Qué es un quant: qué hace, tipos y qué necesitas saber

Si alguna vez has oído que los mercados «los mueven los algoritmos», detrás de esos algoritmos hay personas a las que se llama quants. Yo vengo de la física de partículas y, cuando empecé a mirar los mercados, me sorprendió lo mucho que se parecía el trabajo: modelos, datos con ruido, incertidumbre y una obsesión sana por medir si algo es real o casualidad.

En este artículo te explico qué es un quant sin tecnicismos innecesarios: qué hace en el día a día, qué tipos hay, qué herramientas usa y por qué es un perfil tan buscado por bancos y fondos.

Qué es un quant, en una frase

Un quant, o analista cuantitativo, es alguien que usa matemáticas, estadística y programación para tomar decisiones financieras: poner precio a un producto, medir el riesgo de una cartera o diseñar una estrategia de inversión que se pueda probar con datos.

La palabra viene de quantitative. La idea de fondo es sencilla: en lugar de decidir por intuición («creo que esta acción va a subir»), el quant formula una hipótesis que se pueda medir, la contrasta con datos históricos y la convierte en reglas que ejecuta un ordenador.

La diferencia con un analista tradicional: el analista fundamental estudia una empresa en profundidad (balances, directivos, competencia). El quant estudia miles de activos a la vez buscando patrones estadísticos y se pregunta, sobre todo, cuánto se puede perder si se equivoca.

Las finanzas cuantitativas: de dónde salen

Las finanzas cuantitativas son la disciplina que aplica modelos matemáticos a los mercados. Tienen tres momentos clave que conviene conocer:

1900, Louis Bachelier. En su tesis doctoral modela los precios de la bolsa de París como un paseo aleatorio, cinco años antes de que Einstein usara la misma matemática para explicar el movimiento browniano.
1952, Harry Markowitz. Demuestra que no basta con mirar la rentabilidad de cada activo: lo que importa es cómo se mueven juntos. Nace la teoría moderna de carteras y la idea de diversificación como algo que se puede optimizar.
1973, Black, Scholes y Merton. Publican la fórmula para poner precio a una opción. Es el momento en que los derivados pasan de ser una apuesta a ser un producto con precio «justo», y los bancos empiezan a contratar a físicos y matemáticos en masa.

Desde entonces, la potencia de cálculo y la cantidad de datos no han dejado de crecer, y con ellas el peso de los quants. Hoy una parte muy grande del volumen negociado en los mercados desarrollados sale de algoritmos.

1900Bachelier modela la bolsa como un paseo aleatorio.
1952Markowitz convierte la diversificación en un problema de optimización.
1973Black, Scholes y Merton ponen precio a las opciones.
1988Nace el Medallion Fund de Jim Simons.
1998Cae LTCM, el fondo de los premios Nobel.
2008Crisis financiera y el papel de la cópula gaussiana.
HoyFirmas como Jane Street o Citadel ganan más con el trading que muchos grandes bancos.

Qué hace un quant en el día a día

Depende mucho del puesto, pero casi todo el trabajo cae en uno de estos cuatro problemas:

Poner precio. ¿Cuánto vale hoy una opción que paga algo dentro de seis meses si se cumple cierta condición? Aquí entran Black-Scholes, la simulación de Monte Carlo y los procesos estocásticos.
Medir el riesgo. ¿Cuánto puede perder esta cartera en un mal día? ¿Y en una crisis? Es el terreno del Value at Risk, el Expected Shortfall y las pruebas de estrés.
Construir carteras. Dados unos activos, ¿qué pesos dan la mejor relación entre rentabilidad y riesgo? Markowitz, factores y paridad de riesgo.
Buscar señales. ¿Hay algún patrón que se repita y que deje beneficio después de costes? Reversión a la media, momentum, pairs trading, machine learning… y, sobre todo, mucha estadística para no engañarse.

En la práctica eso se traduce en horas de Python, de limpiar datos y de hacer backtests: simular cómo habría funcionado una idea en el pasado. Y en aprender a desconfiar de un backtest demasiado bonito, que es probablemente la habilidad más valiosa del oficio.

Los tipos de quant que existen

«Quant» es una etiqueta muy amplia. Estos son los perfiles más habituales:

Perfil	Dónde trabaja	A qué se dedica
Quant researcher	Hedge funds, fondos sistemáticos	Investiga y diseña estrategias. Mucha estadística y mucho escepticismo.
Quant de pricing / desk quant	Bancos de inversión	Modelos para valorar derivados y cubrir sus riesgos (las «griegas»).
Quant de riesgos	Bancos, aseguradoras, gestoras	Mide y limita el riesgo: VaR, estrés, validación de modelos.
Quant developer	Todos los anteriores	Convierte los modelos en software robusto y rápido.
Quant trader	Market makers, fondos	Opera con reglas cuantitativas y decide en tiempo real.

Las fronteras entre ellos son difusas y en un equipo pequeño una misma persona hace de todo. Lo que tienen en común es el método: formular, medir, validar.

Qué necesitas saber para ser quant

La buena noticia es que no hace falta ser un genio. La mala, que hay que construir una base en tres patas a la vez:

Matemáticas: cálculo, álgebra lineal y, sobre todo, probabilidad y estadística. Más adelante, procesos estocásticos (el lenguaje con el que se describe un precio que se mueve al azar).
Programación: hoy es Python casi siempre (numpy, pandas, scipy), con C++ en los puestos donde manda la velocidad.
Finanzas: qué es una acción, un bono, una opción, cómo se mide la rentabilidad y el riesgo. Es la parte que más rápido se aprende si vienes de ciencias.

Por eso los físicos, matemáticos e ingenieros encajan tan bien: ya traen las matemáticas y la costumbre de modelar sistemas con ruido. Pero también he visto a economistas y a gente de otras carreras llegar muy lejos empezando desde cero, con constancia y un buen orden de estudio. Lo cuento en detalle en cómo ser quant: hoja de ruta desde cero.

Un ejemplo para verlo claro

Imagina que crees que dos acciones del mismo sector, como dos grandes bancos, suelen moverse juntas. Un inversor tradicional diría «tiene sentido» y poco más. Un quant haría esto:

Descarga diez años de precios de ambas.
Comprueba estadísticamente si la diferencia entre ellas vuelve siempre a su media (un test de cointegración).
Define una regla: si la diferencia se aleja más de dos desviaciones típicas, compra la barata y vende la cara.
Simula la regla en el pasado, con costes de transacción, y mide rentabilidad, volatilidad y peor caída.
Se pregunta si el resultado es real o fruto de haber probado demasiadas combinaciones, y lo valida en datos que no ha usado.

Esa estrategia existe y se llama pairs trading; la construimos paso a paso en pairs trading y cointegración en Python, el último artículo de esta ruta.

Mitos sobre los quants

«Los quants predicen el mercado». No. Buscan pequeñas ventajas estadísticas y, sobre todo, controlan el riesgo para sobrevivir cuando se equivocan, que es a menudo.
«Hace falta un doctorado». En research de algunos fondos es habitual, pero la mayoría de puestos de riesgo, pricing y desarrollo no lo exigen.
«Es solo para Wall Street». Hay quants en bancos europeos, aseguradoras, gestoras, fintechs, empresas de energía y también invirtiendo su propio dinero con método.
«Todo es machine learning». El machine learning es una herramienta más. La estadística clásica y el sentido común siguen resolviendo la mayoría de problemas.

Por dónde seguir

Este blog es un recorrido en cuatro etapas: entender el oficio, los fundamentos en Python, el nivel hedge fund y, al final, la entrevista. Estás en el primer paso. El siguiente responde a la pregunta que todo el mundo se hace a continuación: cuánto gana un quant.

«En física hay leyes. En mercados, solo probabilidades.» Ser quant es aprender a trabajar bien con esas probabilidades.