Dónde trabajar: qué hace cada empresa y qué dicen los registros.

Cuatro formas de ganar dinero

Las ofertas de empleo dicen «hedge fund», «banco» o «fintech», pero esas palabras agrupan negocios muy distintos. Lo que más explica el día a día de un perfil cuantitativo no es el nombre del sector sino de dónde sale el ingreso de la empresa: de ahí salen el horizonte de las decisiones, la tolerancia al riesgo, el valor de un milisegundo y la forma de medir si alguien hace bien su trabajo. La lección 7.5.1 describe los roles (researcher, developer, trader, risk, data y ML engineer); esta los sitúa en los sitios donde se ejercen.

flowchart TB
  I[Origen del ingreso] --> P[Patrimonio ajeno]
  I --> F[Flujo de clientes]
  I --> C[Capital propio]
  I --> S[Venta de servicios]
  P --> G[Gestoras y fondos]
  F --> B[Brókeres y bancos]
  C --> T[Prop y creadores]
  S --> D[Fintech y datos]

• Patrimonio ajeno. La empresa gestiona dinero de otros y cobra un porcentaje sobre él (comisión de gestión) y, a veces, sobre la rentabilidad (comisión de éxito). Su ingreso crece con el patrimonio y con la capacidad de retenerlo.
• Flujo de clientes. La empresa cobra por ejecutar, custodiar, financiar o distribuir: comisiones por orden, margen de intereses del efectivo y de los préstamos de valores, retrocesiones por comercializar fondos.
• Capital propio. La empresa arriesga su balance. Gana si su ventaja estadística supera los costes y el riesgo de inventario; nadie le paga por intentarlo.
• Venta de servicios. Suscripciones de datos, software, plataformas o análisis. El cliente paga aunque pierda dinero en el mercado.

Una empresa grande combina varias formas; un banco de inversión tiene las cuatro. Pero cada mesa o cada filial suele vivir de una, y conviene saber de cuál antes de la entrevista (lección 7.5.3).

Siete tipos de empresa

Dos matices que la tabla no recoge. El primero: «hedge fund» no es una figura jurídica europea. En la UE, quien gestiona estrategias de ese tipo es un gestor de fondos de inversión alternativos (GFIA, AIFM en inglés) y en España, además, una SGIIC que gestione IIC de inversión libre. El segundo: «prop firm» designa dos cosas que no se parecen. Una es una empresa de trading por cuenta propia, con capital y empleados propios. La otra vende a particulares evaluaciones en cuentas simuladas y les promete capital si las superan; su modelo y sus riesgos se estudian en la lección 7.5.4.

Las figuras jurídicas en España

Cada tipo de empresa tiene una licencia, y la licencia dice qué puede hacer. El artículo 128 de la Ley 6/2023 de los Mercados de Valores clasifica las empresas de servicios de inversión (ESI) españolas:

• Sociedades de valores (SV). Pueden operar «tanto por cuenta ajena como por cuenta propia» y prestar todos los servicios de inversión. Es la figura de un bróker que también negocia con su balance o crea mercado.
• Agencias de valores (AV). «Solo pueden operar por cuenta ajena». Reciben, transmiten y ejecutan órdenes de clientes, gestionan carteras o asesoran, pero no negocian por cuenta propia.
• Sociedades gestoras de carteras (SGC) y empresas de asesoramiento financiero (EAF). Gestión discrecional de carteras y asesoramiento, sin poder tener fondos o valores de clientes.
• Entidades de crédito. No son ESI, pero el mismo artículo les permite prestar todos los servicios de inversión si su autorización las habilita. Por eso un banco puede tener una mesa de trading.

Fuera de ese artículo quedan las SGIIC, que gestionan fondos y sociedades de inversión (IIC, incluidas las de inversión libre), las SGEIC, que gestionan entidades de inversión de tipo cerrado (capital riesgo), y los proveedores de servicios de criptoactivos (CASP) autorizados con MiCA, que se estudian en la lección 3.7.5.

El ecosistema español en las listas de la CNMV

La CNMV publica una lista por tipo de entidad, una página HTML con un bloque por entidad: nombre, número y fecha de registro y dirección. La lección 4.4.1 ya leyó la de ESI europeas en libre prestación para comprobar un bróker; aquí se usan las demás para medir el ecosistema. El código real que las descarga y las cuenta:

import html
import re
from urllib.request import Request, urlopen

BASE = "https://www.cnmv.es/portal/consultas/listadoentidad.aspx"
LISTAS = {"SV y AV": "?id=1&tipoent=0", "EAF": "?id=1&tipoent=2",
          "SGIIC": "?id=2&tipoent=0", "SGEIC": "?id=4&tipoent=0"}
for tipo, q in LISTAS.items():
    req = Request(BASE + q, headers={"User-Agent": "Mozilla/5.0"})
    with urlopen(req, timeout=30) as r:
        pagina = r.read().decode("utf-8", errors="replace")
    texto = html.unescape(re.sub(r"<[^>]+>", "\n", pagina))
    n = texto.count("Número y fecha de registro oficial")
    print(tipo, n)

El 23 de octubre de 2026 imprimía 114 SV y AV, 92 EAF, 122 SGIIC y 165 SGEIC. La lista de entidades de crédito españolas usa otro formato (código del Banco de España en vez de número de registro) y tenía 102. La celda siguiente procesa un extracto ficticio con el formato de las listas (con menos sangría) para trabajar sin red:

import re
import pandas as pd

LISTA = """
ALCOR MERCADOS, SOCIEDAD DE VALORES, S.A.
  Número y fecha de registro oficial: 901 - 12/03/1990
    Dirección: C/ MAYOR 1 - 28013 MADRID
BRIO PATRIMONIOS, A.V., S.L.
  Número y fecha de registro oficial: 902 - 02/06/2017
    Dirección: C/ ARAGO 2 - 08007 BARCELONA
CENIT GESTION, SGIIC, S.A.
  Número y fecha de registro oficial: 903 - 10/04/2001
    Dirección: GRAN VIA 3 - 48001 BILBAO
DUNA CAPITAL PRIVADO, SGEIC, S.A.
  Número y fecha de registro oficial: 904 - 01/09/2026
    Dirección: C/ COLON 4 - 46004 VALENCIA
EBRO ASESORES EAF, S.L.
  Número y fecha de registro oficial: 905 - 15/01/2025
    Dirección: C/ ALFONSO I 5 - 50003 ZARAGOZA
FARO QUANT A.V, S.L.
  Número y fecha de registro oficial: 906 - 24/07/2026
    Dirección: C/ AZOR 6 - 28691 VILLANUEVA
"""
patron = re.compile(
    r"^(?P<nombre>\S[^\n]*)\n"
    r"\s*Número y fecha de registro oficial: (?P<num>\d+)"
    r" - (?P<fecha>\d\d/\d\d/\d{4})\n"
    r"\s*Dirección: (?P<direccion>[^\n]*)", re.M)
ent = pd.DataFrame([m.groupdict() for m in patron.finditer(LISTA)])
ent["fecha"] = pd.to_datetime(ent["fecha"], format="%d/%m/%Y")
ent["cp"] = ent["direccion"].str.extract(r"- (\d{5})\b")[0]
ent[["nombre", "num", "fecha", "cp"]]

                                      nombre  num      fecha     cp
0  ALCOR MERCADOS, SOCIEDAD DE VALORES, S.A.  901 1990-03-12  28013
1               BRIO PATRIMONIOS, A.V., S.L.  902 2017-06-02  08007
2                 CENIT GESTION, SGIIC, S.A.  903 2001-04-10  48001
3          DUNA CAPITAL PRIVADO, SGEIC, S.A.  904 2026-09-01  46004
4                    EBRO ASESORES EAF, S.L.  905 2025-01-15  50003
5                       FARO QUANT A.V, S.L.  906 2026-07-24  28691

La lista mezcla sociedades y agencias de valores, y la figura de cada una solo está en el nombre, escrito sin una norma fija: «SOCIEDAD DE VALORES», «S.V.», «A.V.», «AV» o, como en una entidad real de la lista, «A.V,» con la coma pegada. Las gestoras escriben «SGIIC» o «S.G.I.I.C.», y las EAF, «EAF» o «EAFI». Un clasificador por expresiones regulares tiene que admitir esas variantes. La provincia sale de los dos primeros dígitos del código postal:

REGLAS = [
    ("SV", r"SOCIEDAD DE VALORES|\bS\.?V\b"),
    ("AV", r"AGENCIA DE VALORES|\bA\.?V\b"),
    ("SGIIC", r"\bS\.?G\.?I\.?I\.?C\b|GESTORA DE INSTITUCIONES"),
    ("SGEIC", r"\bS\.?G\.?E\.?I\.?C\b|ENTIDADES DE INVERSI[OÓ]N"),
    ("EAF", r"\bE\.?A\.?F\.?I?\b|ASESORAMIENTO FINANCIERO"),
]
PROVINCIAS = {"28": "Madrid", "08": "Barcelona", "48": "Bizkaia",
              "46": "Valencia", "50": "Zaragoza"}

def tipo(nombre: str) -> str:
    for etiqueta, regla in REGLAS:
        if re.search(regla, nombre.upper()):
            return etiqueta
    return "sin clasificar"

ent["tipo"] = ent["nombre"].map(tipo)
ent["provincia"] = ent["cp"].str[:2].map(PROVINCIAS).fillna("otra")
ent[["nombre", "tipo", "provincia"]]

                                      nombre   tipo  provincia
0  ALCOR MERCADOS, SOCIEDAD DE VALORES, S.A.     SV     Madrid
1               BRIO PATRIMONIOS, A.V., S.L.     AV  Barcelona
2                 CENIT GESTION, SGIIC, S.A.  SGIIC    Bizkaia
3          DUNA CAPITAL PRIVADO, SGEIC, S.A.  SGEIC   Valencia
4                    EBRO ASESORES EAF, S.L.    EAF   Zaragoza
5                       FARO QUANT A.V, S.L.     AV     Madrid

Con las listas reales, ese clasificador asigna un tipo a cada una de las 493 entidades de las cuatro listas y separa las 114 de la primera en 40 sociedades y 74 agencias de valores: son las dos barras inferiores de la figura de la cabecera. Las sociedades de valores, destacadas, son las únicas ESI españolas que pueden negociar por cuenta propia. La misma agregación da la geografía:

# (entidades con código postal 28xxx, total de la lista)
madrid = pd.DataFrame(
    {"en_madrid": [88, 101, 96, 53], "total": [114, 122, 165, 92]},
    index=["SV y AV", "SGIIC", "SGEIC", "EAF"])
madrid["pct"] = (100 * madrid["en_madrid"] / madrid["total"]).round(1)
madrid

         en_madrid  total   pct
SV y AV         88    114  77.2
SGIIC          101    122  82.8
SGEIC           96    165  58.2
EAF             53     92  57.6

Más de tres cuartas partes de las SV y AV y de las SGIIC tienen su dirección registrada en la provincia de Madrid; las gestoras de capital riesgo (SGEIC) y las EAF están algo más repartidas, con Barcelona en segundo lugar (35 SGEIC y 14 EAF). La dirección registrada es la del domicilio social: no dice dónde trabaja cada empleado, pero sí dónde están la dirección y, casi siempre, las mesas.

Cómo ganan dinero, con datos de la CNMV

Las estadísticas de ESI de la CNMV publican cada trimestre el balance y la cuenta de resultados agregados de las sociedades y agencias de valores. El cuadro 1.4 desglosa las comisiones percibidas por servicio, en miles de euros acumulados desde el inicio del año (nota 2 del cuadro), así que la columna del cuarto trimestre es el año completo. Este es el extracto de 2025, con los números del cuadro publicado con datos a junio de 2026:

import io

CUADRO = """partida;miles
2.1.1. Tramitación y ejecución de órdenes;170.106
2.1.2. Colocación y aseguramiento de emisiones;10.296
2.1.3. Depósito y anotación de valores;32.196
2.1.4. Gestión de carteras;68.167
2.1.5. Asesoramiento en materia de inversión;68.920
2.1.6. Búsqueda y colocación de paquetes;1.147
2.1.7. Operaciones de crédito al mercado;0
2.1.8. Comercialización de IIC;232.984
2.1.9. Internalización sistemática de órdenes;0
2.1.10. Intermediación en instrumentos derivados;11.279
2.1.11. Elaboración de informes y análisis financieros;11.077
2.1.12. Servicios y actividades con criptoactivos;0
2.1.13. Otras;106.013
"""
com = pd.read_csv(io.StringIO(CUADRO), sep=";", thousands=".")
com[["codigo", "servicio"]] = com["partida"].str.extract(
    r"^([\d.]+?)\.? (.+)$")
total = com["miles"].sum()
print(f"Suma: {total} miles de euros; total del cuadro: 712186")
com["pct"] = (100 * com["miles"] / total).round(1)
print(com.sort_values("miles", ascending=False)[
    ["servicio", "miles", "pct"]].head(5).to_string(index=False))

Suma: 712185 miles de euros; total del cuadro: 712186
                             servicio  miles  pct
              Comercialización de IIC 232984 32.7
   Tramitación y ejecución de órdenes 170106 23.9
                                Otras 106013 14.9
Asesoramiento en materia de inversión  68920  9.7
                  Gestión de carteras  68167  9.6

La suma de las partidas se queda a mil euros del total publicado: cada partida está redondeada a miles, y una diferencia de una unidad es redondeo, no un error de transcripción. Comprobar la suma es lo primero que hay que hacer al copiar una tabla. Y el resultado contradice la imagen habitual de un bróker: la primera partida no es la ejecución de órdenes sino la comercialización de fondos, un tercio de las comisiones. La ejecución, la intermediación en derivados y la búsqueda de paquetes, lo más parecido al trading, suman el 25,6 %. Para quien busca trabajo esto tiene una lectura directa: en muchas ESI españolas el negocio es distribuir y asesorar, y el trabajo cuantitativo, cuando lo hay, está en carteras, riesgo y datos más que en estrategias.

La cuenta de resultados dice también cuánto pesa el personal:

pyg = pd.Series({"margen_bruto": 649_333, "personal": 309_801,
                 "generales": 166_567, "antes_impuestos": 162_612})
print((pyg / 1000).round(1).to_string())
print(f"Personal / margen bruto: "
      f"{pyg['personal'] / pyg['margen_bruto']:.1%}")

margen_bruto       649.3
personal           309.8
generales          166.6
antes_impuestos    162.6
Personal / margen bruto: 47.7%

El personal fue el mayor gasto del sector en 2025, casi la mitad del margen bruto. Es un dato agregado de 114 entidades muy distintas y no dice nada de salarios individuales: las estadísticas no lo publican y esta lección no da cifras de salarios sin una fuente primaria que las publique.

Europa en el registro de ESMA

ESMA mantiene un registro de entidades autorizadas con arreglo a MiFID II y a otras normas (gestoras de fondos UCITS y alternativos, centros de negociación, internalizadores). La interfaz web consulta un índice Solr que admite recuentos por campo (facets). La consulta de abajo funcionaba el 23 de octubre de 2026; no es una API documentada:

import json
from urllib.parse import urlencode
from urllib.request import Request, urlopen

URL = ("https://registers.esma.europa.eu/solr/"
       "esma_registers_upreg/select?")
params = [("q", "type_s:parent"), ("rows", 0), ("wt", "json"),
          ("fq", "ae_status:Active"),
          ("fq", 'ae_officeType:"Head office"'),
          ("facet", "true"), ("facet.limit", 60),
          ("facet.pivot", "ae_entityTypeLabel,ae_homeMemberState")]
req = Request(URL + urlencode(params),
              headers={"User-Agent": "Mozilla/5.0"})
with urlopen(req, timeout=30) as r:
    datos = json.load(r)
pivote = datos["facet_counts"]["facet_pivot"]
print(pivote["ae_entityTypeLabel,ae_homeMemberState"][0])

La respuesta es un árbol: un nodo por tipo de entidad con su total y, dentro, un nodo por Estado de origen. La celda siguiente lee un extracto de esa respuesta con los valores reales de la consulta (los cinco primeros Estados de cada tipo y España):

import json

RESPUESTA = """[
 {"value": "investment firm", "count": 5319, "pivot": [
  {"value": "germany", "count": 1865}, {"value": "italy", "count": 463},
  {"value": "austria", "count": 458}, {"value": "spain", "count": 312},
  {"value": "france", "count": 268}]},
 {"value": "aifm", "count": 2882, "pivot": [
  {"value": "france", "count": 566}, {"value": "poland", "count": 384},
  {"value": "spain", "count": 337}, {"value": "luxembourg",
  "count": 273}, {"value": "hungary", "count": 137}]},
 {"value": "ucits management company", "count": 1143, "pivot": [
  {"value": "luxembourg", "count": 286}, {"value": "france",
  "count": 224}, {"value": "spain", "count": 110},
  {"value": "ireland", "count": 92}, {"value": "italy", "count": 45}]}
]"""
filas = [{"tipo": t["value"], "total": t["count"],
          "estado": e["value"], "n": e["count"]}
         for t in json.loads(RESPUESTA) for e in t["pivot"]]
esma = pd.DataFrame(filas)
esma["pct"] = (100 * esma["n"] / esma["total"]).round(1)
print(esma[esma["estado"] == "spain"].to_string(index=False))

                    tipo  total estado   n  pct
         investment firm   5319  spain 312  5.9
                    aifm   2882  spain 337 11.7
ucits management company   1143  spain 110  9.6

España es el cuarto Estado por número de empresas de servicios de inversión activas y el tercero en gestoras de fondos alternativos y de UCITS. Pero los recuentos de ESMA y de la CNMV no cuentan lo mismo: los 312 «investment firms» españoles del registro europeo son casi tres veces las 114 SV y AV de la lista nacional. Clasificando los 312 nombres con las reglas de la lección salen 39 SV, 75 AV, 92 EAF y 106 nombres sin ninguna de esas siglas; 103 de ellos llevan «BANCO», «BANK», «CAJA», «CAIXA» o «CRÉDITO» en el nombre. Las entidades de crédito que prestan servicios de inversión (artículo 128.3 de la Ley 6/2023) figuran en el registro europeo con esa etiqueta, y la CNMV las lista aparte. Comparar países con este recuento exige saber qué figuras nacionales carga cada autoridad bajo la misma etiqueta: un recuento sin definición no sirve para comparar.

Del registro a la oferta de empleo

Con el mapa y las fuentes, comprobar a un posible empleador cuesta unos minutos y evita sorpresas:

flowchart LR
  A[Oferta de empleo] --> R{¿En un registro?}
  R -- sí --> L{¿Licencia acorde?}
  R -- no --> W[Advertencias]
  L -- sí --> E[Entrevista]
  L -- no --> P[Preguntar]

1. Identificar la entidad que contrata. El nombre comercial no basta: el contrato se firma con una sociedad, y el aviso legal de su web da la razón social y el número de registro.
2. Buscarla en el registro que corresponde a lo que dice hacer. Gestión de fondos: SGIIC o SGEIC en la CNMV, o gestora UCITS o AIFM en el registro de ESMA. Negociación por cuenta propia o creación de mercado: SV o entidad de crédito. Criptoactivos: CASP autorizado (lección 3.7.5).
3. Comprobar que la licencia cuadra con la actividad. Una agencia de valores que anuncia una mesa de trading propio, o una EAF que habla de «gestionar el capital de la firma», merecen una pregunta en la entrevista.
4. Si no aparece en ningún registro, buscarla en las advertencias de la CNMV sobre entidades no autorizadas. No aparecer en un registro no es ilegal si la actividad no necesita autorización (una empresa de software, una consultora, un trader con su propio dinero), pero entonces no es una entidad financiera regulada, con lo que eso implica para la estabilidad del empleo y para lo que puede prometer.

El salto de cada tipo de empresa a un puesto concreto, y lo que se pregunta en las entrevistas, está en la lección 7.5.3; la formación que piden las ofertas y los riesgos de las prop firms de evaluación, en la 7.5.4.

Ejercicios

1. Clasifica estos nombres, con el formato del registro de ESMA, con la función tipo de la lección ampliada con una regla para entidades de crédito. ¿Cuántos quedan en cada grupo?

NOMBRES = ["ALCOR MERCADOS, SOCIEDAD DE VALORES, S.A.",
           "BRIO PATRIMONIOS, A.V., S.L.", "CENIT BANCO, S.A.",
           "CAJA RURAL DEL EBRO, S. COOP. DE CREDITO",
           "EBRO ASESORES EAF, S.L.", "GALENA INVESTMENT, S.A."]
REGLAS_ESMA = REGLAS + [
    ("crédito", r"BANC|BANK|\bCAJA\b|CAIXA|CR[EÉ]DITO")]

def tipo_esma(nombre: str) -> str:
    for etiqueta, regla in REGLAS_ESMA:
        if re.search(regla, nombre.upper()):
            return etiqueta
    return "sin clasificar"

pd.Series([tipo_esma(n) for n in NOMBRES]).value_counts()

crédito           2
SV                1
AV                1
EAF               1
sin clasificar    1
Name: count, dtype: int64

2. Las cifras del cuadro 1.4 son acumuladas desde enero. Con las comisiones por tramitación y ejecución de órdenes acumuladas a junio, septiembre y diciembre de 2025 (84.337, 124.996 y 170.106 miles de euros) y a marzo y junio de 2026 (51.838 y 97.771), calcula las de cada trimestre. ¿Cuál fue el trimestre con más comisiones por órdenes?

acum = pd.Series([84_337, 124_996, 170_106, 51_838, 97_771],
                 index=["2025T2", "2025T3", "2025T4",
                        "2026T1", "2026T2"])
anio = acum.index.str[:4]
trim = acum.groupby(anio).diff().fillna(acum)
trim = trim.drop("2025T2")  # sin 2025T1 no se puede separar
trim.astype(int)

2025T3    40659
2025T4    45110
2026T1    51838
2026T2    45933
dtype: int64

3. Una oferta pide un «quant researcher» para «una firma de trading propietario con sede en Madrid» y no da el nombre de la sociedad. Enumera qué comprobarías antes y durante la entrevista con las fuentes de esta lección.