El plan exacto para ganar $650,000 al año (Hoja de ruta para quant)

Voy a desglosar el plan exacto para construir una carrera cuant de $650,000/año desde cero y conseguir roles en firmas como Jane Street y Citadel.

Vamos directo al grano.

Guarda esto

-

Soy Roan, desarrollador backend especializado en diseño de sistemas, ejecución estilo HFT y sistemas de trading cuantitativo. Mi trabajo se centra en cómo se comportan realmente los mercados de predicción bajo carga. Para sugerencias, colaboraciones o asociaciones, los DM están abiertos.

La industria cuant no está esperando a nadie.

Los investigadores cuantitativos de nivel inicial en Citadel ya ganan entre $336,000 y $642,000 en compensación total al salir de la universidad. Jane Street pagó a su empleado promedio $1.4 millones solo en la primera mitad de 2025. Los pasantes en IMC Trading ganan el equivalente anualizado de más de $240,000. El benchmark a cinco años para quienes sobreviven en las mejores firmas propias se sitúa entre $800,000 y $1,200,000 por año.

Y eso es antes de ver lo que está pasando en los mercados de predicción.

El espacio se está expandiendo rápidamente hacia elecciones, economía, deportes y eventos geopolíticos. Los quants institucionales ahora despliegan estrategias sistemáticas en mercados de predicción de la misma manera que lo hacen en acciones y derivados. Los mismos marcos de probabilidad, las mismas técnicas de combinación de señales, los mismos principios de gestión de riesgo. Ya escribí un artículo específico sobre cómo entrar en Quant de Mercados de Predicción.

Roan

@RohOnChain

·

24 Feb

Artículo

Cómo Convertirse en Quant para Mercados de Predicción (Hoja de Ruta Completa)

Voy a desglosar la hoja de ruta completa para convertirte en un Quant de nivel institucional para Mercados de Predicción. También compartiré los recursos exactos y el camino paso a paso que funciona.

Vamos directo al...

35

196

1.3K

481K

Cuando tenía 16 años, no entendía nada de cómo funcionaban realmente la probabilidad y las matemáticas en los mercados reales. Hoy lidero estrategias de trading sistemático en mercados de predicción a nivel institucional. Esto sucedió porque seguí un camino estructurado desde principiante absoluto hasta comprender los marcos matemáticos, la ejecución técnica y la microestructura de mercado que las instituciones usan para extraer ventaja de manera sistemática.

La contratación de IA y machine learning en finanzas cuantitativas se aceleró bruscamente durante 2025. Cada fondo importante está construyendo estrategias sistemáticas impulsadas por modelos de ML. Se proyecta que la demanda de analistas cuantitativos crecerá un 9 por ciento hasta 2028 y los reclutadores describen 2026 como posiblemente el mercado de talento cuant más competitivo a nivel global.

Y sin embargo, la mayoría de las personas que quieren entrar en este espacio no tienen idea de cómo hacerlo realmente.

Creen que el trading cuantitativo se trata de ser inteligente sobre los mercados. Elegir las acciones correctas. Tener opiniones firmes sobre la dirección de los precios. Se imaginan trajes de Wall Street y terminales Bloomberg y asumen que el campo pertenece a personas que estudiaron finanzas en universidades de élite. Asumen que necesitas MIT o Stanford en tu currículum. Asumen que sin un nombre de la Ivy League, la puerta ya está cerrada.

Esto es completamente incorrecto. Y es la razón más grande por la que la mayoría de las personas ni siquiera lo intentan.

Jane Street establece explícitamente en sus ofertas de trabajo que no se espera ni se requiere conocimiento previo de finanzas o economía. Más de dos tercios de su clase de pasantes reciente estudiaron ciencias de la computación o matemáticas. No finanzas. No economía.

Contratación en Jane Street

Al final de este artículo entenderás qué es realmente el trading cuantitativo y por qué paga lo que paga, los cuatro roles cuant principales y cuál se ajusta a tu perfil, la hoja de ruta matemática completa desde cero construida en el orden de aprendizaje correcto, qué evalúa realmente el proceso de entrevistas en las mejores firmas y cómo prepararte precisamente para ello, y la escalera exacta desde cero experiencia hasta tu primera credencial institucional real.

Nota: Este artículo es deliberadamente largo. Cada parte se construye sobre la anterior. Si hablas en serio sobre construir una carrera cuant, lee cada palabra. Si buscas un atajo, esto no es para ti.

Parte 1: Qué es Realmente el Trading Cuantitativo y los Roles que lo Componen

La mayoría de la gente piensa que el trading cuantitativo se trata de tener opiniones sobre hacia dónde van los mercados.

No lo es. El trading cuantitativo se trata de matemáticas.

Trabajas con relaciones estadísticas, ineficiencias de precios y ventajas estructurales que existen porque los mercados son sistemas complejos operados por humanos que cometen errores sistemáticos y repetibles. El objetivo no es tener razón sobre un resultado específico. El objetivo es encontrar situaciones donde la probabilidad matemática esté a tu favor, dimensionar la posición correctamente y repetir ese proceso miles de veces hasta que el valor esperado se acumule en retornos reales.

Piénsalo de la misma manera que opera un casino. El casino no intenta predecir si una apuesta individual ganará. Ejecuta el juego repetidamente con una pequeña ventaja matemática en cada apuesta y deja que la ley de los grandes números haga el resto. Las firmas de trading cuantitativo operan de la misma manera. Encuentran ventajas. Dimensionan posiciones correctamente. Ejecutan a escala.

Este marco se aplica idénticamente a los mercados de predicción. Un cuant sistemático no intenta predecir si un candidato político específico ganará una elección. Intenta encontrar mercados donde la probabilidad implícita se desvíe mediblemente de lo que los datos subyacentes realmente respaldan, apuesta por esa desviación y repite en cientos de eventos simultáneamente. Las herramientas son las mismas. Las matemáticas son las mismas. La ventaja proviene de la misma fuente.

Ahora los roles, porque la preparación requerida difiere significativamente entre ellos.

Investigador Cuantitativo es el rol mejor pagado y más exigente. Son las personas que encuentran patrones en conjuntos masivos de datos, construyen modelos predictivos y diseñan las estrategias de trading reales. Necesitan profundidad matemática y estadística a nivel de doctorado, o logros universitarios excepcionales en un campo cuantitativo duro. La compensación total de nivel inicial en las mejores firmas oscila entre $350,000 y $650,000 y escala dramáticamente a partir de ahí.

Trader Cuantitativo toma los modelos construidos por los investigadores y ejecuta operaciones reales en tiempo real. Pensamiento probabilístico rápido, cálculo mental sólido y toma de decisiones segura bajo presión con información incompleta. Este rol tiene la mayor varianza de compensación de cualquier carrera cuant. Los traders excepcionales alcanzan ocho cifras en un solo año. La compensación de nivel inicial en las mejores firmas típicamente comienza entre $200,000 y $400,000 con potencial ilimitado.

Desarrollador Cuantitativo construye la infraestructura que hace que la investigación realmente opere en mercados en vivo. Plataformas de trading, motores de ejecución, pipelines de datos en tiempo real, sistemas de baja latencia. C++, Rust y Python a nivel de producción con estándares de rendimiento muy altos. La compensación total de nivel inicial típicamente se sitúa entre $200,000 y $350,000 en las mejores firmas.

Quant de Riesgo se enfoca en validación de modelos, cálculo de valor en riesgo, pruebas de estrés y cumplimiento regulatorio. La trayectoria profesional cuant más estable con la progresión de compensación más predecible. Techo más bajo que los otros tres roles pero significativamente más estabilidad.

El rol de más rápido crecimiento actualmente es el cuant enfocado en IA y machine learning que construye sistemas de generación de señales usando deep learning, procesa datos alternativos a escala y despliega modelos de ML directamente en entornos de trading en vivo. Esto se sitúa en la intersección de la investigación cuant y la ingeniería de machine learning y es donde está ocurriendo la contratación más agresiva durante 2025 y 2026.

El concepto erróneo que debes eliminar antes de seguir leyendo: no necesitas un título en finanzas para hacer ninguno de estos trabajos. Necesitas habilidad matemática, habilidad de programación y la disciplina para construir la base en el orden correcto.

Parte 2: La Base Matemática en el Orden Correcto

El camino desde cero hasta estar listo para ser cuant es como los niveles en un videojuego. No puedes saltarte niveles. Cada concepto se construye sobre el anterior. Si intentas saltar al machine learning o a la fijación de precios de opciones sin las capas fundamentales debajo, construirás familiaridad superficial con muchos temas y comprensión genuina de ninguno. Eso no sobrevivirá una entrevista cuant.

El orden correcto tiene cinco capas de profundidad. Cada capa es el prerrequisito para todo lo que le sigue.

Capa Uno: Probabilidad

Todo en finanzas cuantitativas se reduce a una pregunta. ¿Cuáles son las probabilidades y están a mi favor?

Si no entiendes la probabilidad a un nivel profundo, nada más en este artículo importa. La fijación de precios de opciones es un problema de probabilidad. El modelado de señales es un problema de probabilidad. La creación de mercado es un problema de probabilidad. El dimensionamiento de posiciones es un problema de probabilidad. El trading en mercados de predicción es un problema de probabilidad en su núcleo.

El concepto más importante en esta capa es el pensamiento condicional. Los quants no piensan en absolutos. Piensan en condicionales. Dado lo que sé ahora, ¿qué tan probable es este resultado?

La fórmula que hace esto preciso:

P(A|B) = P(A y B) / P(B)

La probabilidad de A dado B es igual a la probabilidad de que ambos eventos ocurran dividida por la probabilidad de B solo.

Así es como funciona esto en la práctica. Imagina que estás construyendo una señal para un mercado de predicción sobre un anuncio económico. La probabilidad incondicional de que el mercado se mueva bruscamente después del anuncio es del 40 por ciento según las tasas base históricas. Pero en días en que la volatilidad implícita de las opciones está significativamente elevada antes del anuncio, la probabilidad condicional de un movimiento brusco aumenta al 68 por ciento. Ese 68 por ciento es señal real y utilizable. El 40 por ciento incondicional mezcla señal y ruido de una manera que no puedes separar sin condicionar.

El Teorema de Bayes es el otro concepto esencial aquí. Te dice cómo actualizar tu convicción a medida que llega nueva información:

Posterior = (Verosimilitud x Prior) / Evidencia

Tu creencia actualizada es igual a qué tan probable sería ver esta nueva evidencia si tu hipótesis fuera cierta, multiplicado por qué tan fuertemente ya creías la hipótesis, dividido por qué tan probable sería ver esta evidencia bajo cualquier hipótesis. Los traders que actualizan sus creencias más rápido y con mayor precisión cuando llega nueva información superan consistentemente a todos los demás.

El valor esperado y la varianza son los dos números en los que pensarás por el resto de tu carrera cuant. El valor esperado es tu resultado promedio en todos los escenarios. La varianza es cuánto puede desviarse tu resultado real de ese promedio. Si tu estrategia tiene valor esperado positivo y puedes sobrevivir la varianza el tiempo suficiente para que se acumule, ganarás dinero. Si dimensionas las posiciones demasiado grandes en relación con la varianza, te arruinarás antes de que el valor esperado tenga tiempo de funcionar.

Recurso para esta capa: Blitzstein y Hwang, Introduction to Probability. PDF completo disponible gratis de Harvard. Trabaja todos los problemas de los Capítulos 1 al 6. Dedica de tres a cuatro semanas a dos horas enfocadas por día.

Capa Dos: Estadística

Una vez que entiendes la probabilidad, necesitas aprender a escuchar los datos. Eso es la estadística. Lo más importante que enseña la estadística es que la mayor parte de lo que parece señal real es en realidad ruido.

Construyes una estrategia. Hace backtest con un retorno anual del 15 por ciento. ¿Es ventaja real o variación afortunada?

La prueba de hipótesis es cómo lo descubres. Asume la hipótesis nula de que tu estrategia tiene un retorno esperado verdadero de cero. Calcula qué tan probable es ver resultados tan fuertes si esa suposición fuera cierta. Si pruebas mil estrategias aleatorias, cincuenta de ellas mostrarán resultados aparentemente fuertes puramente por azar al nivel de significancia estándar del 5 por ciento. Este es el problema de comparaciones múltiples. Es la razón más común por la que los backtests se ven geniales y los resultados de trading en vivo son terribles.

La regresión lineal es el caballo de batalla. Haz una regresión de los retornos de tu estrategia contra factores de riesgo conocidos y busca el intercepto llamado alfa. Si alfa es cero después de contabilizar todos los factores estándar, tu supuesta ventaja es solo exposición disfrazada a cosas que ya eran bien entendidas. El único número que importa es el alfa que sobrevive después de que cada factor conocido es contabilizado.

Recurso para esta capa: Wasserman, All of Statistics, Capítulos 1 al 13. Dedica de cuatro a cinco semanas.

Capa Tres: Álgebra Lineal

El álgebra lineal es la maquinaria que impulsa todo en finanzas cuantitativas y ML. La construcción de carteras, el análisis de componentes principales, las redes neuronales, la estimación de covarianza y los modelos factoriales funcionan todos con matemáticas de matrices.

Una matriz de covarianza captura cómo cada activo se mueve en relación con los demás. La varianza de la cartera se reduce a:

Varianza = w^T x Sigma x w

Donde w es tu vector de pesos y Sigma es la matriz de covarianza. Esta única expresión es el núcleo matemático de la optimización de carteras y la gestión de riesgo.

Los eigenvalues revelan lo que realmente importa dentro de esa matriz de covarianza. En un universo de 500 acciones, los primeros cinco eigenvectors típicamente explican el 70 por ciento de toda la varianza. Todo lo demás es ruido. La descomposición en eigenvalues es la base de la inversión por factores, la reducción de dimensionalidad y la arquitectura estadística de las estrategias sistemáticas a gran escala.

Recurso para esta capa: Las conferencias MIT 18.06 de Gilbert Strang, completamente gratis en MIT OpenCourseWare. Míralas todas. Luego trabaja con el libro de texto Introduction to Linear Algebra de Strang. Dedica de cuatro a seis semanas.

Capa Cuatro: Cálculo y Optimización

Casi todos los problemas en finanzas cuantitativas se reducen a maximizar algo sujeto a restricciones. La construcción de carteras, el entrenamiento de modelos y la estrategia de ejecución son todos problemas de optimización.

La optimización convexa es esencial aquí. Un problema de optimización convexa tiene una solución global única que se puede encontrar eficientemente. La mayoría de los problemas de construcción de carteras y gestión de riesgo pueden estructurarse como programas convexos. Entender cuándo un problema es convexo y cómo resolverlo eficientemente es una habilidad práctica central en el campo.

Recurso para esta capa: Boyd y Vandenberghe, Convex Optimization. PDF completo gratis de Stanford. Trabaja los Capítulos 1 al 5. Dedica de cuatro a cinco semanas.

Capa Cinco: Cálculo Estocástico

Antes del cálculo estocástico puedes analizar datos y construir modelos estadísticos. Después de él puedes derivar cómo se fijan los precios de los instrumentos financieros desde primeros principios matemáticos. Esta es la capa de donde viene Black-Scholes y donde se diseñan las estrategias sistemáticas más sofisticadas.

La idea central del cálculo estocástico es que en un mundo con aleatoriedad, el cuadrado de un pequeño incremento aleatorio no es despreciable como lo es en el cálculo ordinario. Este único hecho cambia cada cálculo y produce el Lema de Ito, la regla de la cadena del cálculo estocástico. Aplícalo al precio de una opción y derivas la ecuación de Black-Scholes:

dV/dt + (1/2) sigma al cuadrado S al cuadrado (d2V/dS2)+rS (dV/dS) - rV = 0

Lo que hace notable este resultado es que el retorno esperado de la acción desaparece por completo. El precio de la opción no depende de hacia dónde crees que va la acción. Solo de cuánto se mueve. Este fue el resultado conceptualmente radical que hizo posible la fijación de precios moderna de derivados.

Recurso para esta capa: Shreve, Stochastic Calculus for Finance, Volúmenes 1 y 2. El estándar de oro. Dedica de seis a ocho semanas y no te apresures.

Parte 3: Programación, Herramientas HFT y el Stack Tecnológico que Realmente Importa

Hay dos tipos completamente separados de habilidad de programación que importan en finanzas cuantitativas y la mayoría de los candidatos los confunden.

El primero es la programación de investigación. Escribir Python limpio para analizar datos, construir y hacer backtest de modelos estadísticos e implementar pipelines de machine learning. Esto es lo que los investigadores cuantitativos y la mayoría de los analistas cuantitativos usan todos los días.

El segundo es la programación de sistemas de producción. Escribir C++ o Rust de alto rendimiento que ejecuta con latencia de microsegundos, procesa datos de mercado en tiempo real, gestiona libros de órdenes y maneja la lógica de ejecución sin perder un solo tick. Esto es lo que construyen los desarrolladores cuantitativos y los ingenieros de trading de alta frecuencia.

Si apuntas a roles de investigador cuantitativo o analista cuantitativo, Python es tu herramienta principal. Domina pandas y polars para manipulación de datos, donde polars es de diez a cincuenta veces más rápido en conjuntos de datos grandes. Usa numpy y scipy para cómputo numérico. Usa xgboost, lightgbm y catboost para machine learning en datos tabulares. Usa pytorch para deep learning. Usa cvxpy para problemas de optimización. Usa statsmodels para pruebas estadísticas.

Si apuntas a roles de desarrollador cuantitativo o ingeniería HFT, C++ y Rust son innegociables.

C++ ha sido el lenguaje dominante en el trading de alta frecuencia durante décadas. Las razones son el control sobre el diseño de memoria, el rendimiento determinista sin pausas de recolección de basura y la capacidad de optimizar el código hasta dentro de nanosegundos de los límites teóricos del hardware. En firmas que operan a velocidades de microsegundos o submicrosegundos, un patrón de acceso a memoria mal optimizado puede costar más en deslizamiento de lo que una estrategia gana en ventaja. Las bibliotecas relevantes de C++ son QuantLib para derivados y matemáticas financieras, Eigen para álgebra lineal de alto rendimiento y Boost para utilidades de propósito general.

Rust es el serio competidor emergente de C++ en este espacio y está ganando adopción rápidamente. Rust proporciona el mismo nivel de rendimiento que C++ con garantías de seguridad de memoria aplicadas en tiempo de compilación, eliminando clases enteras de errores que aparecen regularmente en bases de código de C++. NautilusTrader, una de las plataformas de trading de código abierto más avanzadas disponibles, usa un núcleo en Rust para componentes críticos de rendimiento con una API en Python para investigación y desarrollo de estrategias. Esta arquitectura de Rust más Python se está convirtiendo en el patrón estándar para nueva infraestructura de trading sistemático. RustQuant está disponible específicamente para fijación de precios de opciones y trabajo cuantitativo con derivados en Rust.

Para fuentes de datos: yfinance es gratuito y suficiente para aprender. Polygondotio a alrededor de $200 por mes proporciona latencia inferior a 20 milisegundos y es el estándar para trabajo sistemático minorista serio. Bloomberg Terminal a alrededor de $32,000 por año es el estándar institucional. Finnhub ofrece un nivel gratuito para proyectos iniciales.

Para backtesting: NautilusTrader para trabajo de nivel de producción. Backtrader y vectorbt son puntos de partida más simples para aprender los conceptos.

Tarea y la pregunta de entrevista que lo revela todo:

Aquí hay uno de los problemas de probabilidad más famosos que las mejores firmas cuant usan en las rondas de selección inicial. Es simple de plantear, sorprendentemente profundo de resolver correctamente y prueba directamente el pensamiento condicional de la Parte 2.

Lanzas una moneda justa repetidamente hasta que obtienes dos caras seguidas. ¿Cuál es el número esperado de lanzamientos?

Trabaja en esto tú mismo antes de leer cualquier otra cosa. No busques la respuesta. El proceso de establecer los estados, escribir las ecuaciones para cada estado y resolver el sistema es exactamente el tipo de razonamiento que los entrevistadores cuant están observando.

Deja tu respuesta y tu enfoque en los comentarios. Hay un resultado específico al que converge este problema y el método que uses para llegar revela más sobre tu pensamiento matemático que la respuesta en sí.

Parte 4: El Proceso de Entrevista Descodificado

La mayoría de los candidatos se preparan para lo que imaginan que son las entrevistas cuant. La realidad es más estructurada y más exigente de lo que la mayoría espera.

En una firma como Citadel, el proceso de entrevista abarca múltiples pistas que se ejecutan simultáneamente. Las pistas de ingeniería de software cuantitativa, trading e investigación cuantitativa tienen cada una estructuras diferentes y evalúan cosas diferentes. Un candidato serio en una sola temporada de reclutamiento puede pasar por quince a veinte entrevistas separadas en las tres.

Las rondas finales se llaman super days. Seis entrevistas consecutivas de cuarenta y cinco minutos en un solo día. Los temas abarcan desde C++ de bajo nivel y diseño de sistemas hasta pruebas de probabilidad, preguntas de diseño de machine learning y entrevistas conductuales con líderes de equipo. Necesitas codificar limpiamente, derivar resultados matemáticos claramente y explicar tu razonamiento en voz alta en cada paso.

La velocidad de cálculo mental importa significativamente más de lo que la mayoría de los candidatos esperan. Las firmas usan herramientas como Zetamac para la selección inicial. Apunta a 50 o más respuestas correctas por minuto antes de postularte.

Jane Street diseña sus problemas de entrevista para ser intencionalmente más difíciles de lo que una persona debería poder resolver sola. Están probando cómo usas las pistas. Cómo razonas hacia adelante bajo incertidumbre. Cómo colaboras bajo presión. Un candidato que narra su pensamiento, considera casos límite y reconoce la incertidumbre mientras continúa razonando superará consistentemente a un candidato que se queda en silencio y luego produce una respuesta correcta sin explicación.

El Green Book, formalmente titulado A Practical Guide to Quantitative Finance Interviews de Xinfeng Zhou, es el recurso de preparación más referenciado entre todos los candidatos que han conseguido una oferta en una firma cuant de primer nivel. Más de 200 problemas reales de entrevista que cubren probabilidad, estadística, acertijos, cálculo mental y acertijos financieros. Trabaja en él lentamente. Dedica al menos quince minutos a intentar genuinamente cada problema antes de mirar cualquier pista.

Complementa con QuantGuidedotio para problemas de práctica específicos de cuant y Brainstellar para acertijos de probabilidad a nivel de entrevista.

Para las rondas de codificación, trabaja en el conjunto de problemas LeetCode Blind 75 con enfoque en entender el patrón subyacente de cada tipo de problema en lugar de memorizar soluciones. La programación dinámica es el punto de fallo más común en las rondas finales de Citadel y Jane Street específicamente.

La experiencia en investigación es lo que separa a los candidatos más fuertes a investigador cuantitativo de todos los demás. No las calificaciones de cursos. Investigación real donde formulaste una hipótesis, construiste algo para probarla y puedes describir precisamente lo que aprendiste del proceso, incluyendo lo que falló y por qué.

La preparación conductual es consistentemente subestimada. Practica responder preguntas conductuales en voz alta con alguien que dé retroalimentación genuina hasta que tus respuestas suenen naturales. Cada ronda final tiene una capa de evaluación humana significativa que determina los resultados tanto como las rondas técnicas.

Competiciones que aceleran directamente el empleo: Competencia Kaggle de Jane Street con un premio de $100,000. WorldQuant BRAIN que paga en efectivo por señales alfa que envíes. Datathon de Citadel que acelera explícitamente a los ganadores hacia entrevistas de empleo.

Parte 5: La Escalera Desde Cero Hasta $650,000 al Año

El error más grande es intentar un salto vertical. Postularse directamente a Citadel o Jane Street sin credenciales, ser rechazado y concluir que el campo está cerrado.

El campo no está cerrado. Intentaron un salto de dieciocho escalones cuando el proceso requiere un paso a la vez.

Primero: Construye la base matemática en el orden correcto de la Parte 2. Ejecuta la pista de estudio académico y la pista práctica de codificación simultáneamente. No esperes a que las matemáticas sean perfectas antes de empezar a codificar. Ambas se desarrollan en paralelo.

Segundo: Construye al menos un proyecto real antes de postularte a cualquier lugar. Haz backtest de una estrategia de trading sistemática usando datos históricos reales y documenta cada suposición y decisión que probaste. Envía un modelo a WorldQuant BRAIN o Kaggle y escribe sobre lo que construiste. Implementa un algoritmo simple usando una API de bróker como Alpaca. Estos proyectos prueban que puedes traducir el conocimiento matemático en algo funcional.

Tercero: Obtén tu primer credencial institucional. Envía correos en frío a estudiantes de doctorado en laboratorios de investigación y pide específicamente contribuir al trabajo en curso. Sé asistente de enseñanza en un curso cuantitativo. Consigue un puesto de asistente de investigación. El título específico importa mucho menos que tener una línea real de experiencia técnica de la que hablar.

Cuarto: Usa cada credencial para alcanzar el siguiente nivel. El laboratorio de investigación abre puertas a entrevistas en startups. La credencial de startup abre puertas en firmas de nivel medio. La firma de nivel medio abre las puertas de los fondos de élite. Nadie ha encontrado un atajo confiable para saltarse esta escalera.

Quinto: Postúlate antes de sentirte listo y haz un seguimiento de todo. Cada rechazo es datos. Cada entrevista es práctica. Crea una hoja de cálculo. Haz seguimiento de cada solicitud, cada evaluación en línea, cada entrevista y cada pregunta que te hicieron y no pudiste responder con claridad. Ve a estudiar eso específico antes de la siguiente entrevista.

Sexto: Compite públicamente. Las competiciones de la Parte 4 son canales de reclutamiento, no solo ejercicios para desarrollar habilidades. Las firmas observan los tableros de clasificación y un buen rendimiento ha llevado directamente a ofertas de trabajo para candidatos que no tenían ninguna conexión previa con esas firmas.

La base matemática es el verdadero foso. La capacidad de derivar por qué el Lema de Itô tiene un término extra que el cálculo ordinario no tiene. Saber cuándo un enfoque de optimización convexa funcionará y cuándo no en un mercado en vivo. Esa profundidad separa a los quants que construyen una ventaja real de los quants que la toman prestada. Los enfoques prestados caducan cuando todos los demás los adoptan. La fluidez matemática genera nuevos enfoques indefinidamente.

Antes de cerrar este artículo, anota tres cosas específicas. Dónde estás ahora mismo en la escalera. Cómo se ve el siguiente paso concreto por encima de tu posición actual. Y la acción más específica que puedes tomar en los próximos siete días hacia ese siguiente paso. No una intención vaga. Una acción específica con una fecha límite específica.

La lista de lectura completa

Matemáticas: Blitzstein y Hwang, Introduction to Probability, PDF gratuito de Harvard. Strang, Introduction to Linear Algebra más las conferencias MIT 18.06 gratis en OpenCourseWare. Wasserman, All of Statistics. Boyd y Vandenberghe, Convex Optimization, PDF gratuito de Stanford. Shreve, Stochastic Calculus for Finance, Volúmenes 1 y 2.

Finanzas cuantitativas: Hull, Options Futures and Other Derivatives. Natenberg, Option Volatility and Pricing. Lopez de Prado, Advances in Financial Machine Learning. Ernest Chan, Quantitative Trading. Zuckerman, The Man Who Solved the Market.

Preparación para entrevistas: Zhou, A Practical Guide to Quantitative Finance Interviews. Crack, Heard on the Street. Joshi, Quant Job Interview Questions and Answers.

El resumen

Los investigadores cuantitativos de nivel inicial en Citadel ganan entre $336,000 y $642,000 en compensación total. Jane Street paga a su empleado promedio $1.4 millones al año. El punto de referencia a cinco años en las mejores firmas de trading por cuenta propia se sitúa entre $800,000 y $1,200,000 anuales. Los mercados de predicción están agregando una frontera de trading sistemático completamente nueva sobre todo lo que ya existe en las finanzas cuantitativas tradicionales.

El camino completo desde cero hasta ese nivel de compensación está documentado en este artículo. Cinco capas matemáticas en la secuencia correcta. Un conjunto específico de recursos que realmente funcionan. Una imagen clara de lo que realmente evalúan las entrevistas. Una escalera de credenciales donde cada una hace que la siguiente sea alcanzable.

No necesitas un nombre de la Ivy League. No necesitas experiencia en finanzas. Necesitas la base correcta construida en el orden correcto y la disciplina para seguir la escalera sin intentar saltarte niveles.

La asimetría de información que mantiene a la mayoría de las personas fuera de este campo no se trata de inteligencia. Se trata de no saber cómo es el camino.

Ahora lo sabes.

Aquí está la pregunta con la que quiero que te quedes.

Si el plano completo de una de las carreras más gratificantes financieramente que existen está disponible públicamente, no requiere antecedentes prestigiosos y se puede seguir comenzando desde donde estés ahora mismo, ¿qué es lo que realmente detiene a la mayoría de las personas para empezar hoy?

Deja tu respuesta en los comentarios. Y ya que estás ahí, deja también tu respuesta al problema del lanzamiento de moneda de la Parte 3.

No hay respuestas incorrectas, pero hay algunas muy reveladoras.