El plan maestro para ganar $650,000 al año (Hoja de ruta cuantitativa)

Voy a desglosar el plan exacto para construir una carrera cuant de $650,000/año desde cero y conseguir puestos 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 reflexivas o asociaciones, los DM están abiertos.

La industria cuant no espera a nadie.

Los investigadores cuantitativos de nivel inicial en Citadel ya ganan entre $336,000 y $642,000 en compensación total recién salidos 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 punto de referencia a cinco años para quienes sobreviven en las mejores firmas de prop trading se sitúa entre $800,000 y $1,200,000 al año.

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

El espacio se está expandiendo rápidamente hacia elecciones, economía, deportes y eventos geopolíticos. Los cuants institucionales ahora están desplegando 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 riesgos. Ya escribí un artículo específico sobre cómo entrar en el mundo cuant de mercados de predicción.

Roan

@RohOnChain

·

24 Feb

Artículo

Cómo convertirse en cuant para mercados de predicción (hoja de ruta completa)

Voy a desglosar la hoja de ruta completa para convertirte en un cuant 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 tenía ni idea 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 total hasta comprender los marcos matemáticos, la ejecución técnica y la microestructura del mercado que las instituciones utilizan para extraer ventajas de manera sistemática.

La contratación de IA y aprendizaje automático en finanzas cuantitativas se aceleró notablemente durante 2025. Todos los grandes fondos están construyendo estrategias sistemáticas impulsadas por modelos de ML. Se proyecta que la demanda de analistas cuantitativos crecerá un 9% 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 cuant 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 la gente ni siquiera lo intenta.

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 reciente clase de pasantes 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 cuant y por qué paga lo que paga, los cuatro roles cuant principales y cuál se adapta 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 ninguna experiencia hasta tu primer credencial institucional real.

Nota: Este artículo es deliberadamente largo. Cada parte se basa en 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 cuant 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 es así. El trading cuant 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 acertar en 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 rendimientos 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 cuant operan de la misma manera. Encuentran ventajas. Dimensionan posiciones correctamente. Ejecutan a escala.

Este marco se aplica de manera idéntica 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 a través de 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 de datos masivos, construyen modelos predictivos y diseñan las estrategias de trading reales. Necesitan profundidad matemática y estadística a nivel de doctorado, o un logro universitario excepcional 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 suele comenzar entre $200,000 y $400,000 con un potencial ilimitado.

Desarrollador cuantitativo construye la infraestructura que permite que la investigación se negocie realmente en mercados en vivo. Plataformas de trading, motores de ejecución, tuberías 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 suele situarse entre $200,000 y $350,000 en las mejores firmas.

Cuant de riesgo se centra en la validación de modelos, cálculo del valor en riesgo, pruebas de estrés y cumplimiento normativo. 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 en este momento es el cuant enfocado en IA y aprendizaje automático que construye sistemas de generación de señales utilizando 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 aprendizaje automático, y es donde se está produciendo 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, destreza en programación y la disciplina para construir los cimientos en el orden correcto.

Parte 2: La base matemática en el orden correcto

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

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

Capa uno: Probabilidad

Todo en las 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, en esencia, un problema de probabilidad.

El concepto más importante en esta capa es el pensamiento condicional. Los cuants no piensan en términos 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% 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%. Ese 68% es una señal real y utilizable. El 40% 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 en 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 durante 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 un valor esperado positivo y puedes sobrevivir a la varianza el tiempo suficiente para que se acumule, ganarás dinero. Si dimensionas las posiciones demasiado grandes en relación con la varianza, te quedarás sin dinero antes de que el valor esperado tenga tiempo de funcionar.

Recurso para esta capa: Blitzstein y Hwang, Introduction to Probability. PDF completo disponible gratis en Harvard. Trabaja todos los problemas de los Capítulos 1 al 6. Dedica de tres a cuatro semanas con dos horas concentradas al 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 rendimiento anual del 15%. ¿Es una ventaja real o una variación afortunada?

La prueba de hipótesis es cómo lo descubres. Asume la hipótesis nula de que tu estrategia tiene un rendimiento esperado real de cero. Calcula qué tan probable es ver resultados tan sólidos si esa suposición fuera cierta. Si pruebas mil estrategias aleatorias, cincuenta de ellas mostrarán resultados aparentemente sólidos solo por azar al nivel de significancia estándar del 5%. 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 rendimientos 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 conocidas. El único número que importa es el alfa que sobrevive después de que se contabiliza cada factor conocido.

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 las finanzas cuantitativas y el ML. La construcción de carteras, el análisis de componentes principales, las redes neuronales, la estimación de covarianza y los modelos de factores funcionan con matemáticas matriciales.

Una matriz de covarianza captura cómo se mueve cada activo en relación con cada otro. 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 riesgos.

Los valores propios revelan lo que realmente importa dentro de esa matriz de covarianza. En un universo de 500 acciones, los primeros cinco vectores propios típicamente explican el 70% de toda la varianza. Todo lo demás es ruido. La descomposición en valores propios 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 de manera eficiente. La mayoría de los problemas de construcción de carteras y gestión de riesgos se pueden estructurar 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 puedes derivar cómo se valoran los instrumentos financieros a partir de primeros principios matemáticos. Esta es la capa de donde proviene 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 todos los cálculos 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 rendimiento 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 valoración 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 habilidades de programación que importan en finanzas cuantitativas y la mayoría de los candidatos los confunden.

El primero es la programación para investigación. Escribir Python limpio para analizar datos, construir y hacer backtest de modelos estadísticos e implementar tuberías de aprendizaje automático. Esto es lo que los investigadores cuantitativos y la mayoría de los analistas cuant utilizan a diario.

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 tu objetivo son roles de investigador cuant o analista cuant, Python es tu herramienta principal. Domina pandas y polars para la manipulación de datos, donde polars es de diez a cincuenta veces más rápido en conjuntos de datos grandes. Usa numpy y scipy para cálculo numérico. Usa xgboost, lightgbm y catboost para aprendizaje automático en datos tabulares. Usa pytorch para deep learning. Usa cvxpy para problemas de optimización. Usa statsmodels para pruebas estadísticas.

Si tu objetivo son roles de desarrollador cuant o ingeniero 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 la memoria, el rendimiento determinista sin pausas de recolección de basura y la capacidad de optimizar el código hasta 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 la 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 C++. NautilusTrader, una de las plataformas de trading de código abierto más avanzadas disponibles, utiliza un núcleo Rust para componentes críticos de rendimiento con una API Python para investigación y desarrollo de estrategias. Esta arquitectura 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 por alrededor de $200 al mes proporciona latencia inferior a 20 milisegundos y es el estándar para trabajo sistemático minorista serio. Bloomberg Terminal por alrededor de $32,000 al 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 utilizan 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 consecutivas. ¿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 allí revela más sobre tu pensamiento matemático que la respuesta en sí.

Parte 4: El proceso de entrevista descifrado

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 vías que se ejecutan simultáneamente. Las vías de ingeniería de software cuantitativa, trading e investigación cuant 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 vías.

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 demostraciones de probabilidad, preguntas de diseño de aprendizaje automático 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 utilizan 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 que sean 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 de las mejores firmas cuant. Más de 200 problemas reales de entrevista que cubren probabilidad, estadística, acertijos, cálculo mental y acertijos financieros. Trabaja con 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 para cuants y Brainstellar para acertijos de probabilidad a nivel de entrevista.

Para las rondas de codificación, trabaja con el conjunto de problemas LeetCode Blind 75, centrándote 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 a investigador cuant más fuertes de todos los demás. No las calificaciones de los 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 se subestima constantemente. 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 camino al 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 a entrevistas de empleo.

Parte 5: La escalera desde cero hasta $650,000 al año

El error más grande es intentar un salto vertical. Postular 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 utilizando datos históricos reales y documenta cada suposición y decisión que probaste. Envía un modelo a WorldQuant BRAIN o Kaggle y escribe lo que construiste. Implementa un algoritmo simple usando una API de bróker como Alpaca. Estos proyectos demuestran que puedes traducir el conocimiento matemático en algo funcional.

Tercero: Consigue tu primera credencial institucional. Envía correos en frío a estudiantes de doctorado en laboratorios de investigación y pide específicamente contribuir a trabajos 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 empresas de nivel medio. La empresa de nivel medio abre las puertas de los fondos de élite. Nadie ha encontrado un atajo confiable para saltar esta escalera.

Quinto: Postúlate antes de sentirte listo y haz un seguimiento de todo. Cada rechazo son datos. Cada entrevista es práctica. Crea una hoja de cálculo. Haz un 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 próxima entrevista.

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

La base matemática es el verdadero foso defensivo. 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, escribe 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 propietario se sitúa entre $800,000 y $1,200,000 anuales. Los mercados de predicción están añadiendo una frontera completamente nueva de trading sistemático 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 lucrativas que existen está disponible públicamente, no requiere antecedentes prestigiosos y se puede seguir empezando desde donde estés ahora, ¿qué es lo que realmente detiene a la mayoría de las personas para comenzar hoy?

Deja tu respuesta en los comentarios. Y mientras estés allí, deja también tu respuesta al problema del lanzamiento de moneda de la Parte 3.

No hay respuestas incorrectas, pero hay algunas muy reveladoras.