Quant — analista cuantitativo
Matemáticas, datos y código: los físicos que se comieron Wall Street.
En qué consiste de verdad
El quant aplica matemáticas, estadística y programación a los mercados. Familias principales: el quant researcher de un fondo busca señales predictivas en datos (el «alfa»: patrones estadísticos explotables antes de que se borren); el quant de pricing en bancos modela y valora derivados complejos; el quant de riesgo construye los modelos que vigilan las posiciones; y el quant developer convierte la investigación en sistemas de producción que operan en microsegundos.
El día a día es investigación aplicada: hipótesis, datos (limpiarlos es media vida), backtests rigurosos (la guerra contra el sobreajuste es EL tema del oficio), revisión por pares internos y puesta en producción. Más cercano a un laboratorio o a una tech que a la imagen clásica de Wall Street: tranquilo, intelectual, meritocrático por resultados medibles.
Es la carrera financiera con mayor demanda estructural: los mercados se electronifican, los datos crecen y el machine learning ha multiplicado el apetito por este perfil — al precio de competir por talento directamente contra Google y DeepMind.
Las mejores casas
Los templos quant: Renaissance Technologies (el fondo Medallion es la leyenda del sector), Two Sigma, D.E. Shaw, Citadel, Jane Street, PDT y los europeos Squarepoint, Qube RT y G-Research (Londres es el gran hub europeo, junto a París — gracias a la escuela matemática francesa — y Ámsterdam para market making).
Los bancos (JPM, GS, BNP, SocGen) emplean miles de quants en pricing y riesgo: entrada más accesible, trabajo más regulado y estandarizado que en los fondos. En España el empleo quant nativo está en los equipos de riesgos y tesorería de Santander/BBVA y en consultoría cuantitativa — la primera división exige salir fuera, y recluta intensamente en facultades españolas de matemáticas y física.
Qué piden en los procesos de selección
El filtro es académico-técnico puro: grados en matemáticas, física, estadística o ingenierías exigentes, frecuentemente con máster o doctorado (los fondos top contratan PhDs de matemáticas/física/ML directamente de la academia). Olimpiadas matemáticas y competiciones (Kaggle, Project Euler, competitive programming) pesan tanto como el expediente.
Las entrevistas: probabilidad rigurosa (esperanzas condicionadas, martingalas según el nivel, problemas de monedas y cartas), estadística e inferencia, brainteasers matemáticos serios, programación (estructuras de datos, algoritmos — entrevista estilo tech) y, para researchers, discusión de un proyecto de investigación propio. Preparación clásica: el libro verde de Mark Joshi o «Heard on the Street», y practicar código. El inglés y la movilidad internacional se dan por hechos.
Sueldos de entrada (orientativos)
La banda más alta de esta lista junto a prop trading: £100.000-180.000 totales de entrada en quant funds y prop firms de Londres/Ámsterdam para graduados top (los PhDs y los fichajes estrella superan eso con sign-on bonus). En bancos, el quant júnior entra en £60.000-90.000 en Londres, 45.000-70.000 € en París/Madrid.
La progresión en fondos sigue al P&L de tus señales: un researcher cuyas estrategias escalan llega a siete cifras sin gestionar personas — caso único en las finanzas. Cifras orientativas 2024-2025.
La carrera profesional
En fondos: researcher → senior researcher → jefe de equipo o PM cuantitativo → socio. En banca: quant de equipo → responsable de modelo → jefe de quant del producto. La carrera técnica pura (sin gestionar gente) está mejor pagada y más respetada aquí que en ningún otro rincón de las finanzas.
Salidas: entre fondos (mercado líquido y global), big tech (el mismo perfil vale para Google que para Citadel — la puerta gira en ambos sentidos), startups de datos/fintech y academia. Es también la carrera más «portable» fuera de las finanzas: un quant es, ante todo, un científico de datos de élite con experiencia en el dominio más competitivo que existe.
Los conocimientos que debes dominar
Probabilidad y estadística serias
El temario duro: probabilidad condicional y teorema de Bayes, esperanza y varianza con soltura formal, distribuciones (normal, binomial, Poisson) y sus colas, ley de grandes números y teorema central del límite, procesos básicos (random walk, martingalas a nivel concepto) e inferencia: regresión lineal entendida a fondo (supuestos, sesgos, p-values y sus abusos). Los clásicos de preparación: «Heard on the Street» y el libro verde de Mark Joshi.
Programación y estructuras de datos
Python fluido (NumPy/pandas para datos) y fundamentos de informática: complejidad (saber por qué la búsqueda binaria es O(log n)), estructuras (listas, hash maps, árboles a nivel usuario), y limpieza y manipulación de datos reales — el 70 % del trabajo. Las firmas top añaden entrevista de código estilo tech (resolver problemas en vivo).
Finanzas cuantitativas y el enemigo: el sobreajuste
Lo financiero se aprende rápido si lo matemático es sólido: paseo aleatorio y eficiencia de mercados, valoración de opciones a nivel conceptual (réplica, neutralidad al riesgo), y la cultura del backtest honesto — out-of-sample, costes de transacción, y la paranoia profesional contra el overfitting: cualquier patrón brillante encontrado en datos históricos es culpable hasta que se demuestre lo contrario.
Así es el test de entrevista
Ronda cuantitativa estándar (fondos y prop firms): probabilidad formal, estimación y código.
Q1Lanzo una moneda justa hasta que sale la primera cara. ¿Cuántas tiradas espero necesitar? ¿Y si te pago 2^n € donde n es la tirada en que salió?
Primera parte: distribución geométrica, E = 1/p = 2 tiradas. Segunda: es la paradoja de San Petersburgo — EV = Σ (1/2^n)·2^n = 1+1+1+... = infinito, pero nadie pagaría más de unos pocos euros. Lo que esperan: reconocer la paradoja y explicarla (utilidad marginal decreciente, capital finito del pagador, y el criterio de Kelly que apuesta según log-utilidad). Distinguir esperanza matemática de decisión racional es exactamente el oficio.
Q2En una sala hay 23 personas. ¿Probabilidad de que al menos dos compartan cumpleaños? Estímalo sin calculadora.
El truco: calcular el complementario (todos distintos) = 365/365 × 364/365 × ... × 343/365. Aproximación estándar: P(ninguna coincidencia) ≈ e^(−n²/2·365) = e^(−23²/730) = e^(−0,725) ≈ 0,48 → P(coincidencia) ≈ 52 %. La famosa paradoja del cumpleaños: con solo 23 personas ya es más probable que no. Evalúan el uso del complementario y la aproximación exponencial — las dos herramientas más usadas del cálculo mental probabilístico.
Q3Tu backtest da un Sharpe de 3 en datos de los últimos 10 años. ¿Lo pones a operar?
No sin un interrogatorio: (1) ¿cuántas estrategias probé antes de encontrar esta? (multiple testing: si pruebas 1.000 señales, varias tendrán Sharpe 3 por azar); (2) ¿incluye costes de transacción, slippage e impacto de mercado?; (3) ¿sobrevive out-of-sample y en datos que el modelo nunca vio?; (4) ¿tiene lógica económica o es numerología? (¿por qué existe esa ineficiencia y quién me la está pagando?); (5) ¿capacidad? (quizá funciona con 1 M€ y muere con 100). Un Sharpe 3 sostenido es nivel Renaissance: lo más probable, estadísticamente, es que sea un artefacto. La paranoia ES la respuesta correcta.
Q4¿Por qué la correlación no implica causalidad? Dame un ejemplo de mercados donde confundirlas cueste dinero.
Ejemplo clásico: una señal que «predice» retornos porque ambos dependen de una tercera variable (régimen de tipos, un sector dominante en el periodo muestral). Caso concreto: entre 2010-2020 comprar growth cada caída «funcionaba» — la causa real era el viento de cola de tipos cayendo, no una ley del mercado; en 2022 la correlación se invirtió y la «estrategia» se hundió. Detectarlo: controlar por factores conocidos (mercado, value, momentum...) y preguntar siempre qué mecanismo económico genera la relación y si sigue vigente.
Q5Código: tengo un array ordenado de un millón de precios. ¿Cómo encuentro si existe un precio concreto, y en cuántas operaciones?
Búsqueda binaria: comparar con el elemento central y descartar la mitad en cada paso → O(log n); log₂(1.000.000) ≈ 20 comparaciones. Seguimiento típico: ¿y si el array no está ordenado? (búsqueda lineal O(n), u ordenar primero O(n log n) si habrá muchas búsquedas, o un hash set para O(1) por consulta con coste de memoria). Evalúan que razones los trade-offs (tiempo vs. memoria vs. preprocesado), no que recites la respuesta.
Ponte a prueba
Quant — analista cuantitativo — Test puntuable. Elige nivel, responde y obtén tu nota.
1El trabajo del quant researcher en un fondo es…
2Probabilidad de sacar suma 7 con dos dados:
3El lenguaje de programación estándar del análisis cuantitativo es…
4¿Qué es un backtest?
Packs de preguntas premium
Por 5 € desbloqueas un banco de 15 preguntas adicionales del nivel que elijas, con corrección razonada — disponible para siempre en tu cuenta. Necesitarás registrarte (1 minuto).
¿Prefieres papel? El manual con las 11 carreras, la teoría y 250+ preguntas resueltas está disponible como libro: Ver el libro →
PAGO SEGURO CON STRIPE · ACCESO INMEDIATO TRAS EL PAGO · IVA INCLUIDO
Sueldos de entrada en finanzas en España 2025
Los rangos reales de las 11 carreras en Madrid y Londres, las tres lecturas para elegir bien y el calendario de summer internships que decide quién entra. Te la enviamos al instante.
SIN SPAM · SOLO RECURSOS DE PREPARACIÓN · PODRÁS DARTE DE BAJA EN CUALQUIER MOMENTO
Excelencia matemática real (no «se me daban bien las mates»: olimpiada, no aprobado), programación sólida, mentalidad científica y placer en problemas abstractos. El perfil STEM de la lista.
Sueldos orientativos (2024-2025), brutos anuales; varían por firma, ciudad y año.