Formación en métodos de investigación · Quantic Eagle opera solo con capital propio. Sin fondos de clientes, asesoramiento financiero ni señales de trading.

EN PREPARACIÓN · RECURSOS GRATUITOS YA DISPONIBLES

Antes de arriesgar capital

Antes de confiar en un backtest — una simulación de compras y ventas con datos pasados — averigua qué demuestran sus resultados.

¿Un modelo más complejo es también una mejor elección? En el proyecto final de «Antes de arriesgar capital» comparas, con precios inventados, un modelo con una regla elemental: comprar siempre la misma acción. El modelo pierde 152,17 €, mientras que la regla sencilla gana 35,73 €. Después aumentas los costes de ejecución y también pierde la regla sencilla. Aprendes a elegir una referencia, mantener iguales las condiciones de la prueba y comprobar cuánto depende el resultado de los costes.

Prueba la comparación de abajo Explora el recorrido

El beneficio sube de 294 € a 448 €. ¿Gracias al filtro?

En este ejemplo inventado, la primera simulación compra y vende en las 48 ocasiones previstas, invirtiendo 1.000 € por compra. La segunda omite 12 ocasiones según un filtro ya fijado e invierte 2.000 € por compra. Los precios son los mismos; cada venta se realiza antes de la siguiente compra. El coste total de cada compra y su posterior venta es de 2 €.

El beneficio neto aumenta alrededor del 52 %, pero has cambiado dos cosas: qué operaciones realizar y cuánto invertir. ¿Qué comparación permite evaluar el filtro manteniendo el mismo importe por compra?

Muestra la comparación con 1.000 € por compra

Simulación	Beneficio neto
Las 48 operaciones	294 €
36 operaciones admitidas por el filtro	188 €

Con el filtro y 1.000 € por compra, el beneficio baja de 294 € a 188 €. En este ejemplo, el filtro reduce el beneficio al mantener el mismo importe. El resultado de 448 € también refleja que el importe se ha duplicado; por sí solo, no demuestra que el filtro mejore la estrategia.

Los datos y el filtro son inventados. La comparación aísla una diferencia en el beneficio de este ejemplo; no mide todos los riesgos ni demuestra resultados futuros. QE-COMPARE-02 / 1.0.

Sigue los cálculos y compara las cuatro simulaciones

¿Cuál es tu punto de partida?

Para quienes quieren desarrollar un proyecto cuantitativo. Si vienes de la ciencia de datos y estás empezando en finanzas, el primer módulo explica las bases de los datos de mercado.

Estás diseñando tu primer sistema

Sabes analizar datos y quieres organizar tu primer proyecto de trading: entender las convenciones del mercado, comparar modelos y definir el trabajo de la IA.

Ya tienes un backtest o un proceso de investigación

Quieres mejorar las decisiones de investigación, comparar modelos en condiciones coherentes y saber en qué partes del proceso conviene seguir trabajando.

Trabajas por tu cuenta o en un equipo pequeño

Quieres dar encargos precisos a la IA, reutilizar los experimentos y medir el tiempo, el coste y la calidad del trabajo entregado.

Qué aprendes a comprobar en un backtest

También te encuentras con resultados que parecen tranquilizadores y no lo son: dos programas que coinciden en una comisión cien veces menor de lo debido; operaciones cerradas con un beneficio conjunto mientras la cuenta, contando las posiciones aún abiertas, está en pérdidas; una clasificación preliminar que cambia al simular órdenes y costes. En cada caso identificas el control que lo habría detectado.

Comprueba que el dato estuviera disponible

Una simulación compra a las 10 con un dato recibido a las 12. Comparas la hora de la decisión con la de recepción e impides que el modelo utilice información que entonces no podía conocer.

Recalcula lo que cambia con una modificación

Corriges un precio que utiliza el modelo: las predicciones anteriores ya no corresponden a esos datos. Sigues los cálculos que dependen del precio y los regeneras. Si cambias solo una regla aplicada después de la predicción, compruebas cuándo puedes conservar las puntuaciones y repetir únicamente la simulación de órdenes.

Justifica si continuar, corregir o detenerte

Distingue los resultados que realmente has verificado de las preguntas abiertas. Explica qué observación respalda tu elección y qué prueba falta antes de emplear capital. El dosier conserva los datos, las versiones y las razones de esa decisión.

Evalúa la estabilidad de un entrenamiento

Entrenar dos veces una red con los mismos datos y ajustes puede producir modelos distintos porque el cálculo parte de valores aleatorios diferentes. El ejercicio compara veinte entrenamientos con esas condiciones comunes y distintas semillas, o seeds, que identifican las inicializaciones aleatorias. Elige antes de ver los datos posteriores y compara el modelo elegido con un conjunto de modelos definido de antemano. El mejor de veinte resultados sobre datos ya consultados no es una confirmación con datos nuevos.

Reconoce un ganador creado por la selección

En un experimento inventado sin ventaja, eliges el mejor de cuarenta intentos sobre el mismo periodo. Después observas cómo se comporta ese mismo ganador con datos nuevos: en promedio, gran parte de la ventaja aparente desaparece. Aprendes a distinguir el resultado utilizado para elegir de una evaluación posterior.

La guía parte de nociones básicas de estadística y familiaridad con tablas de datos. El recorrido repasa la distinción entre datos de entrenamiento, selección y evaluación. El módulo inicial introduce los datos financieros; el proyecto final ofrece un inicio guiado con porcentajes, costes y lectura del registro. Para los ejercicios con código necesitas conocimientos básicos de Python y manejo de la línea de comandos; para el caso gratuito basta el navegador.

Las lecciones que nos habría gustado tener al empezar.

La guía recoge lecciones de unos diez años de experiencia acumulada en investigación, con aportaciones del fundador y de colaboradores externos. Experimentos que funcionaron, errores y cambios de rumbo se convierten en casos que puedes examinar: qué probamos, qué encontramos y por qué cambiamos de enfoque.

Si entiendes porcentajes y tablas, pero te faltan algunas bases cuantitativas, tienes un inicio guiado y un módulo de datos financieros. Para ejecutar las herramientas necesitas las bases de Python indicadas en cada actividad. Si ya haces backtests, el proyecto final te entrega cuatro versiones de un experimento sin decirte cuáles tienen errores. Una es correcta pero pierde; las demás esconden un dato asignado a una decisión anterior a su disponibilidad, predicciones no actualizadas tras un cambio o un periodo de selección que figura dos veces. Eliges los controles, encuentras cada fallo y justificas por qué un resultado negativo pero correcto sigue siendo válido.

La experiencia descrita se refiere a la investigación; no es un historial de resultados de trading.

¿Ya tienes un backtest? Empieza por los casos del laboratorio y el dosier: verás qué decisiones cambian después de una comprobación y qué preguntas siguen abiertas. Compara la elección esperada con la del programa → Mira la caída que el saldo oculta →

De la idea a la prueba

Funcionó en el pasado. ¿Qué ocurre después?

Imagina una regla inventada: comprar después de una caída diaria de al menos el 2% y vender tras cinco sesiones. Con precios de 2015 a 2017 pruebas distintas caídas mínimas, duraciones de la posición y reglas de venta hasta encontrar una combinación que gana. Has elegido los ajustes conociendo los resultados de ese periodo. Todavía debes evaluarlos con precios que no hayan guiado la selección.

2015–2017
Construyes la regla
Pruebas umbrales y plazos; después eliges los ajustes que han ganado. Esos precios ya han influido en la estrategia.
2018 · primera prueba
Abres los datos reservados
La regla ya está fijada. Observas qué hace con precios que no has usado para elegirla.
2018 · tras un cambio
El mismo año pasa a tener otra función
El resultado te decepciona: cambias un umbral y repites. Ahora 2018 te está ayudando a elegir; ya no es una prueba independiente.

La siguiente prueba necesita datos que aún no hayan guiado tus decisiones

Puedes usar 2019 para ello solo si todavía no lo has consultado para modificar o elegir la estrategia. Llamar a un archivo “test” o “fuera de muestra” no cambia el uso que has hecho de sus datos.

¿Por qué puede fallar después? Entre muchas combinaciones, algunas pueden ganar por coincidencias presentes solo en los precios ya examinados. Elegir precisamente esas puede hacer que confundas una coincidencia con una regla útil. Además, el mercado y los costes pueden cambiar. Un mal resultado en un periodo nuevo exige investigar la causa; por sí solo no dice cuál es.

Qué hacer en tu proyecto

Escribe la idea antes de ver los resultados
Escribe por qué la regla podría tener sentido y qué te haría abandonar la idea. Registra todas las variantes probadas, también las que pierden.
Fija la comparación de antemano
Usa un periodo para construir y elegir la estrategia. Antes de abrir el siguiente, fija reglas, importes e hipótesis sobre los costes. El año 2019 solo puede ser una prueba nueva si todavía no ha orientado tus decisiones.
Avanza en orden de tiempo
Repite el procedimiento avanzando en el tiempo: en cada fecha usa solo lo que podrías haber conocido entonces. Conserva también los periodos negativos, sin seleccionar únicamente los favorables.
Busca de qué depende la ganancia
Comprueba cuánto depende el resultado de un umbral exacto, de unas pocas operaciones afortunadas o de costes demasiado optimistas. Si desaparece con pequeños cambios plausibles, investiga antes de confiar en él.

Aquí usamos robustez en este sentido: buscar resultados que no dependan solo de las coincidencias favorables de una prueba concreta. Estas comprobaciones ayudan a descartar ideas frágiles; no garantizan que una estrategia vaya a ganar en el futuro.

¿Qué pruebas después del backtest?

La guía incluye siete actividades sobre clasificaciones, frecuencia de operaciones, grupos de modelos, datos, cálculos que repetir, pruebas emparejadas y registros. Cada una tiene datos inventados, solución y ficha. Los tres ejemplos siguientes anticipan ese trabajo.

01 · Elegir un modelo
El beneficio del entrenamiento puede distorsionar la clasificación
A gana mucho con los precios usados para entrenarlo, pero pierde en el periodo siguiente. B gana menos en el primero y más en el segundo. Recalcula la clasificación para descubrir qué parte de la fórmula premia a A.
Capítulo 04 · Comparar candidatos
02 · Valorar el riesgo
Nunca ha perdido. ¿Cuántas veces ha operado?
Una estrategia tiene tres operaciones, todas positivas; otra, dieciocho. Cuenta los días con posiciones abiertas y compara las pérdidas observadas antes de considerar más segura la primera.
Capítulo 05 · Actividad y pérdidas
03 · Combinar modelos
Los mejores modelos pueden perder en los mismos periodos
A y B obtienen buenos resultados por separado, pero pierden en los mismos momentos. Prueba también A con C, que se comporta de otra forma. Calcula qué cambia al repartir el capital entre ellos y después al exigir que ambos coincidan antes de operar.
Capítulo 07 y módulo avanzado §9 · Trabajar juntos

Explora el programa y los ejercicios →

Lo que una buena curva puede ocultar.

Primero, evita los errores de datos que mejoran el backtest solo sobre el papel. Después, aprende a comprobar si añadir otro modelo aporta algo al sistema.

Lo esencial antes de trabajar con datos de mercado.

El módulo inicial explica cómo los desdoblamientos de acciones y los dividendos afectan a los precios históricos, cuándo está disponible un dato y qué fechas necesita una media. También muestra qué transformaciones de datos deben aprenderse del periodo de entrenamiento antes de aplicarlas en la siguiente evaluación.

¿Cuándo conviene fiarse de un modelo?

El módulo avanzado distingue dos preguntas: qué decidiría el modelo de hoy con datos pasados y qué decisiones eran realmente posibles entonces. Con datos inventados comparas un modelo sin modificar con un sistema que añade un segundo modelo, y examinas tanto un resultado favorable como uno desfavorable.

Estos dos módulos forman parte de la guía en preparación, con datos sintéticos, gráficos y ejercicios resueltos. No incluyen los modelos ni las reglas operativas de Quantic Eagle.

Al terminar una prueba, debes poder explicar a otra persona cómo obtuviste el resultado. La guía «Antes de arriesgar capital» enseña a diseñar y comparar experimentos de trading. El Research Verification Protocol organiza las comprobaciones de datos, decisiones y resultados. El dosier de ejemplo distingue las comprobaciones realizadas de las que faltan para decidir cómo continuar.

Veinte capítulos y seis talleres, con cuatro módulos: datos financieros, evaluación de un segundo modelo añadido a otro ya entrenado, laboratorio de selección de modelos y proyecto final. El material incluye 26 fichas, herramientas de comprobación en Python y ejemplos sintéticos que puedes reproducir.

Elegir un modelo: más allá del beneficio más alto

¿Debes elegir el modelo con el beneficio más alto? En un ejercicio inventado, los dos periodos tienen igual duración y el mismo capital inicial. X gana 500 USD en el primer periodo y 30.000 en el segundo; Y gana 8.000 USD en cada uno. La suma favorece a X, pero oculta cuánto depende su resultado del segundo periodo.

El criterio del laboratorio también considera el equilibrio entre periodos y por eso prefiere Y. En el ejercicio ambos tienen 100 operaciones por periodo y un drawdown máximo del 12%. En el laboratorio comparas el criterio, explicado por completo en la guía privada, con el beneficio total y la relación beneficio/drawdown; cambias un componente cada vez para entender cómo cambia la clasificación.

Con la configuración del ejercicio, el criterio prefiere Y a X. En la continuación inventada, que no se utilizó para elegir, X gana 1.200 USD y Y pierde 800. Una clasificación más elaborada no garantiza el ganador futuro: aprendes a justificar la selección, mostrar sus supuestos y poner a prueba al candidato elegido con observaciones posteriores.

Otro caso: Cuenta mejoras y beneficios positivos en el caso gratuito

Seis decisiones para diseñar tu investigación.

¿Quieres pasar de una idea de trading a una simulación que puedas comprobar? El recorrido sigue seis decisiones: qué probar, qué datos usar, con qué compararlo, cómo medir la cuenta, cómo repartir los análisis y cómo justificar el siguiente paso. Cada decisión tiene una ficha, un caso o un ejercicio.

Mapa del proceso de diseño. Las flechas indican el orden de trabajo; un experimento puede llevarte a revisar una decisión anterior.

La idea

Escribe la regla que quieres simular y por qué podría ser útil. Elige una referencia: la versión anterior si la estás modificando, o una regla sencilla sobre los mismos datos. Indica qué resultado te haría abandonar la idea. Capítulo 01 y ficha 01.

Los datos

Antes de simular órdenes, enumera las acciones que podías comprar en cada fecha y comprueba cuándo podías conocer cada dato. Un precio, unas cuentas o un indicador actualizado hoy no estaba necesariamente disponible entonces. Capítulos 02–03 y fichas 02–03.

Los modelos

Para comprobar si un cambio ayuda, ejecuta la versión anterior y la nueva en el mismo periodo, con los mismos datos, capital y costes. Si añades un modelo, compara también el sistema sin él. Así evitas atribuir al cambio un resultado causado por otro periodo o importe. Capítulos 04, 07 y 13.

El riesgo

Reconstruye el valor de la cuenta durante la simulación, incluidas ganancias y pérdidas de posiciones abiertas. Mide las caídas desde máximos anteriores y relaciona los cambios con órdenes y costes: el beneficio final puede ocultar pérdidas que habrías tenido que soportar antes. Capítulos 05 y 11, laboratorio de la cuenta.

Los agentes de IA

Si pides a un asistente de IA que examine archivos de investigación, asigna una lista precisa a cada solicitud. Comprueba que la respuesta trate esos archivos y revisa los análisis, contando reintentos y tiempo humano de revisión. Aquí el agente usa un modelo de lenguaje para analizar, no para operar en mercados. Capítulos 08, 15 y 20 y taller 26.

El próximo experimento

Reúne en un dosier los datos usados, comandos ejecutados, resultados y límites de las comprobaciones. Sirve para justificar si continuar, corregir o detener la investigación y permite que otra persona evalúe esa decisión. Indica la siguiente prueba y qué resultado cambiaría tu decisión. Capítulos 10 y 19, dosier de ejemplo.

Cuatro comprobaciones antes de confiar en un backtest.

La aportación distintiva es una selección de casos, decisiones y prácticas de investigación interna: experimentos útiles, vías descartadas, correcciones y resultados que cambiaron el proyecto. La guía explica el razonamiento que puedes aplicar y propone formas de practicarlo.

Problema	Qué puedes probar ahora	Qué aprendes a distinguir
El beneficio cambia entre dos simulaciones	Caso guiado con tres compras	Cómo cambian los resultados al variar los importes sin cambiar las predicciones
El programa supera los controles pero decide mal	Tres casos del Museo	Un control superado de un resultado realmente correcto
Tienes una serie del valor de la cuenta	Conversor CSV y comprobación del drawdown	Pérdidas visibles en los datos y movimientos no observados
Debes decidir el siguiente paso	Dosier de ejemplo	Lo que has verificado, lo que falta por probar y lo que hay que repetir tras una corrección

Un manual ilustrado que se lee en el navegador, con talleres, fichas editables y herramientas para ejecutar en tu ordenador. Puedes empezar por los datos financieros y acudir a los módulos avanzados a medida que progresa tu proyecto.

Tres ideas que merece la pena comprobar.

¿El primer modelo de la clasificación es también el que más gana?

En la comparación interna de 192 candidatos, una puntuación preliminar ayudaba a decidir qué modelos examinar. Al simular las órdenes y medir el resultado económico, la clasificación cambiaba. El caso enseña a comparar ambas listas e identificar modelos que el primer filtro habría descartado. No demuestra qué modelo ganará dinero en el futuro.

¿Añadir un segundo modelo mejora el primero?

Compara la simulación del modelo base con otra que también utilice el segundo modelo. Usa el mismo periodo, capital e hipótesis de costes y reconstruye las órdenes de ambas. Así puedes observar si el modelo añadido cambia las compras, el resultado y las pérdidas durante la prueba. El manual también incluye un caso en el que empeora el resultado.

¿Las mismas predicciones producen las mismas compras?

Antes de sustituir una función que decide órdenes, comprueba que la reescritura siga las mismas reglas. Dos programas pueden asignar ambos 0,7 a A y 0,6 a B y después comprar acciones distintas o cantidades distintas de la misma acción. En el ejercicio comparas sus registros y localizas la primera etapa que cambia la decisión, antes de mirar el beneficio final.

Cada caso indica su alcance. Las reconstrucciones didácticas se distinguen de las observaciones internas; las lecciones no se presentan como leyes universales de los mercados.

Las decisiones se entienden mejor al verlas en acción.

Abre los casos del Museo. En cada uno, pulsa «Caso corregido» para comparar el resultado inicial con el obtenido tras la corrección explicada. No necesitas editar datos ni código para usar las figuras.

01 / CASO

Mismas puntuaciones. Decisiones distintas.

Quieres acelerar los backtests y reescribes la función que selecciona la acción que comprar. El modelo puntúa cada acción: A = 0,7 y B = 0,6. Todavía no ha elegido una compra; la regla siguiente debe comprar únicamente la acción con mayor puntuación. En la nueva función ordenas las acciones como B, A, pero conservas las puntuaciones en el orden original. El programa las empareja por posición en la lista: ahora atribuye 0,7 a B y 0,6 a A.

02 / CASO

Dos aprobaciones. ¿Dos revisiones independientes?

Un agente ha preparado tu backtest y quieres una segunda opinión antes de confiar en el beneficio. El segundo revisor también encuentra en la carpeta el informe favorable del primero. ¿Bastan dos aprobaciones? Para obtener otra comprobación, organiza una lectura de los mismos originales sin mostrar antes la conclusión ajena.

03 / CASO

Una media calculada con los días equivocados

Quieres usar una media de precios para decidir una compra. El programa puede devolver un número plausible aunque falte una sesión en la descarga: comprueba las fechas utilizadas antes de pasar la media al modelo. En la apertura de la sesión 4 el precio disponible es 10 €. La regla inventada compra solo si ese precio supera la media de los cierres de las tres sesiones anteriores: 1, 2 y 3. Los cierres originales son 10, 11 y 12 €, así que la media es 11 € y no se compra. Pero en el CSV descargado falta la sesión 2. La función toma los tres últimos precios presentes e incluye 5 € de la sesión 0 en lugar de los 11 € ausentes. La media baja a 9 €.

El museo de los falsos verdes Abre un dosier de ejemplo

Un método y herramientas para llevarlo a la práctica.

En la guía en preparación: siete comandos Python, cada uno con una pregunta concreta:

equity:: mide las caídas del valor de la cuenta en las observaciones facilitadas.
temporal:: compara la hora de disponibilidad de los datos con la de la decisión.
folds:: agrupa datos anteriores para entrenar y posteriores para evaluar, excluyendo las filas de entrenamiento cuyo resultado no se conoce antes del inicio de la evaluación.
ranks:: compara dos clasificaciones de los mismos modelos.
trace:: compara los registros de decisiones declarados por dos programas, desde la puntuación hasta la cantidad seleccionada.
batches:: compara los trabajos asignados a los agentes con los resultados entregados.
windows:: busca las observaciones exigidas por el calendario de un cálculo.

Talleres prácticos: 6 · Capítulos del manual: 20
Abre un dosier de ejemplo · HTML imprimible
Observador MT5 · herramienta didáctica que debe probarse en una cuenta demo para registrar equity y saldo
Plantillas para agentes en el idioma elegido: AGENTS.md / CLAUDE.md / .cursor/rules

La guía enseña a diseñar y verificar la investigación. Desarrollar tu sistema requiere datos, implementación y experimentación; no incluye una estrategia lista para conectar al bróker.

Solo tengo una lista de operaciones

Una lista de compras y ventas no muestra cuánto valía la cuenta mientras las posiciones seguían abiertas. Empieza por el caso gratuito que compara saldo y valor total de la cuenta. La guía en preparación incluye un taller para empezar a registrar estas observaciones en un entorno demo; el registrador no reconstruye el pasado.

Tengo una curva de equity

Abre el conversor gratuito de columnas, revisa los campos y los flujos de capital y utiliza la herramienta de drawdown. La medición solo cubre las observaciones disponibles.

Estoy creando un proceso de investigación

Explora los casos del Museo: compara las decisiones de dos programas, revisa qué originales y dictámenes previos recibe cada revisor y localiza un precio ausente. En el dosier también puedes comprobar análisis de archivos duplicados. La guía en preparación incluye programas Python para repetir estos controles con archivos de prueba y adaptarlos a tus datos.

El laboratorio abierto

Explora el proceso de investigación. Prueba las herramientas. Descubre la guía que estamos preparando.

El artículo y las herramientas que encontrarás aquí ya son gratuitos y se pueden utilizar. La guía completa está en preparación; publicaremos su contenido definitivo y las condiciones de compra antes de abrir las ventas.

01
Dentro del laboratorio
Sigue una modificación desde los datos hasta las órdenes, distingue cálculo y esperas, y conserva las decisiones originales cuando vuelves a simular el pasado.
02
Comprobación de la curva de equity
Mide el drawdown que muestran las observaciones de tu CSV, con límites explícitos.
03
Tres casos interactivos
Compara el caso con error y el corregido para ver qué no comprobaba el primer test.
04
Conversor CSV
Elige las columnas y los formatos. Tus datos se quedan en tu navegador.
05
Un dosier explicado
Descubre cómo relacionar los resultados, los archivos de apoyo y las comprobaciones pendientes.

Dos programas pueden coincidir y equivocarse juntos

Quieres elegir qué estrategia seguir investigando y miras el beneficio de un backtest, una simulación de compras y ventas con datos históricos. Si el programa resta menos comisión de la prevista, una estrategia puede parecer mejor solo porque sus gastos están mal calculados. Dos programas pueden dar el mismo resultado y ocultar este problema si comparten la función que convierte la tarifa.

Empezamos con una cuenta que puedes hacer a mano: te ayuda a ver qué comprobar antes de confiar en los cálculos de un sistema más grande. Calcula la comisión esperada con la tarifa y el importe de la operación, comprobados por separado del programa.

En este caso inventado compras acciones por un importe total de 8.000 €: es el valor de la compra, no el número de acciones o lotes. La comisión supuesta es 1 punto básico, es decir, el 0,01% de ese importe. El simulador registra 0,008 € y un segundo programa devuelve la misma cifra. Calcula tú la comisión antes de abrir la solución.

Prueba el caso gratuito y verifica los cálculos

El objetivo: una decisión que sabes defender

En este proyecto, un coste de 1 punto básico equivale al 0,01% del importe de cada orden: 2 puntos básicos son el 0,02% y 8 el 0,08%. «Por lado» significa que el coste se aplica por separado a cada compra y cada venta. El proyecto final ejecuta un experimento inventado completo, desde los datos hasta las órdenes y los costes. Fijas el modelo antes de la prueba final y lo comparas con comprar siempre la misma acción y con quedarte en liquidez. Cuando los costes de ejecución suben de 2 a 8 puntos básicos por lado, también pierde la alternativa sencilla y la referencia que batir pasa a ser la liquidez. Además reparas tres versiones defectuosas del experimento y las vuelves a ejecutar. El dosier público muestra cómo documentar un caso más acotado.

Examina el dosier público

Antes de pedir el aviso

¿Por qué Quantic Eagle prepara una guía si se dedica al trading?

La formación también es una actividad comercial para nosotros. Parte de la experiencia adquirida en la investigación puede convertirse en casos, ejercicios y herramientas útiles sin publicar los métodos operativos que queremos mantener privados. La guía nace de esa parte de nuestro trabajo que podemos compartir.

¿Es un curso para empezar de cero?

Para empezar necesitas nociones de estadística y familiaridad con las tablas. Si te faltan algunos conceptos financieros o de investigación, el módulo inicial y el proyecto guiado te ayudan a entenderlos y aplicarlos. Los ejercicios con código requieren las bases de Python indicadas en cada actividad. Consulta los requisitos →

¿Puedo comprarla o reservarla ya?

No. Compartimos recursos gratuitos mientras preparamos la guía. Pedir el aviso no implica hacer un pedido, pagar un anticipo ni reservar la guía. Todavía no hemos anunciado el precio ni la fecha de lanzamiento.

¿La guía incluirá las estrategias de trading de Quantic Eagle?

El material explica métodos de investigación, decisiones de diseño y lecciones seleccionadas del trabajo interno. No incluye nuestras reglas propias de compra y venta, señales ni modelos operativos ni promesas de rentabilidad.

¿En qué idioma recibiré el material?

Puedes pedir el aviso en español, inglés o italiano. La entrega prevista es un paquete en el idioma elegido; describiremos las ediciones definitivas antes de abrir las ventas.