Cómo ser quant: hoja de ruta desde cero

Es la pregunta que más me llega por Instagram: «Pablo, ¿cómo empiezo para ser quant?». La respuesta corta es que hay que aprender tres cosas a la vez (matemáticas, programación y finanzas) y hacerlo en el orden correcto, porque el error típico es lanzarse a machine learning sin saber calcular una volatilidad.

Aquí tienes la hoja de ruta que yo seguiría si empezara hoy, dividida en fases, con lo que tienes que saber al final de cada una.

1. Fase 1MatemáticasProbabilidad, estadística, álgebra lineal y cálculo
2. Fase 2Pythonnumpy, pandas, matplotlib y scipy con datos de mercado
3. Fase 3Núcleo quantMonte Carlo, Black-Scholes, VaR, carteras y estrategias
4. Fase 4ProyectosUn pricer, un análisis de riesgo, un backtest honesto
5. Fase 5EntrevistasProbabilidad, estadística, código y finanzas

¿Qué carrera estudiar para ser quant?

No existe «la carrera de quant». Las que más gente aportan a la industria son:

• Matemáticas y Física: dan la base más sólida en probabilidad, cálculo y modelización. Es la vía clásica.
• Ingenierías (industrial, telecomunicaciones, informática): mucha matemática aplicada y buena programación.
• Estadística y Ciencia de datos: muy valoradas en research, donde casi todo es inferencia.
• Economía o ADE: aportan la parte financiera; hay que reforzar mucho matemáticas y programación.

Después, muchos hacen un máster en finanzas cuantitativas o ingeniería financiera. Ayuda, sobre todo para entrar en grandes bancos, pero no es imprescindible: lo que se evalúa en las entrevistas es lo que sabes hacer, y eso se puede demostrar con proyectos propios.

Fase 1: las matemáticas que de verdad se usan

No necesitas saber todas las matemáticas. Necesitas dominar estas:

• Probabilidad: variables aleatorias, esperanza, varianza, covarianza, distribución normal y lognormal, ley de los grandes números y teorema central del límite. Es, con diferencia, lo más importante.
• Estadística: estimación, intervalos de confianza, contrastes de hipótesis, regresión lineal. Sin esto no puedes saber si una estrategia funciona o has tenido suerte.
• Álgebra lineal: matrices, vectores, matriz de covarianzas, autovalores. Aparece en cuanto trabajas con carteras de varios activos.
• Cálculo: derivadas, integrales, series de Taylor y optimización con restricciones. Las «griegas» de las opciones son derivadas.

Al terminar esta fase deberías poder explicar con tus palabras por qué la media de muchas variables aleatorias se parece a una normal, y qué significa que dos activos tengan correlación 0,8.

Fase 2: Python aplicado a finanzas

Python es el idioma común de los quants. No hace falta ser ingeniero de software; hace falta soltura con cuatro librerías:

• numpy para cálculo con vectores y matrices.
• pandas para series temporales de precios.
• matplotlib para ver lo que haces (siempre, antes de creerte un número).
• scipy y statsmodels para estadística y optimización.

El primer ejercicio que te recomiendo es descargar precios reales y calcular rentabilidad, volatilidad, ratio de Sharpe y máximo drawdown. Lo tienes resuelto, línea a línea, en Python para finanzas: rentabilidad, volatilidad, Sharpe y drawdown.

Fase 3: el núcleo de las finanzas cuantitativas

Con la base anterior, estos son los temas que forman el corazón del oficio. El orden importa, porque cada uno se apoya en el anterior:

1. Procesos estocásticos: el paseo aleatorio y el movimiento browniano geométrico, el modelo estándar de un precio.
2. Simulación de Monte Carlo: simular miles de futuros posibles para calcular precios y riesgos. Aquí lo explico con código.
3. Valoración de opciones: Black-Scholes y las griegas. Black-Scholes explicado desde la intuición.
4. Gestión de riesgo: Value at Risk y Expected Shortfall. Los tres métodos del VaR en Python.
5. Teoría de carteras: Markowitz, frontera eficiente y sus problemas reales. Markowitz en Python.
6. Volatilidad: por qué se agrupa y cómo preverla. El modelo GARCH.
7. Estrategias sistemáticas: reversión a la media, cointegración y pairs trading. Pairs trading en Python y su versión adaptativa con el filtro de Kalman.
8. Validación: distinguir una ventaja real de la suerte. Por qué tu backtest miente.

Estos son, por cierto, los artículos de las etapas 2 y 3 de este blog, en el mismo orden. Puedes usarlo como temario.

Fase 4: proyectos que demuestran que sabes

Un buen proyecto vale más que tres certificados. Algunas ideas, de menos a más ambiciosas:

• Un análisis de riesgo de una cartera real (la tuya o una inventada) con VaR, drawdown y correlaciones.
• Un pricer de opciones que compare Black-Scholes con Monte Carlo y dibuje las griegas.
• Una estrategia de pairs trading con backtest honesto: costes de transacción, datos fuera de muestra y explicación de por qué podría dejar de funcionar.
• Un tearsheet: el informe de una página con el que un fondo resume una estrategia (rentabilidad, volatilidad, Sharpe, drawdown, exposición).

Súbelos a GitHub con un README claro. En una entrevista, poder decir «lo hice, falló por esto y lo arreglé así» es oro.

Fase 5: las entrevistas quant

Las entrevistas suelen mezclar cuatro tipos de preguntas:

• Probabilidad y acertijos: dados, monedas, esperanzas condicionadas. Se entrenan como un deporte.
• Estadística: «¿cómo sabrías si esta estrategia es buena o suerte?».
• Programación: ejercicios en Python o C++ y, a veces, preguntas de estructuras de datos.
• Finanzas: qué es una opción, por qué sube su precio con la volatilidad, qué es el VaR.

Lo que más se valora no es acertar a la primera, sino pensar en voz alta con orden: plantear el problema, hacer supuestos explícitos y comprobar si el resultado tiene sentido. Tienes preguntas reales resueltas en preguntas de entrevista quant.

Errores que te harán perder meses

• Empezar por machine learning. Sin estadística, un modelo de ML solo sirve para sobreajustar el pasado con más estilo.
• Estudiar teoría sin programar. Cada concepto que aprendas, impleméntalo. Si no puedes programarlo, no lo has entendido.
• Creerte el primer backtest. Si una estrategia da un Sharpe de 4 a la primera, casi seguro hay un error.
• Saltar de recurso en recurso. Mejor un temario ordenado y terminado que diez cursos a medias.

¿Cuánto se tarda?

Depende de dónde partas. Con una carrera de ciencias y dedicando unas horas a la semana, en unos meses puedes tener las fases 2 y 3 bien asentadas y un par de proyectos serios. Si partes de cero en matemáticas, cuenta con más tiempo para la fase 1, pero no la saltes: todo lo demás se construye encima.

Lo importante es la constancia y el orden. Empieza hoy por el primer paso práctico: tus primeras métricas de riesgo en Python.