|
3 años
experiencia
|
0
productos
|
0
versiones demo
|
|
0
trabajos
|
0
señales
|
0
suscriptores
|
Quantitative Developer/Trader
en
Astralys LLC
Trader Cuantitativo & Estratega Sistemático impulsado por IA | MSc en Finanzas (HEC Lausana)
𝐁𝐢𝐨𝐠𝐫𝐚𝐟í𝐚 𝐜𝐨𝐫𝐭𝐚
Soy un trader cuantitativo con sede en Suiza, con un máster en Finanzas por HEC Lausana, especializado en Gestión Cuantitativa de Activos y Riesgos. En mi tesis de máster cuestioné la eficiencia del mercado bursátil estadounidense con evidencia empírica. Desde entonces, he desarrollado más de 30 algoritmos de nivel institucional en Python para acciones, divisas y criptomonedas — diseñados para manejar capacidades de varios millones de dólares y desplegados a través de APIs. Mi ventaja radica en la combinación de una gestión de riesgos sólida (preservación del capital, control de volatilidad) con señales impulsadas por machine learning, modelos macro/regímenes y automatización de nivel de producción en IBKR (Fix Protocol y IBKR Gateway Docker), Alpaca, MT5, Binance y DAS. Actualmente estoy construyendo una Sociedad Anónima en Suiza y una LLC en EE.UU. para mis actividades cuantitativas, y estoy explorando la vía de registro RIA en EE.UU. para operar dentro de un marco totalmente regulado. Mi objetivo final es crear un Hedge Fund cuantitativo y captar alrededor de 50 millones de USD en AuM en los próximos años.
𝐂𝐚𝐩𝐚𝐜𝐢𝐝𝐚𝐝𝐞𝐬 𝐲 𝐭𝐞𝐜𝐧𝐨𝐥𝐨𝐠í𝐚
• Estrategias sistemáticas: reversión a la media, breakout, transversales/series temporales, factores long/short
• Riesgo y portafolio: control de volatilidad, control de drawdown, pruebas walk-forward y de Monte Carlo
• ML & NLP: XGBoost/LightGBM, clasificación de regímenes macro, flujos de noticias/sentimiento (ej. FinBERT)
• Ejecución e infraestructura: Python (pandas/NumPy/sklearn), IBKR, DAS, FIX, AWS/VPS, SQL/SQLite, MT5/MT4, Binance
• Mercados: acciones de EE.UU. y globales, pares principales de divisas, criptoactivos líquidos
𝐂𝐮𝐦𝐩𝐥𝐢𝐦𝐢𝐞𝐧𝐭𝐨 𝐲 é𝐭𝐢𝐜𝐚
La ética y la documentación transparente son mi prioridad; me comprometo a trabajar únicamente en entornos regulados (SA en Suiza y LLC en EE.UU. en proceso; explorando el registro RIA en EE.UU.).
En mi tesis sobre la eficiencia del mercado bursátil estadounidense apliqué el marco de Probabilidad de Sobreajuste en Backtests (Bailey et al., 2015), y sigo utilizando validaciones estrictas in-sample/out-of-sample, análisis walk-forward, rezagos de un período y protocolos anti-look-ahead para asegurar que mis modelos sean robustos y no estén sobreajustados.
Mi presencia en la comunidad MQL tiene como propósito educar a los traders minoristas para evitar estrategias sobreajustadas, de alto riesgo, y el uso excesivo de apalancamiento.
𝐋𝐢𝐧𝐤𝐞𝐝𝐈𝐧: 𝐥𝐢𝐧𝐤𝐞𝐝𝐢𝐧.𝐜𝐨𝐦/𝐢𝐧/𝐣𝐨𝐡𝐧-𝐛𝐞𝐫𝐠𝐞𝐫𝐚𝐭/
𝐁𝐢𝐨𝐠𝐫𝐚𝐟í𝐚 𝐜𝐨𝐫𝐭𝐚
Soy un trader cuantitativo con sede en Suiza, con un máster en Finanzas por HEC Lausana, especializado en Gestión Cuantitativa de Activos y Riesgos. En mi tesis de máster cuestioné la eficiencia del mercado bursátil estadounidense con evidencia empírica. Desde entonces, he desarrollado más de 30 algoritmos de nivel institucional en Python para acciones, divisas y criptomonedas — diseñados para manejar capacidades de varios millones de dólares y desplegados a través de APIs. Mi ventaja radica en la combinación de una gestión de riesgos sólida (preservación del capital, control de volatilidad) con señales impulsadas por machine learning, modelos macro/regímenes y automatización de nivel de producción en IBKR (Fix Protocol y IBKR Gateway Docker), Alpaca, MT5, Binance y DAS. Actualmente estoy construyendo una Sociedad Anónima en Suiza y una LLC en EE.UU. para mis actividades cuantitativas, y estoy explorando la vía de registro RIA en EE.UU. para operar dentro de un marco totalmente regulado. Mi objetivo final es crear un Hedge Fund cuantitativo y captar alrededor de 50 millones de USD en AuM en los próximos años.
𝐂𝐚𝐩𝐚𝐜𝐢𝐝𝐚𝐝𝐞𝐬 𝐲 𝐭𝐞𝐜𝐧𝐨𝐥𝐨𝐠í𝐚
• Estrategias sistemáticas: reversión a la media, breakout, transversales/series temporales, factores long/short
• Riesgo y portafolio: control de volatilidad, control de drawdown, pruebas walk-forward y de Monte Carlo
• ML & NLP: XGBoost/LightGBM, clasificación de regímenes macro, flujos de noticias/sentimiento (ej. FinBERT)
• Ejecución e infraestructura: Python (pandas/NumPy/sklearn), IBKR, DAS, FIX, AWS/VPS, SQL/SQLite, MT5/MT4, Binance
• Mercados: acciones de EE.UU. y globales, pares principales de divisas, criptoactivos líquidos
𝐂𝐮𝐦𝐩𝐥𝐢𝐦𝐢𝐞𝐧𝐭𝐨 𝐲 é𝐭𝐢𝐜𝐚
La ética y la documentación transparente son mi prioridad; me comprometo a trabajar únicamente en entornos regulados (SA en Suiza y LLC en EE.UU. en proceso; explorando el registro RIA en EE.UU.).
En mi tesis sobre la eficiencia del mercado bursátil estadounidense apliqué el marco de Probabilidad de Sobreajuste en Backtests (Bailey et al., 2015), y sigo utilizando validaciones estrictas in-sample/out-of-sample, análisis walk-forward, rezagos de un período y protocolos anti-look-ahead para asegurar que mis modelos sean robustos y no estén sobreajustados.
Mi presencia en la comunidad MQL tiene como propósito educar a los traders minoristas para evitar estrategias sobreajustadas, de alto riesgo, y el uso excesivo de apalancamiento.
𝐋𝐢𝐧𝐤𝐞𝐝𝐈𝐧: 𝐥𝐢𝐧𝐤𝐞𝐝𝐢𝐧.𝐜𝐨𝐦/𝐢𝐧/𝐣𝐨𝐡𝐧-𝐛𝐞𝐫𝐠𝐞𝐫𝐚𝐭/
