Certificaciones, formación y prop firms: qué certifica cada cosa y qué mide un examen.

Qué certifica cada programa

Las ofertas de empleo de las lecciones 7.5.1 y 7.5.2 citan a menudo títulos y certificaciones. Cada uno certifica un temario y un examen concretos, con requisitos distintos. La tabla resume lo que dicen sus páginas oficiales, consultadas el 23 de octubre de 2026; las fechas y los precios cambian, así que manda siempre la página vigente.

Lo que la tabla no puede decir es cuál «vale más», y esta lección no lo dice: depende del puesto. Como orientación por contenido, sin valorar ningún programa: el CQF y el EPAT cubren métodos cuantitativos y de trading, con partes que este curso trata en los niveles 2 a 5; el CFA es un programa amplio de análisis de inversiones y gestión de carteras, con un requisito de experiencia; el FRM se centra en la medición y gestión de riesgos (los temas del módulo 4.2 y más). Ninguno sustituye a lo que pide la lección 7.5.3: un trabajo propio que otro pueda revisar.

Másteres y formación continua

Un máster universitario en España puede ser un título oficial (verificado y con validez en todo el territorio) o un título propio de la universidad. Los dos pueden ser útiles; la diferencia importa para el acceso a un doctorado y para algunas oposiciones y procesos públicos. La forma de comprobarlo es el RUCT, el Registro de Universidades, Centros y Títulos del Ministerio: si un máster oficial no aparece ahí, no es oficial. Para comparar programas de contenido cuantitativo sirven las guías docentes, que detallan asignaturas, horas y evaluación, y el profesorado: cuántos publican investigación o trabajan en la industria.

La formación continua de un quant no se acaba en un título: lectura de artículos (con la cautela de la lección 2.1.8 y el «factor zoo»), documentación de las librerías que se usan, cambios regulatorios (módulo 7.4) y proyectos propios. El capstone de este curso es una buena prueba de ello: un sistema defendido ante un tribunal enseña más que un certificado.

El trader independiente, en cifras

Operar con dinero propio no exige ninguna certificación, pero sí capital, tiempo y una ventaja que sobreviva a los costes (lección 0.1.2). Con un Sharpe anual $S$ y una volatilidad anual $\sigma$, la rentabilidad esperada es $\mu = S\sigma$. Si la rentabilidad anual fuera normal, la probabilidad de un año en pérdidas sería

que no depende de la volatilidad. Las cifras siguientes usan supuestos explícitos: volatilidad del 15 % y un objetivo de 30.000 euros de beneficio esperado al año, antes de impuestos (lección 7.4.6).

import numpy as np
import pandas as pd
from scipy import stats

VOL = 0.15            # supuesto: volatilidad anual
OBJETIVO = 30_000     # supuesto: beneficio esperado anual, en euros

filas = []
for sharpe in [0.5, 1.0, 1.5]:
    mu = sharpe * VOL
    filas.append({
        "sharpe": sharpe,
        "rent_esperada": mu,
        "capital": OBJETIVO / mu,
        "p_año_perdidas": stats.norm.cdf(-sharpe),
        "peor_año_1_de_20": mu + stats.norm.ppf(0.05) * VOL,
    })
tabla = pd.DataFrame(filas).set_index("sharpe")
tabla.round({"rent_esperada": 3, "capital": -3, "p_año_perdidas": 3,
             "peor_año_1_de_20": 3})

        rent_esperada   capital  p_año_perdidas  peor_año_1_de_20
sharpe
0.5             0.075  400000.0           0.309            -0.172
1.0             0.150  200000.0           0.159            -0.097
1.5             0.225  133000.0           0.067            -0.022

Con un Sharpe de 1, muy bueno para una estrategia real después de costes, hacen falta 200.000 euros para esperar 30.000 al año, uno de cada seis años se cierra en pérdidas y uno de cada veinte pierde casi un 10 %. Con Sharpe 0,5, el capital necesario se duplica y casi un año de cada tres es negativo. Y el Sharpe del backtest no es el del futuro: con un año de datos, su error estándar es del orden de 1 (lección 7.5.3). El riesgo de ruina de la lección 4.2.1 y el control del drawdown de la 4.2.5 no son opcionales cuando el capital es el propio.

Prop firms: dos negocios con el mismo nombre

Como se vio en la lección 7.5.2, «prop firm» designa dos cosas. Una es la empresa de trading por cuenta propia: arriesga su capital, contrata traders y, si es miembro de un mercado o hace creación de mercado, necesita autorización. La otra vende a particulares evaluaciones (challenges): el cliente paga una cuota, opera en una cuenta simulada con unas reglas y, si las cumple, recibe una cuenta «financiada» y un porcentaje de los beneficios.

stateDiagram-v2
  [*] --> Evaluacion: paga la cuota
  Evaluacion --> Suspendida: rompe una regla
  Evaluacion --> Fondeada: llega al objetivo
  Fondeada --> Cobro: beneficio
  Cobro --> Fondeada
  Fondeada --> Perdida: rompe una regla
  Suspendida --> [*]
  Perdida --> [*]

La CNMV publicó el 6 de junio de 2019 una advertencia sobre las «cuentas de trading financiadas» ligadas a cursos de formación. Contaba que había recibido consultas y quejas; describía el esquema (un curso de pago, a veces de «varios miles de euros», pruebas en un entorno simulado con límites como la pérdida máxima diaria y la promesa de operar con el capital de la web a cambio de un porcentaje de las ganancias) y advertía del riesgo de «fraude o engaño» sobre el acceso a las cuentas. Añadía que impartir esos cursos o abrir esas cuentas «no entran dentro del ámbito de actuación de la CNMV», aunque sí las actividades que se hagan desde ellas en los mercados financieros.

Una evaluación simulada con Monte Carlo

El modelo sigue el esquema que describe la CNMV con reglas habituales en las ofertas, pero todos los parámetros son supuestos de esta lección, no los de ninguna empresa: objetivo del 8 % de la cuenta, pérdida diaria máxima del 5 %, pérdida total máxima del 10 % sobre el saldo inicial, al menos 5 días operados y un máximo de 30 días. El trader tiene un resultado diario normal con volatilidad $\sigma_d$ y una media que corresponde a un Sharpe anual $S$: $\mu_d = S\,\sigma_d/\sqrt{252}$. La cuenta no capitaliza: el resultado se mide sobre el saldo inicial.

REGLAS = {"objetivo": 0.08, "perdida_diaria": 0.05,
          "perdida_total": 0.10, "dias_min": 5, "dias_max": 30,
          "trailing": False}

def superar(sharpe, vol, reglas=REGLAS, n=50_000, rng=None):
    """Proporción de trayectorias que llegan al objetivo antes de
    romper una regla (resultado diario normal, sin capitalizar)."""
    dias = reglas["dias_max"]
    r = rng.normal(sharpe / np.sqrt(252) * vol, vol, (n, dias))
    saldo = np.cumsum(r, axis=1)
    if reglas["trailing"]:   # pérdida máxima desde el máximo
        caida = np.maximum.accumulate(np.maximum(saldo, 0), axis=1)
        caida = saldo - caida
    else:                    # pérdida máxima desde el saldo inicial
        caida = saldo
    roto = (r <= -reglas["perdida_diaria"]) | (
        caida <= -reglas["perdida_total"])
    meta = (saldo >= reglas["objetivo"]) & (
        np.arange(1, dias + 1) >= reglas["dias_min"])
    primero = lambda m: np.where(m.any(1), m.argmax(1), dias + 1)
    return float((primero(meta) < primero(roto)).mean())

rng = np.random.default_rng(5)
vols = [0.005, 0.01, 0.015, 0.02, 0.03]
res = pd.DataFrame({f"{v:.1%}": [superar(s, v, rng=rng)
                                 for s in [0, 1, 2]]
                    for v in vols}, index=["S=0", "S=1", "S=2"])
res.round(3)

      0.5%   1.0%   1.5%   2.0%   3.0%
S=0  0.002  0.121  0.278  0.388  0.399
S=1  0.007  0.195  0.397  0.506  0.491
S=2  0.017  0.298  0.521  0.621  0.578

La figura de la cabecera dibuja la misma tabla con más volatilidades. La lectura es incómoda para quien se presenta con una ventaja real y un riesgo prudente: con un 0,5 % diario, alcanzar un 8 % en 30 días es casi imposible, tenga o no ventaja, porque la desviación típica de 30 días es $0{,}5\,\% \cdot \sqrt{30} \approx 2{,}7\,\%$. La probabilidad sube sobre todo con la volatilidad: un trader sin ninguna ventaja que arriesga un 2 % diario supera la evaluación con mucha más frecuencia que uno con Sharpe 2 que arriesga un 0,5 %. Hacia el 2,5 % diario deja de subir y después baja, porque la pérdida total del 10 % se alcanza tan deprisa como el objetivo. Las reglas seleccionan a quien asume riesgo, y la ventaja solo se nota en los márgenes.

Las ofertas suelen añadir reglas que endurecen la prueba. Dos variantes con los mismos supuestos: una evaluación en dos fases (8 % y después 5 %, 30 días cada una) y una pérdida máxima dinámica, medida desde el máximo alcanzado en vez de desde el saldo inicial:

fase2 = {**REGLAS, "objetivo": 0.05}
dinamica = {**REGLAS, "trailing": True}
filas = []
for s in [0, 2]:
    una = superar(s, 0.01, rng=rng)
    dos = una * superar(s, 0.01, fase2, rng=rng)
    din = superar(s, 0.01, dinamica, rng=rng)
    filas.append({"sharpe": s, "una_fase": una, "dos_fases": dos,
                  "trailing": din})
pd.DataFrame(filas).set_index("sharpe").round(3)

        una_fase  dos_fases  trailing
sharpe
0          0.118      0.036     0.115
2          0.303      0.167     0.302

Con un 1 % diario, la segunda fase divide la probabilidad por más de tres sin ventaja (del 11,8 % al 3,6 %) y casi por dos con Sharpe 2 (del 30,3 % al 16,7 %): hay que tener suerte dos veces. La pérdida dinámica, en cambio, apenas cambia nada con estos números (11,5 % frente a 11,8 %): en 30 días, el saldo rara vez sube varios puntos y después cae un 10 % desde ese máximo sin haber tocado antes el objetivo. Las condiciones reales de cada empresa, que cambian con frecuencia, deciden qué efectos dominan; el modelo solo muestra la mecánica.

La economía de la evaluación

Para la empresa, cada evaluación vendida ingresa una cuota; los pagos a los traders que superan la prueba son su coste. Si las cuentas financiadas también son simuladas, como en el esquema que describe la CNMV, los pagos salen de la caja de la empresa, que se nutre de las cuotas. El modelo de negocio funciona si las cuotas superan a los pagos, y las reglas son la palanca para conseguirlo.

La simulación siguiente monta un mercado completo con más supuestos, todos inventados para la lección: 1.000 evaluaciones vendidas a 500 USD; el 80 % de los compradores sin ventaja, el 15 % con Sharpe 0,5 y el 5 % con Sharpe 1,5; cada uno arriesga entre un 0,5 % y un 2 % diario; quien supera la evaluación opera 60 días en la cuenta financiada (cuenta de 100.000 USD, mismas reglas), cobra el 80 % del beneficio cada 20 días y pierde la cuenta si rompe una regla.

CUOTA, CUENTA, REPARTO = 500, 100_000, 0.80      # supuestos

def financiada(sharpe, vol, dias=60, cada=20, rng=None):
    """Pagos (USD) a un trader en la cuenta financiada."""
    r = rng.normal(sharpe / np.sqrt(252) * vol, vol, dias)
    saldo, pagado = 0.0, 0.0
    for d, x in enumerate(r, start=1):
        saldo += x
        if x <= -REGLAS["perdida_diaria"] or saldo <= -REGLAS[
                "perdida_total"]:
            break
        if d % cada == 0 and saldo > 0:
            pagado += REPARTO * saldo * CUENTA
            saldo = 0.0
    return pagado

rng = np.random.default_rng(8)
n = 1_000
sharpes = rng.choice([0.0, 0.5, 1.5], n, p=[0.80, 0.15, 0.05])
vol_tr = rng.uniform(0.005, 0.02, n)
pagos = np.zeros(n)
supera = np.zeros(n, bool)
for i, (s, v) in enumerate(zip(sharpes, vol_tr)):
    supera[i] = superar(s, v, n=1, rng=rng) == 1.0   # un intento
    if supera[i]:
        pagos[i] = financiada(s, v, rng=rng)
neto = pagos - CUOTA
print(f"Superan la evaluación:        {supera.mean():.1%}")
print(f"Pierden la cuota sin cobrar:  {(pagos == 0).mean():.1%}")
print(f"Terminan con saldo positivo:  {(neto > 0).mean():.1%}")
print(f"Cuotas cobradas:  {CUOTA * n:>9,.0f} USD")
print(f"Pagos a traders:  {pagos.sum():>9,.0f} USD")
for s in [0.0, 0.5, 1.5]:
    m = sharpes == s
    print(f"Sharpe {s}: {m.sum():3d} compradores, "
          f"neto medio {neto[m].mean():+6.0f} USD")

Superan la evaluación:        21.4%
Pierden la cuota sin cobrar:  85.5%
Terminan con saldo positivo:  14.1%
Cuotas cobradas:    500,000 USD
Pagos a traders:  1,196,663 USD
Sharpe 0.0: 832 compradores, neto medio   +649 USD
Sharpe 0.5: 139 compradores, neto medio   +888 USD
Sharpe 1.5:  29 compradores, neto medio  +1157 USD

La media de cada grupo esconde la forma de la distribución:

print(f"Neto mediano:            {np.median(neto):+.0f} USD")
print(f"Percentil 90 del neto:   {np.percentile(neto, 90):+.0f} USD")
orden = np.sort(pagos)[::-1]
top = orden[: n // 100].sum() / pagos.sum()
print(f"Pagos al 1 % que más cobra: {top:.0%} del total")
print(f"Cuota de equilibrio:     {pagos.mean():.0f} USD")
reparto = pd.cut(pagos, [-1, 0, CUOTA, np.inf],
                 labels=["sin cobro", "cobra menos que la cuota",
                         "cobra más que la cuota"])
print(pd.Series(reparto).value_counts(normalize=True).round(3)
      .to_string())

Neto mediano:            -500 USD
Percentil 90 del neto:   +3248 USD
Pagos al 1 % que más cobra: 18% del total
Cuota de equilibrio:     1197 USD
sin cobro                   0.855
cobra más que la cuota      0.141
cobra menos que la cuota    0.004

El 85,5 % de los compradores pierde la cuota sin cobrar nada: el 78,6 % no supera la evaluación y casi un tercio de los que la superan pierde la cuenta financiada antes del primer cobro. La mediana del resultado es exactamente −500 USD, la cuota. Y aun así el resultado medio de cada grupo es positivo, porque unos pocos cobran mucho: el 1 % que más cobra se lleva el 18 % de los pagos. Es la forma de una lotería: pérdida pequeña y casi segura, ganancia grande y rara. La ventaja cambia poco las cifras: el grupo sin ventaja y el de Sharpe 1,5 (solo 29 compradores, una muestra pequeña) se distinguen menos de lo que se distinguen dos niveles de riesgo.

La otra cara es la de la empresa. Con estos supuestos pagaría 1.196.663 USD y cobraría 500.000: la cuota de equilibrio sería de 1.197 USD por evaluación. Una empresa real que cobra cuotas de ese orden o menores solo cuadra sus cuentas con reglas más duras que las del modelo, pagos más limitados o compradores que asumen menos riesgo del que les convendría para superar la prueba, que es lo que hace la mayoría. Para el comprador, la conclusión es la misma en todos los casos: lo más probable es perder la cuota, y la probabilidad de superar la evaluación mide sobre todo cuánto riesgo se asumió.

Riesgos y comprobaciones antes de pagar

Las simulaciones no recogen los riesgos que no son estadísticos, que suelen ser los que más pesan:

• Contraparte. Los pagos dependen de la solvencia y de la voluntad de una empresa que no custodia activos del cliente. Si cambia de condiciones, cierra o deniega un pago por una regla interpretable, no hay sistema de indemnización al que acudir.
• Condiciones cambiantes. Reglas, plataformas, instrumentos permitidos y calendarios de pago se fijan por contrato y cambian. Hay que guardar la versión de las condiciones vigente al pagar.
• Riesgo de conducta propio. Las reglas premian la volatilidad: la tentación de aumentar el riesgo para llegar al objetivo es exactamente lo contrario de lo que enseñan las lecciones 4.2.1 y 4.2.5. Un trader que se acostumbra a operar así lo traslada a su propio dinero.
• Coste acumulado. Volver a comprar la evaluación tras cada fallo suma cuotas; con una probabilidad de éxito del 12 % por intento (un 1 % diario sin ventaja), el número esperado de intentos hasta superarla es de 1/0,12 ≈ 8.
• Fiscalidad. Los pagos de una empresa de evaluaciones no son ganancias patrimoniales de una cuenta de valores; su tratamiento fiscal no es el de la lección 7.4.6 y depende del contrato. Para un caso concreto, un asesor fiscal.

Antes de pagar, las comprobaciones son las de la lección 7.5.2: identificar la sociedad (razón social, domicilio, registro mercantil), saber si opera alguna actividad que exija autorización y si figura en algún registro, buscarla en las advertencias de la CNMV y leer las condiciones de pago completas. Si una empresa ofrece además gestionar dinero de clientes o vender «señales», entra en el terreno de la lección 7.4.7 y de las entidades autorizadas.

Ejercicios

1. Repite la tabla de probabilidades con un plazo máximo de 60 días en lugar de 30. ¿Qué pasa con el trader sin ventaja que arriesga un 1 % diario? ¿Y con el de Sharpe 2?

largo = {**REGLAS, "dias_max": 60}
for s in [0, 2]:
    print(s, round(superar(s, 0.01, rng=rng), 3),
          round(superar(s, 0.01, largo, rng=rng), 3))

0 0.119 0.266
2 0.298 0.613

2. Compras evaluaciones hasta superar una, con un máximo de cinco intentos y una probabilidad de éxito del 12 % por intento (un 1 % diario sin ventaja). ¿Con qué probabilidad la superas y cuánto gastas en cuotas en promedio? Calcúlalo con la fórmula y compruébalo con una simulación.

p, k = 0.12, 5
exacta = 1 - (1 - p) ** k
intentos = exacta / p
sim = rng.random((100_000, k)) < p
pagados = np.where(sim.any(1), sim.argmax(1) + 1, k)
print(f"Superarla: {exacta:.3f} (simulado {sim.any(1).mean():.3f})")
print(f"Cuotas medias: {CUOTA * intentos:.0f} USD "
      f"(simulado {CUOTA * pagados.mean():.0f} USD)")

Superarla: 0.472 (simulado 0.470)
Cuotas medias: 1968 USD (simulado 1972 USD)

3. Una web ofrece «capital de 100.000 USD» tras un curso de 2.000 euros con «garantía de financiación». Con lo visto en la lección, enumera qué preguntas harías y qué comprobarías antes de pagar.