LO
Avísame cuando llegue un registro verificado a esta ocupación → · Marca cuáles de estas tareas son tuyas (VOLO Pro, gratis durante el lanzamiento) →
Analista cuantitativo
Construye los modelos matemáticos que hay detrás del trading, la valoración y el riesgo: investiga señales, desarrolla estrategias y las somete a backtests, escribe el código cuantitativo, valida modelos y se los explica a traders, gestores de riesgos y reguladores. El aprendizaje automático funciona desde hace tiempo dentro de muchos algoritmos de trading, y ahora hay agentes de IA que escriben código de investigación y proponen señales que algunas firmas someten a las mismas pruebas que la investigación humana; pero los bancos de pruebas muestran modelos que fallan en métricas de riesgo básicas, y las normas de Estados Unidos, la UE y el Reino Unido exigen que personas cualificadas y con nombre diseñen, aprueben y validen de forma independiente los modelos.
Pide a un asistente de IA que calcule el ratio de Sharpe y la volatilidad de una estrategia que conozcas, y contrasta sus cifras con las tuyas.
Esto no es una probabilidad de perder el empleo. Combina qué parte de la carga de tareas del puesto está expuesta a la automatización con hasta dónde ha llegado realmente la adopción: sirve para comparar ocupaciones sobre una base constante, y para nada más.
Escrito para analistas, investigadores y desarrolladores cuantitativos de bancos, gestoras de activos, hedge funds y firmas de trading. Los analistas financieros, los científicos de datos, los actuarios y los ingenieros de aprendizaje automático tienen sus propias páginas. La evidencia es el relato de una gestora de activos sobre su propio sistema de investigación con IA, una encuesta de un regulador de mercados a firmas de trading, la revisión de un banco central, normas sobre trading algorítmico y validación de modelos en Estados Unidos, la UE y el Reino Unido, y bancos de pruebas de investigación; establece lo que hacen las herramientas en firmas concretas y en problemas de prueba y lo que las normas exigen a las personas, no cómo ha cambiado el tiempo de trabajo de los quants.
Qué está cambiando de verdad#
La unidad de análisis es la tarea, no el nombre del puesto. Un puesto no se sustituye: se le mueve la mezcla de tareas.
Cada casilla es una tarea. Su tamaño es cuánto pesa en el trabajo; su color, hacia dónde va la tarea. Haz clic en una casilla para ver qué no establece ese juicio.
El relato de la firma es su propio marketing dirigido a inversores; las cifras del regulador son lo que declararon cuatro firmas; el banco de pruebas es un backtest, no trading real.
Bancos de pruebas con tareas fijas y el relato de una sola firma; nada de esto mide cuánto código escriben ahora los propios quants.
Expectativas supervisoras y una revisión basada en conversaciones con firmas; ninguna de las dos mide cómo se construyen los modelos.
Expectativas supervisoras redactadas con «debería», para bancos con modelos internos; no miden el trabajo de validación.
Normas para los intermediarios bursátiles (broker-dealers) de Estados Unidos y las empresas de servicios de inversión de la UE; no miden cómo se desarrollan las estrategias.
¿Es este tu trabajo? Dilo y esta página se estrecha a tu parte de él.
El nombre de un puesto es un paquete de tareas compradas juntas, y no hay dos personas con el mismo paquete. No se envía nada a ninguna parte: se queda en este navegador.
Cambios recientes#
Zona del euro, bancos supervisados por el BCE que usan modelos internos. La guía espera que las principales partes que trabajan con modelos internos basados en aprendizaje automático tengan suficientes habilidades, capacidades y pericia en esas técnicas para gestionar el riesgo de modelo; que la validación interna cuestione eficazmente las decisiones de modelización tomadas sobre esos modelos, evaluando si su complejidad está justificada; y que las entidades establezcan un seguimiento que impida la implantación automática de cambios materiales. Expone expectativas supervisoras («debería») para los modelos de capital de los bancos, no para la investigación de trading.
Un fallo, una marcha atrás, una regulación o un coste están frenando la adopción. Puede bajar una evaluación o ensanchar su incertidumbre.
Un banco de pruebas en el que los modelos convierten descripciones de estrategias en backtests reproducibles, evaluado con 23 modelos de lenguaje. El artículo informa de que el mejor modelo alcanzó una exactitud global del 67,41%, y de que, aunque las métricas más sencillas, como la tasa de acierto, logran una exactitud mayor, los indicadores estadísticos complejos, como la volatilidad y el ratio de Sharpe, siguen siendo «zonas de desastre» en todos los modelos. Es un banco de pruebas fijo, no trabajo en producción.
Una demostración, una prueba de referencia o un artículo muestran que la tarea se puede hacer. Actualiza lo que la tecnología puede hacer, no lo que harán las empresas.
Un banco de pruebas de 17 modelos en 12 estrategias que convierte especificaciones de estrategias en código de sistemas de trading y lo itera. El resumen informa de que los mejores modelos logran una validez superior al 91,7% con puntuaciones agregadas altas, de que la iteración también induce una convergencia del código, y de que la supervisión humana sigue siendo esencial para las estrategias críticas que requieren diversidad de soluciones y robustez de conjunto. Es un banco de pruebas, no trabajo en producción.
Una demostración, una prueba de referencia o un artículo muestran que la tarea se puede hacer. Actualiza lo que la tecnología puede hacer, no lo que harán las empresas.
Man Group, una gestora de activos sistemática. El artículo dice que su sistema AlphaGPT escribe código Python apto para producción aprovechando las herramientas de investigación de la firma y puede interactuar con bases de datos propias, que hasta la fecha ha producido señales que cumplen los estándares de la firma y superan los mismos umbrales de evaluación exigidos a la investigación generada por personas, y que las señales generadas por IA pasan por una validación de doble vía. No da un recuento de señales y es la firma describiendo su propia herramienta a los inversores.
Una empresa lo ha puesto en producción. Puede mover la línea de base, ponderado por la escala y por cuánto se parece ese entorno al tuyo.
Un marco de investigación en el que agentes proponen, implementan y prueban factores y modelos. El resumen informa de que logra hasta 2X más rentabilidad anualizada que las bibliotecas clásicas de factores usando un 70% menos de factores, y de que supera a los modelos profundos de series temporales en mercados reales. Los resultados son backtests, no trading real, y el empleador de los autores distribuye el marco.
Una demostración, una prueba de referencia o un artículo muestran que la tarea se puede hacer. Actualiza lo que la tecnología puede hacer, no lo que harán las empresas.
Reino Unido. Basándose en conversaciones con participantes del mercado, la revisión del comité sobre las firmas de trading por cuenta propia y los hedge funds sistemáticos dice que actualmente, donde se despliegan esas técnicas, se implementan en gran medida como sistemas basados en reglas con una persona en el circuito, y advierte de que los gestores de riesgos humanos de la firma pueden no entender bien las razones de las posiciones. No da cifras.
Una empresa lo ha puesto en producción. Puede mover la línea de base, ponderado por la escala y por cuánto se parece ese entorno al tuyo.
Reino Unido, bancos autorizados a usar modelos internos. La declaración dice que la función de validación debería operar con independencia del proceso de desarrollo de modelos y de los propietarios de los modelos, y que la validación debería realizarla personal con la pericia técnica necesaria y suficiente familiaridad con la línea de negocio que usa el modelo. La política entró en vigor el 17 de mayo de 2024. Está redactada como expectativas supervisoras («debería») y no mide el trabajo de validación.
Un fallo, una marcha atrás, una regulación o un coste están frenando la adopción. Puede bajar una evaluación o ensanchar su incertidumbre.
Países Bajos, cuatro grandes firmas de trading por cuenta propia. El regulador dice que su estudio constató que entre el 80% y el 100% de sus algoritmos de trading dirigidos a instrumentos líquidos y estandarizados, como futuros y acciones, se basan en modelos de aprendizaje automático, y que espera que las firmas sean capaces de explicar por qué se enviaron las órdenes al mercado; su informe añade que los algoritmos de trading de aprendizaje por refuerzo todavía no se usan en la práctica. Las cifras son lo que cuatro firmas declararon sobre aprendizaje automático clásico, no sobre grandes modelos de lenguaje.
Una empresa lo ha puesto en producción. Puede mover la línea de base, ponderado por la escala y por cuánto se parece ese entorno al tuyo.
Unión Europea, empresas de servicios de inversión que practican el trading algorítmico. El artículo 5 dice que una persona designada por la alta dirección de la empresa de servicios de inversión autorizará el despliegue o la actualización sustancial de un sistema de trading algorítmico, un algoritmo o una estrategia de trading, y que los registros deben permitir a la empresa determinar la persona que hizo cada cambio y la persona que lo aprobó; el artículo 3 exige personal de riesgos y de cumplimiento con autoridad suficiente para cuestionar al personal responsable del trading algorítmico. Designa quién autoriza; no regula los métodos de investigación.
Un fallo, una marcha atrás, una regulación o un coste están frenando la adopción. Puede bajar una evaluación o ensanchar su incertidumbre.
Estados Unidos, intermediarios bursátiles (broker-dealers) miembros de FINRA. La norma dice que toda persona asociada que sea la principal responsable del diseño, el desarrollo o la modificación significativa de una estrategia de trading algorítmico relativa a acciones, acciones preferentes o valores de deuda convertibles, o responsable de la supervisión diaria de esas actividades, estará obligada a registrarse como Securities Trader; el aviso regulatorio añade que, si una firma encarga a un tercero modificar significativamente una estrategia, ese encargo también debe hacerlo un Securities Trader. Designa quién responde por una estrategia; no regula cómo se investigan las estrategias.
Un fallo, una marcha atrás, una regulación o un coste están frenando la adopción. Puede bajar una evaluación o ensanchar su incertidumbre.
Qué significa esto para ti#
Si estás empezando, cuenta con que la IA escriba buena parte de tu código de investigación y de backtests y proponga señales, y con que tu valor esté en saber cuándo las cifras están mal —las métricas de riesgo que los modelos todavía calculan mal— y en las funciones de validación y de responsabilidad que las normas reservan a personas cualificadas.
Cuenta con revisar y aprobar mucha más investigación generada por máquinas de la que podrías escribir, y con responder por ella. Las firmas que usan IA en la investigación dicen someter lo que produce a las mismas pruebas que el trabajo humano; diseñar esas pruebas es donde cuenta la experiencia.
Tus opciones#
Cuatro direcciones, cada una con sus restricciones reales y con una cosa que puedes probar esta semana. Seguir como estás es una opción legítima; solo tiene que ser una opción elegida.
Quedarte y hacerte cargo de validar la investigación generada por máquinas
Las firmas someten las señales generadas por IA a los mismos umbrales que la investigación humana; alguien tiene que fijar esos umbrales y detectar lo que los supera indebidamente.
Los puestos de investigación pueden reducirse allí donde la IA genera candidatos más rápido que las personas.
Pide a un asistente de IA que calcule el ratio de Sharpe y la volatilidad de una estrategia que conozcas, y contrasta sus cifras con las tuyas.
Pasarte al riesgo de modelo y la validación
Los supervisores de Estados Unidos, la UE y el Reino Unido exigen una validación independiente a cargo de personas cualificadas, y ahora redactan expectativas específicas para los modelos de aprendizaje automático.
Los puestos de validación están en bancos sujetos a normas supervisoras y valoran la amplitud más que la rapidez.
Lee la sección sobre aprendizaje automático de la guía del BCE sobre modelos internos y anota qué expectativas cumple ya tu equipo.
Pasarte a la supervisión del trading algorítmico
Las normas exigen una persona designada para autorizar los despliegues de algoritmos y personal con autoridad para cuestionar el trading algorítmico.
Requiere registro o habilitación regulatoria, y conocer las normas de los mercados.
Averigua quién está designado en tu firma para autorizar los despliegues de algoritmos, y qué comprueba.
Preguntas frecuentes#
No con la evidencia actual. La IA ya escribe código de investigación y propone señales, y una gestora de activos dice que sus señales generadas por IA superan los mismos umbrales que la investigación humana. Pero los bancos de pruebas muestran modelos que fallan en métricas de riesgo básicas, y las normas de Estados Unidos, la UE y el Reino Unido exigen que personas cualificadas y con nombre diseñen, autoricen y validen de forma independiente los modelos de trading y de riesgo.
No respondemos a eso con un número de años. Una señal que vigilar en su lugar: si las estrategias generadas por IA empiezan a entrar en producción sin que una persona designada las autorice, y si los supervisores aceptan la validación por máquinas en lugar de personas independientes. Hoy las normas recogidas aquí exigen ambas cosas.
En parte. Man Group dice que su AlphaGPT escribe código apto para producción y ha producido señales que superan sus umbrales para la investigación humana, y un agente de investigación alcanzó en backtests hasta el doble de rentabilidad anualizada que las bibliotecas clásicas de factores. En BacktestBench, en cambio, el mejor modelo alcanzó una exactitud global del 67,41% y todos los modelos tuvieron dificultades con la volatilidad y el ratio de Sharpe.
La evidencia recogida aquí apunta a un trabajo que cambia más que a uno que desaparece: más investigación generada por máquinas que probar, y funciones de validación y de responsabilidad que las normas de Estados Unidos, la UE y el Reino Unido mantienen en manos de personas cualificadas. Ninguna proyección oficial separa a los quants de otros analistas financieros.
En qué se apoyan estos juicios#
De los 5 juicios de tarea de esta página, 5 se apoyan en un evento verificado y 0 son inferencia de la plataforma, cada uno etiquetado donde aparece. Detrás hay 2 dimensiones tecnológicas, una trayectoria reconstruida desde que los modelos de lenguaje llegaron al público y 10 eventos verificados.
Ver qué tecnologías, cómo llegó hasta aquí y el método →
Dónde se sitúa en la clasificación oficial: habilidades, conocimientos y trabajos afines →
Otros puestos de la misma función#
Una empresa divide su trabajo en funciones antes de dividirlo en puestos. Estos están en Finanzas junto a este — un hecho sobre los organigramas, no un juicio de que se parezcan ni de que cambien en la misma dirección.
Contable / Tenedor de libros · Auditor · Analista financiero · Analista de crédito / gestor de riesgos · Actuario · Suscriptor de seguros · Asesor financiero / planificador financiero · Gestor fiscal / asesor de impuestos