Qué hace realmente un quant (y qué no, por mucho que diga LinkedIn)

En 2020, el fondo más rentable de la historia ganó un 76 %. Se llama Medallion, lo gestiona Renaissance Technologies y en su plantilla hay matemáticos, físicos y antiguos criptógrafos. Ese mismo año, en el mismo edificio, con los mismos doctores y las mismas máquinas, los fondos que Renaissance vendía a inversores externos perdieron entre un 19 % y un 32 %.

Mismo talento, mismo año, resultados opuestos. La diferencia no fue la inteligencia: fue el tamaño del dinero, el horizonte de las señales y lo que cuesta ejecutarlas. Y ahí está lo primero que hace un quant y que nunca aparece en LinkedIn: decidir qué no se puede hacer con el capital que tiene delante.

Este artículo es el mapa del oficio: los cuatro trabajos distintos que caben dentro de la palabra, qué se hace de verdad en cada día de trabajo, qué nivel de matemáticas hace falta —menos del que crees para empezar, más del que crees para durar—, por qué la mayoría de las estrategias que encuentras son falsas de origen y cómo se empieza sin engañarse. Es también la puerta de entrada al Curso Básico para Quants: cada sección de aquí abajo apunta al módulo donde ese mismo asunto se estudia con las manos.

Qué es un quant, en una frase

Un quant es alguien que convierte una hipótesis sobre el mercado en un modelo comprobable y después intenta destruirlo antes de que lo haga el mercado. No es un adivino con mejores fórmulas. Es un científico aplicado que trabaja en el entorno con peor relación señal/ruido que existe fuera de un laboratorio de física de partículas.

La palabra abarca dos mundos que se confunden a diario. Uno es el de la valoración: poner precio a un derivado, medir el riesgo de una cartera, validar un modelo ante el regulador. Otro es el de la predicción: encontrar una ventaja estadística repetible y explotarla. El primero es un problema de matemáticas bien definido, con una respuesta correcta. El segundo es un problema de estadística mal definido, donde casi todas las respuestas son falsas y el trabajo consiste en descartarlas.

Conviene también separarlo de lo que no es. El análisis fundamental estudia una empresa a fondo para tomar unas pocas decisiones muy informadas. El enfoque cuantitativo hace lo contrario: acepta saber poquísimo de cada activo a cambio de aplicar la misma regla a miles de ellos y dejar que la aritmética de los grandes números haga el resto. Y el trading discrecional decide con juicio humano lo que el sistemático decide con reglas escritas de antemano. Ninguno de los tres es superior; lo que cambia es dónde se pone el esfuerzo y qué tipo de error te mata.

Los cuatro trabajos que caben dentro de la palabra «quant»

Una oferta de empleo que diga «buscamos quant» no dice nada. Estos cuatro perfiles comparten vocabulario y poco más: distinto producto, distinta jornada, distintas herramientas y distinto motivo de despido.

Rol	Qué entrega	Herramienta principal	Cuándo falla
Quant researcher	Hipótesis validadas y descartadas; modelos de señal	Python, datos históricos limpios, inferencia estadística	Cuando su estrategia funciona en el backtest y no en producción
Quant trader	Ejecución diaria de las estrategias vivas	Monitores de posición, control de riesgo intradía	Cuando reacciona tarde a un cambio de régimen o de liquidez
Quant developer	La infraestructura: datos, backtester, motor de órdenes	Python y C++, SQL, sistemas distribuidos	Cuando una fuga de datos o una latencia invalida todo lo demás
Risk quant	Medidas de riesgo, pruebas de estrés, validación de modelos	VaR y CVaR, escenarios, normativa (Basilea)	Cuando el riesgo real no estaba en el modelo que firmó

El detalle incómodo: en España y en la mayor parte de Europa continental, el grueso del empleo cuantitativo real está en la cuarta fila y en la tercera, no en la primera. Bancos, aseguradoras, consultoras de validación de modelos y equipos de tesorería contratan gente que mide riesgo, valora productos estructurados y documenta modelos para el supervisor. Los puestos de researcher en fondos sistemáticos existen, pero son pocos y se concentran en Londres, Ámsterdam, París, Nueva York y Chicago. Quien se prepara solo para el trabajo de las películas compite por el 5 % de las vacantes e ignora el 95 % restante, que además paga bien y enseña el oficio desde dentro.

Sell-side y buy-side: dos empleos con el mismo nombre

	Sell-side (bancos)	Buy-side (fondos, gestoras)
Objetivo	Dar servicio: valorar y cubrir lo que se vende al cliente	Generar rentabilidad por encima del mercado
Pregunta típica	«¿Cuánto vale esto y cómo lo cubro?»	«¿Esto predice algo y sobrevive a los costes?»
Disciplina dominante	Matemáticas (cálculo estocástico, EDP)	Estadística e ingeniería de datos
Medida del éxito	Modelo correcto, aprobado y documentado	Dinero, después de costes y de impuestos
Rutina	Precio, cobertura, reporte, auditoría	Investigar, descartar, medir riesgo, repetir

En el sell-side existe la respuesta correcta y alguien la va a revisar. En el buy-side no existe la respuesta correcta y el revisor es el mercado, que además no explica sus motivos. Elegir lado es la decisión de carrera más importante, y se toma casi siempre por accidente.

Las tres patas, y el nivel real que hace falta

El taburete tiene tres patas: matemáticas, estadística y programación. Si falta una, se cae. Pero el nivel exigido no es el que se exhibe en las redes, donde todo el mundo empieza por el cálculo estocástico porque es lo que mejor queda en una captura de pantalla.

Pata	Lo que se exhibe	Lo que usas de verdad a diario
Matemáticas	Lema de Itô, EDP, medidas de probabilidad	Álgebra lineal (matriz de covarianza), probabilidad básica, optimización con restricciones
Estadística	Modelos GARCH exóticos	Estacionariedad, regresión, intervalos de confianza y, sobre todo, corrección por pruebas múltiples
Programación	Redes neuronales profundas	pandas y NumPy sin fugas temporales, SQL, control de versiones, tests

La pata que decide quién dura es la de en medio, y es la que casi nadie estudia. Las matemáticas del día a día se aprenden en un semestre y están en los fundamentos matemáticos del curso; la programación se aprende escribiendo código malo durante un año. La estadística de datos financieros es distinta: exige entender por qué una serie de precios no es estacionaria, por qué la volatilidad se agrupa en racimos y por qué probar mil ideas sobre los mismos datos destruye la validez de la que finalmente eliges. Esa última idea es la que separa a un profesional de alguien con un backtest bonito, y merece su propia sección.

El día a día: el ciclo de investigación, sin épica

El trabajo real de investigación cuantitativa sigue el método científico y es, en proporción, mucho menos glamuroso de lo que se cuenta:

1. Hipótesis. «Creo que X predice Y porque existe esta razón económica». La razón va primero. Sin ella, lo que viene después es minería de datos.
2. Datos. Conseguirlos, limpiarlos, corregir splits y dividendos, comprobar que la base incluye a las empresas que quebraron. Aquí se va la mitad del tiempo, como mínimo.
3. Modelo. Formalizar la idea con la precisión suficiente para escribirla en código, lo que por sí solo mata buena parte del pensamiento mágico.
4. Backtest. Simular sobre el pasado, descontando comisiones, horquilla y deslizamiento.
5. Validación. ¿Aguanta en un periodo que la optimización nunca vio? ¿Aguanta con parámetros vecinos? ¿Es significativo después de contar cuántas variantes probaste?
6. Decisión. Implementar, refinar o —en la inmensa mayoría de los casos— tirar a la basura.

Si tuviera que resumir la jornada de un researcher en una frase: el 90 % del trabajo es limpiar datos y matar ideas propias. La parte de tener ideas es la barata; la de enterrarlas con rigor es la que se paga. Cómo se construye ese ciclo con las manos está en tu primer backtest en Python, donde cuarenta líneas de código pasan de un 7,10 % anual a un 1,28 % simplemente arreglando el momento en que se ejecuta la señal.

Por qué casi todo lo que encuentras es falso de origen

Esta es la parte que convierte el oficio en una disciplina y no en un pasatiempo. Cuando pruebas muchas variantes de una estrategia sobre los mismos datos, la mejor de todas parecerá buenísima aunque ninguna tenga ventaja real. No es una advertencia moral: es aritmética.

Bailey, Borwein, López de Prado y Zhu lo cuantificaron en Notices of the American Mathematical Society (mayo de 2014): con cinco años de datos diarios, basta probar unas 45 configuraciones para que la mejor alcance un ratio de Sharpe de 1 por puro azar, con rentabilidad esperada fuera de muestra igual a cero. Cuarenta y cinco variantes es una tarde de trabajo. Cualquiera que haya movido dos medias móviles y tres umbrales ya ha pasado ese umbral sin darse cuenta.

El mismo problema existe en la literatura académica. Harvey, Liu y Zhu revisaron en The Review of Financial Studies (2016) los 316 factores publicados en revistas financieras para explicar la rentabilidad de las acciones y concluyeron que el listón habitual de significación (t > 2) es demasiado bajo cuando se han probado cientos de candidatos: propusieron exigir t > 3, y aun así dar por falsos a buena parte de los supervivientes. Si eso ocurre con trabajos revisados por pares, conviene imaginar qué ocurre con un hilo de X que promete un 300 % anual.

De ahí salen las tres defensas que definen el oficio:

• Contar las pruebas. El número de variantes ensayadas es un dato del experimento y debe declararse, igual que en un ensayo clínico. Sobre él se ajusta la significación (el Deflated Sharpe Ratio hace exactamente eso).
• Desconfiar de lo espectacular. Un Sharpe de 4 en un backtest doméstico no es una buena noticia: es el síntoma más fiable de sobreajuste. Qué valores son creíbles y por qué está desarrollado en el artículo sobre el ratio de Sharpe.
• Descontar la fricción antes de celebrar. Comisiones, horquilla, deslizamiento e impacto de mercado se llevan por delante la mayoría de las estrategias rentables «en papel»; los cuatro están medidos en los costes que nadie simula. Y si operas desde España, falta uno más: cada venta con ganancia tributa entre el 19 % y el 30 %, según los tramos que detalla la guía fiscal del inversor. Una estrategia que rota la cartera cada mes paga ese peaje doce veces al año; una que rota cada cinco años, ninguna.

El curso dedica su módulo más largo a esto, con un demostrador interactivo de sobreajuste que enseña en vivo cómo el Sharpe dentro de muestra se infla y el de fuera de muestra se derrumba a medida que aumentas el número de pruebas. Verlo moverse convence más que cualquier párrafo.

Lo que un quant no hace (cinco mitos de LinkedIn)

1. No predice el precio de mañana

Nadie con un modelo serio afirma saber dónde cerrará un activo mañana. El negocio consiste en tener una ventaja pequeña y repetirla muchísimas veces. Una regla que acierte el 52 % de las veces, aplicada a diez mil operaciones pequeñas y descorrelacionadas entre sí, es un negocio excelente; aplicada a diez operaciones grandes, es una moneda al aire. Por eso los fondos sistemáticos operan cientos de posiciones y no cinco, y por eso la gestión del tamaño de cada apuesta importa más que la señal.

2. No vive de una estrategia genial

La imagen del algoritmo único que lo resuelve todo no existe en ningún sitio donde se gane dinero de forma estable. Lo que hay es una cartera de señales débiles, cada una con poca capacidad, combinadas de modo que sus errores no se solapen, y encima una capa de control de riesgo que apaga cosas cuando se comportan raro. Es un trabajo de ingeniería de carteras —el territorio del módulo de construcción de carteras cuantitativas— mucho más que de invención.

3. La inteligencia artificial no ha sustituido a la estadística

En imágenes o en texto, la señal es fuerte y abundante; en mercados financieros es débil, cambiante y escasa. Con esa relación señal/ruido, los modelos flexibles memorizan ruido con una facilidad pasmosa y los modelos simples ganan a menudo. El aprendizaje automático es una herramienta más —con su propio módulo en el curso y sus propias técnicas de validación—, no una bala de plata. Sobre el uso realista de estas herramientas por parte de un inversor particular, ya escribimos aquí. Y sobre cómo los algoritmos y el big data transformaron la infraestructura del mercado, en la nueva era del trading.

4. No es «un bot en casa con mil euros»

Aquí vuelve el dato del principio. Medallion cerró a inversores externos en 1993, liquidó al último en 2005 y desde entonces gestiona solo capital de empleados y antiguos empleados, manteniendo su tamaño acotado en el entorno de los 10.000 millones de dólares. No es coquetería: sus señales tienen capacidad limitada y, por encima de cierto volumen, el propio fondo se convierte en su peor enemigo al mover el precio contra sí mismo. Los fondos que Renaissance sí abrió al público operan con estrategias distintas, de mayor capacidad y menor rendimiento, y en 2020 perdieron dinero mientras Medallion ganaba un 76 % (Institutional Investor, enero de 2021).

La lectura para quien empieza no es desalentadora, es liberadora: un particular no compite en el terreno de los fondos, y no debería intentarlo. No tendrá sus datos, ni su latencia, ni su equipo. Lo que sí puede tener es lo contrario de lo que a ellos les sobra: horizonte largo, ausencia de inversores que rescaten en el peor momento y libertad para no operar. Eso, con método cuantitativo aplicado a decisiones de cartera, es una ventaja real. Perseguir el 76 % de Medallion, no.

5. No es inmune al desastre por tener un doctorado

Long-Term Capital Management se fundó en 1994 con dos futuros premios Nobel, Myron Scholes y Robert Merton, entre sus socios. Sus modelos de arbitraje asumían que las relaciones históricas entre bonos volverían a su media, y el apalancamiento multiplicaba la apuesta: a principios de 1998 llegó a operar con una ratio cercana a 25 a 1. La crisis rusa de agosto de ese año produjo movimientos que sus modelos consideraban prácticamente imposibles. El fondo perdió 4.600 millones de dólares en menos de cuatro meses y el 23 de septiembre de 1998 catorce entidades aportaron 3.625 millones, en una operación coordinada por la Reserva Federal de Nueva York, para liquidarlo de forma ordenada y evitar el contagio (Federal Reserve History).

La lección no es que los modelos no sirvan. Es que un modelo describe el mundo bajo unos supuestos, y cuando los supuestos se rompen —las correlaciones se van a uno, la liquidez desaparece— el apalancamiento convierte un error de estimación en una quiebra.

Medallion y LTCM: el mismo oficio, dos resultados

	Medallion	LTCM
Estructura de la apuesta	Miles de señales pequeñas y cortas	Pocas apuestas de convergencia, muy grandes
Apalancamiento	Controlado	Extremo (≈25:1 en 1998)
Capacidad	Limitada a propósito (~10.000 M$)	Creciente, sin freno
Qué pasa si el modelo se equivoca	Una señal entre miles deja de aportar	La posición no se puede cerrar sin hundir el precio
Resultado	≈66 % bruto y ≈39 % neto anual, 1988-2018 (Cornell, JPM, 2020)	Liquidación en 1998

Los dos equipos eran brillantes y los dos usaban matemáticas de verdad. Lo que los separa no está en la calidad de los modelos, sino en el diseño del riesgo alrededor de los modelos: cuánto puede costar equivocarse. Esa pregunta —no «cuánto puedo ganar»— es la que ordena la jornada de un quant profesional, y es el contenido del módulo de métricas de riesgo: volatilidad, máxima caída, VaR, Sortino y por qué ninguna de ellas basta por separado.

Cómo se empieza de verdad: doce meses realistas

No hay atajo, pero sí hay un orden que evita perder un año. Lo que sigue asume entre ocho y diez horas semanales y nada de conocimiento previo de programación.

Trimestre	Qué haces	Cómo sabes que lo has conseguido
1	Python, pandas y NumPy sobre datos de mercado reales. Estadística descriptiva y distribuciones.	Descargas precios, calculas rentabilidades y volatilidad anualizada sin copiar código ajeno.
2	Inferencia, regresión, estacionariedad, autocorrelación. Alpha y beta.	Sabes explicar por qué una regresión sobre precios engaña y sobre rentabilidades no tanto.
3	Backtesting honesto: fuera de muestra, costes, sesgo de supervivencia, pruebas múltiples.	Tu propia estrategia favorita deja de funcionar cuando la evalúas bien, y entiendes por qué.
4	Riesgo y cartera: dimensionar posiciones, correlaciones, rebalanceo. Un proyecto propio de principio a fin.	Tienes un repositorio público con datos, código, resultados y los fracasos documentados.

Dos consejos que valen más que cualquier temario. El primero: publica también lo que no funcionó. Un repositorio con tres estrategias correctamente descartadas y el razonamiento de por qué demuestra más criterio que uno con una curva de beneficio ascendente, y quien contrata lo sabe. El segundo: empieza por datos diarios y horizontes largos. La alta frecuencia exige una infraestructura que no vas a tener y esconde tus errores detrás de problemas de latencia.

Preguntas frecuentes

¿Hace falta un doctorado para ser quant? Para research en fondos de primer nivel, es lo habitual: matemáticas, física, estadística o informática. Para developer, riesgo o roles junior, un buen grado o máster con un portfolio sólido puede bastar. El repositorio público pesa más de lo que la gente cree.

¿Qué lenguaje aprendo primero? Python, sin discusión. Es el estándar de facto en investigación y en casi todo el buy-side. C++ solo si te orientas a alta frecuencia o a motores de ejecución.

¿Se puede ser quant desde casa con poco capital? Se puede aprender, investigar y aplicar el método a tus propias decisiones de inversión, y eso ya cambia resultados. Competir con fondos institucionales por la misma ventaja de corto plazo, no: no tienes sus datos, su latencia ni su equipo. Tu ventaja está en el horizonte largo y en no tener que operar.

¿Las matemáticas son muy avanzadas? Para empezar, no. Álgebra lineal, probabilidad y estadística sólidas te llevan muy lejos. El cálculo estocástico solo es imprescindible si vas a valorar derivados.

¿El machine learning ha sustituido a la estadística clásica? No. Con la baja relación señal/ruido de los mercados, los modelos simples ganan a menudo y los complejos sobreajustan con facilidad. El ML es una herramienta con sus propias reglas de validación, no un atajo.

¿Cuánto se tarda en estar listo? Con constancia, entre doce y dieciocho meses para tener criterio propio y un proyecto defendible. Cualquiera que prometa menos está vendiendo otra cosa.

El resumen que nadie pone en su perfil

Un quant pasa la mayor parte de su tiempo limpiando datos, dudando de sus resultados y enterrando ideas propias. Su producto más valioso no es la estrategia que sobrevive, sino la disciplina para descartar las noventa y nueve que no deberían haber sobrevivido y estuvieron a punto de hacerlo. Ese es el oficio: no predecir mejor, sino engañarse menos.

Si esa descripción te resulta atractiva en lugar de decepcionante, tienes el perfil. El Curso Básico para Quants recorre exactamente este camino en diez módulos y unas 120 horas, desde el método científico aplicado a mercados hasta un proyecto final propio, con calculadoras y demostradores interactivos en cada bloque. Empieza por el módulo 1, que desarrolla con casos resueltos todo lo que aquí solo hemos podido enunciar: el ecosistema, los roles, el método y por qué fracasan las estrategias. Es gratuito y está en español.

Fuentes de las cifras citadas, comprobadas el 20 de septiembre de 2026: Bradford Cornell, «Medallion Fund: The Ultimate Counterexample?», The Journal of Portfolio Management (2020), para los retornos de Medallion 1988-2018; Institutional Investor (enero de 2021) para el contraste entre Medallion y los fondos abiertos de Renaissance en 2020; Bailey, Borwein, López de Prado y Zhu, Notices of the AMS (mayo de 2014), para el número mínimo de pruebas; Harvey, Liu y Zhu, The Review of Financial Studies (2016), para los 316 factores y el umbral t > 3; Federal Reserve History y el informe de la GAO para las cifras de LTCM. Este contenido es divulgativo y no constituye asesoramiento de inversión ni orientación profesional personalizada.