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.
Etapa 2 Fundamentos en Python
Tus primeras métricas, Monte Carlo, Black-Scholes y el riesgo de una cartera, con código.
06
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.
07
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.
08
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.
09
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.
10
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.
11
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.
12
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.
13
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.
14
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.
15
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.