Blog · gratis
Finanzas cuantitativas,
explicadas por un físico
Un recorrido en cuatro etapas, de no saber qué es un quant a superar la entrevista. Intuición, matemáticas y código en Python, en el orden en que se aprende.
Empieza por el primer paso →Etapa 1 Entender el oficio
Qué hace un quant, cuánto gana, dónde trabaja y cómo prepararte. Sin matemáticas todavía.
01
Qué es un quant y qué hace realmente en finanzas
Qué es un quant (analista cuantitativo), qué hace en un banco o un hedge fund, los tipos de quant que existen y qué matemáticas y programación necesitas. Explicado por un físico.
02
Cuánto gana un quant: sueldos en España, Europa y EE. UU.
Cuánto cobra un quant según el país, el tipo de empresa y la experiencia: sueldos de analista cuantitativo en España, de trader en Ámsterdam y Londres y de researcher en hedge funds de EE. UU.
39.600 M$ingresos de trading de Jane Street en 2025
03
Citadel, Jane Street, Renaissance…: las grandes firmas quant y qué hace cada una
Qué son y en qué se diferencian Citadel, Jane Street, Renaissance, Two Sigma, Optiver y el resto de grandes firmas cuantitativas: hedge funds, multiestrategia y market makers, con sus cifras.
66 %anual durante 30 años, antes de comisiones
04
Jim Simons y el Medallion Fund: el matemático que batió al mercado
La historia de Jim Simons, de descifrar códigos y la geometría de Chern-Simons a fundar Renaissance Technologies y el Medallion Fund, el fondo más rentable de la historia. Y lo que un quant puede aprender de él.
5 fasesde las matemáticas a la entrevista
05
Cómo ser quant: hoja de ruta desde cero
Hoja de ruta para ser quant desde cero: qué carrera estudiar, qué matemáticas y qué Python necesitas, en qué orden aprenderlo, qué proyectos hacer y cómo preparar las entrevistas.
10.000 M$JPMorgan reserva para sectores como la cuántica
06
Quantum finance: la computación cuántica que ya están preparando los grandes bancos
Qué es quantum finance, cómo funciona la computación cuántica sin fórmulas, qué aplicaciones tiene en el mercado financiero (pricing, riesgo, carteras, fraude) y cuánto están invirtiendo JPMorgan, HSBC o Goldman Sachs.
Etapa 2 Fundamentos en Python
Tus primeras métricas, Monte Carlo, Black-Scholes y el riesgo de una cartera, con código.
07
Python para finanzas: rentabilidad, volatilidad, Sharpe y drawdown
Tu primer análisis cuantitativo en Python: descarga precios reales, calcula rentabilidades, volatilidad anualizada, ratio de Sharpe y máximo drawdown con pandas, paso a paso.
08
Simulación de Monte Carlo en finanzas con Python
Qué es la simulación de Monte Carlo y cómo usarla en finanzas: el movimiento browniano geométrico, simular miles de trayectorias de un precio en Python, probabilidades de pérdida y valorar una opción.
09
El modelo de Black-Scholes explicado desde la intuición (con Python)
Entiende el modelo de Black-Scholes sin perderte en las ecuaciones: la idea de la cobertura, la fórmula de una call y una put, las griegas, la volatilidad implícita y su implementación en Python.
10
Value at Risk (VaR) y Expected Shortfall: los 3 métodos en Python
Qué es el Value at Risk (VaR), cómo se calcula con los métodos histórico, paramétrico y de Monte Carlo en Python, por qué no basta y cómo complementarlo con el Expected Shortfall y un backtest.
Etapa 3 Nivel hedge fund
Carteras, volatilidad, estrategias sistemáticas y cómo no engañarte con un backtest.
11
Optimización de carteras de Markowitz y frontera eficiente en Python
La teoría moderna de carteras de Markowitz paso a paso: rentabilidad y riesgo de una cartera, cartera de mínima varianza, cartera tangente, frontera eficiente con scipy y por qué falla con datos reales.
12
El modelo GARCH: cómo predecir la volatilidad (con Python)
Qué es el modelo GARCH(1,1), por qué la volatilidad se agrupa, cómo estimarlo por máxima verosimilitud en Python, cómo prever la volatilidad y cómo usarlo para un VaR que reacciona al mercado.
13
Pairs trading y cointegración en Python: de la idea al backtest
Construye una estrategia de pairs trading en Python: correlación frente a cointegración, test de Engle-Granger, hedge ratio, z-score del spread, vida media de Ornstein-Uhlenbeck y un backtest honesto con costes.
14
El filtro de Kalman en trading: un hedge ratio que se adapta (con Python)
El filtro de Kalman explicado desde la intuición y aplicado a finanzas: estimar en tiempo real una beta o un hedge ratio que cambia, en Python desde cero, y compararlo honestamente con una regresión móvil.
15
Por qué tu backtest miente: sobreajuste y cómo evitarlo
Por qué la mayoría de estrategias que brillan en el backtest fracasan con dinero real: sobreajuste, el problema de las pruebas múltiples, el Sharpe deflactado y una lista de comprobación para validar estrategias, con Python.
16
La cópula gaussiana y la crisis de 2008: la fórmula que hundió Wall Street
Qué es una cópula, cómo la cópula gaussiana de David Li se usó para valorar CDO de hipotecas, por qué ignora las caídas conjuntas y qué papel tuvo en la crisis financiera de 2008. Con simulaciones en Python.
Etapa 4 Consigue el trabajo
Las preguntas que caen en las entrevistas quant, resueltas.