — fiat-to-crypto on-ramp, globalna firma z biurem w Warszawie.
• kantor.ai — AI w wymianie walut.
• Twisto — BNPL i karty.
• Tylko — kredyty SME B2B.
• PayPo — BNPL polski.
• mElements — spin-off mBanku do API banking.
• Autenti — e-signing.
• inFakt — księgowość SaaS.

TFI / domy maklerskie (quant roles)

• TFI PZU, TFI PKO, NN Investment Partners Polska (przejęte przez Goldman).
• Trigon DM, mDM, BM PKO BP.
• Kruk (NPL/wierzytelności, lecz tech-heavy).

Zagraniczne firmy z biurem w PL (mocny tech)

• JPMorgan Chase Warszawa — IT/operacje, ~5000 osób.
• Goldman Sachs Warszawa — tech hub, wymagający.
• Citi Warszawa — duży tech.
• State Street Trójmiasto — mocny risk/quant.
• BNY Mellon Wrocław — głównie operacje + tech.
• Credit Suisse / UBS Wrocław — głównie tech support.

---

Czy CFA potrzebne dla developera?

Co daje CFA

CFA L1 (poziom najniższy, 6 mies. nauki, ~3 000 zł egzamin + ~2 000 zł materiały):

• Mocny słownik finansowy (asset classes, derivative pricing, accounting).
• Kredyt zaufania w rekrutacji do banków/funduszy.
• Wymagane dla "official" quant roles w niektórych firmach.

CFA L1 + L2 (1.5-2 lata, ~15 000 zł total):

• Pełniejszy obraz finansów.
• Wymaga 300+ godzin nauki na każdy poziom.
• Dla quant roles często wystarczy L1 (reszta wiedzy w pracy).

CFA L3 (Charter):

• 4 lata + L1, L2, L3 + 4000 h doświadczenia.
• Mało rzeczywistych benefitów dla developera vs quant analyst / portfolio manager.

Werdykt

• Dev → fintech engineer: CFA niepotrzebny.
• Dev → quant dev w PL (mBank, Santander): CFA L1 bardzo pomaga, L2 plus.
• Dev → prop trading Amsterdam: CFA nie waży nic — liczy się problem solving + mental math.
• Dev → portfolio manager / risk manager (po doszkoleniu): CFA L3 standardowo.

---

Co konkretnie nauczyć — roadmapa 12 miesięcy

Miesiące 1-3: foundation

• Książka: "Investments" Bodie/Kane/Marcus (klasyk).
• Kurs: Coursera "Financial Markets" Yale (Robert Shiller, bezpłatny audit).
• Python finance: pandas + numpy na 100%, podstawy yfinance / Alpha Vantage API.
• Cel: rozumieć terminy P/E, beta, volatility, yield, spread, leverage.

Miesiące 4-6: derivative pricing + statistics

• Książka: Hull "Options, Futures..." rozdziały 1-15.
• Numerical: Monte Carlo w Pythonie, opcje europejskie i amerykańskie.
• Statystyka: distribution theory, regression, time series (ARIMA, GARCH).
• Library: QuantLib-Python, arch (GARCH), statsmodels.

Miesiące 7-9: specjalizacja

Wybór ścieżki:

• Fintech engineer: PSD3, Open Banking API, blockchain podstawy (Ethereum), payments stack.
• ML in finance: feature engineering tabularnych danych, scoring kredytowy, fraud (anomaly detection).
• Quant dev: HFT podstawy, market microstructure, order book dynamics, latency optimization.

Miesiące 10-12: portfolio + interview prep

• Projekt portfolio GitHub: backtester (1k+ linii kodu), trading bot, risk dashboard, fraud detector.
• Networking: 10+ kawek z osobami z branży (LinkedIn cold outreach 70% odpowiedzi przy dobrym pretextcie).
• Interview prep: kluczowe pytania techniczne fintech / quant.

---

Pytania rekrutacyjne — przykłady

Junior fintech engineer

• Jak zaprojektujesz ledger dla bankowości? (Double-entry accounting.)
• Idempotency w API płatniczym — dlaczego krytyczne?
• Dlaczego SWIFT trwa 1-3 dni, a SEPA Instant 10 sekund?
• AML transaction monitoring — co to "structuring" i jak go wykryć?

Junior quant dev

• Wycena europejskiej opcji put — wzór Black-Scholes z głowy.
• Monte Carlo dla opcji barierowej knock-out — w 10 minutach napisz pseudocode.
• Co to "delta" i jak hedgować portfel opcji.
• Volatility smile — dlaczego istnieje.

Prop trading (Jane Street, Optiver)

• Rzucamy uczciwą monetą 100 razy. Jakie jest prawdopodobieństwo dokładnie 50 orłów?
• Sprzedaję Ci grę: rzut kostką 1-6, dostajesz wynik w zł. Ile jesteś gotów zapłacić za grę?
• Optymalna strategia w blefie pokerowym z 3 graczami (theory of mind).
• Mental math: 17 × 23 w 5 sekund. Pierwiastek z 567.

---

Case studies

Case 1 — Michał, 29, backend dev → mBank

• Start: 18 000 zł brutto Java backend w e-commerce.
• 6 miesięcy self-study finance + DDD + PSD2.
• Aplikacja do mBank IT: 24 000 zł brutto (Sr. dev, payments domain).
• Po 2 latach: 32 000 zł brutto (Tech Lead, Open Banking team).
• 3-letni delta: +220 000 zł brutto vs alternatywa.

Case 2 — Anna, 31, data scientist → fintech ML

• Start: 16 000 zł brutto B2B (data science w marketingu).
• 9 miesięcy nauki credit scoring + AML ML + SR 11-7.
• Przejście do Tylko jako Senior ML Engineer (credit decisioning): 28 000 zł B2B.
• 18 miesięcy później: Head of ML, 40 000 zł B2B + bonus.
• 3-letni delta: +480 000 zł brutto.

Case 3 — Kacper, 26, algorytmik (laureat olimpiady) → Optiver Amsterdam

• Start: 22 000 zł brutto B2B w Allegro (senior backend).
• 6 miesięcy prep: brain teasers + mental math + LeetCode rerun.
• 4 rundy rekrutacji w Optiver: szczegółowo mental math, probabilistyka, sytuacyjne.
• Oferta: 180 000 EUR base + 50% bonus = ~270 000 EUR total comp.
• Po 3 latach senior: 450 000 EUR total comp.
• 3-letni delta vs PL: ~3 mln zł.

Case 4 — Sławek, 35, full-stack dev → quant w mBanku trading

• Start: 28 000 zł brutto B2B, full-stack.
• 18 miesięcy CFA L1 + Hull + numerical methods + C++ refresh.
• Aplikacja do mBanku Trading Solutions: 38 000 zł brutto + 30% bonus.
• Po 2 latach: senior quant dev, 52 000 zł + 40% bonus.
• 3-letni delta: +350 000 zł brutto vs poprzednia rola.

---

Pułapki przejścia

1. Brak finance domain knowledge — wielu devów aplikuje bez czytania ofert. Pierwsze 5 minut rozmowy: "Co to leverage?" → kandydat odpada.
2. Underestimating regulatory — w finansach compliance > code quality. Audity, raporty do KNF/UKNF/EBA. Coding != engineering.
3. Salary expectations — fintech PL płaci 20-40% więcej niż non-finance IT, ale nie 100%. Trading prop firms w EU = inne ligi.
4. Languages bias — wiele fintechów PL używa nadal Javy/C# (banki) — jeśli Twój stack to Node/Python wyłącznie, restruktura skilli.
5. Risk aversion — finansowe firmy są konserwatywne. CTO mówi "ship daily" w startupie? W banku: roadmapa 6-12 miesięcy.
6. Ageism w prop trading — Jane Street/Optiver de facto rekrutują 22-30 lat. Po 35 trudniej.
7. Konkurencja z absolwentami QF/SGH/AGH — od 2024 mocne programy quant na polskich uczelniach. Aplikuj wcześnie.

---

Najczęściej zadawane pytania

1. Czy potrzebuję studiów finance, by zacząć quant career?

Nie wymagane, ale bardzo pomaga. Self-study + CFA L1 może zastąpić — ale przewaga w rekrutacji idzie do osób z degree (QF, mat. finansowa, fizyka, informatyka stosowana).

2. Czy ageizm w finansach jest tak silny jak mówią?

W prop trading: tak (lider 23 lat, senior 28, partner 32). W bankach PL i fintechach: nie — 35-50 lat to typowy senior/lead. W traditional fund management: 35-50 to dopiero początek.

3. Jaki języka programowania learn first dla quant?

Python dla wstępu (pandas + numpy + QuantLib). C++ dla pracy w HFT lub w stosach low-latency. Java/Scala dla banków retail. Rust rośnie w 2026 w fintechach (silne typowanie + performance).

4. Co z certyfikatami FRM, CAIA, PRM?

• FRM (risk management) — uznawany w bankach dla risk roles. 2 egzaminy, ~10 000 zł, 12-18 mies.
• CAIA (alternative investments) — nisza HF/PE, dla devów raczej overkill.
• PRM (Professional Risk Manager) — alternatywa dla FRM, mniej popularny w PL.

Werdykt: FRM dla risk engineers, CFA dla quants, dla pure devs niepotrzebne.

5. Czy prop trading Amsterdam można robić zdalnie z PL?

Bardzo rzadko. Optiver/Jane Street/IMC wymagają on-site Amsterdam/London/Singapur dla 95% trader/quant roles. Zdalnie tylko czasem dla pure software engineering, niezwiązany bezpośrednio z trading desk.

---

Dalsza lektura

• Career change po 35 — reskilling, koszt, ROI
• CFA, ACCA, CIA — certyfikacje 2026
• Zarobki w IT Polska 2026 — kompletny przewodnik

---

W aplikacji Freenance możesz śledzić ROI własnego przekwalifikowania: koszty kursów i książek po jednej stronie, premia pensji po drugiej — wykres miesiąc do miesiąca pokazuje moment, w którym inwestycja w finance domain zwraca się (typowo 4-9 miesięcy po starcie nowej roli).