Trading cuantitativo en los mercados financieros: cómo las matemáticas y el código se convierten en un sistema de trading
El trading cuantitativo combina estadística, programación y datos de mercado. La decisión de trading no nace aquí de la intuición, sino de un modelo, una prueba y un control del riesgo.
Un quant trader es un especialista en trading cuantitativo que busca patrones de mercado con ayuda de matemáticas, estadística, datos y código. Su trabajo no se basa en la intuición, sino en modelos, backtests, verificación de hipótesis y control del riesgo.
Un quant trader resuelve tres tareas: encuentra una señal estadística, la convierte en un modelo operativo y la pone en marcha dentro de un sistema de trading. Por eso, el trabajo exige no solo ideas, sino también una implementación precisa, validación con datos y control del comportamiento de la estrategia en el mercado real.
Actualización: el material se ha actualizado teniendo en cuenta las exigencias del mercado para los roles quant, el stack, las trayectorias profesionales y la estructura de compensation en 2026.
Se han precisado las formulaciones, se ha ampliado el contexto práctico y se han reforzado los bloques sobre estrategias, habilidades y entrada en la profesión con detalles aplicados.
Quién es un quant trader y de qué se compone este rol
El rol de quant trader se sitúa en la intersección entre investigación, automatización y control de la estrategia tras su lanzamiento. El nombre del puesto en el mercado puede variar, pero el núcleo del trabajo sigue siendo el mismo.
Un quant trader es un especialista en trading cuantitativo que construye decisiones de trading sobre la base de estadística, modelos matemáticos y análisis de datos. En lugar de decisiones subjetivas, utiliza hipótesis verificables, código y estrategias automáticas que abren y cierran posiciones según una lógica definida.
Trading cuantitativo — enfoque de trading en el que las decisiones se toman sobre la base de modelos cuantitativos, estadística y pruebas con datos.
Algotrading — ejecución automatizada de operaciones según reglas definidas; estas reglas pueden ser tanto simples como construidas sobre modelos complejos.
Trading manual — enfoque en el que una persona toma las decisiones y las operaciones se ejecutan manualmente sobre la base de su propio análisis del mercado.
Los nombres de los roles en el mercado varían: junto a quant trader suelen aparecer quantitative researcher, systematic trader, quant developer y algorithm developer. Por eso, al evaluar la profesión y las vacantes, importa más fijarse en el conjunto de tareas que en el título del puesto. Lo relevante es responder a tres preguntas: quién construye el modelo, quién se encarga de su lanzamiento y quién controla su comportamiento en el trading real.
En la mayoría de los equipos, el quant trader formula la idea de la estrategia, define las reglas de entrada y salida, construye el modelo y lo implementa en código. Después, el modelo se prueba con datos históricos y en flujo, se integra en el sistema de trading y se ajusta tras cambios en la volatilidad, la liquidez o la estructura del mercado.
Qué hace un quant trader y en qué empresas es demandado
El trabajo diario de un quant trader es un ciclo repetitivo: hipótesis, modelo, código, prueba, lanzamiento y control del resultado. Este perfil se necesita en equipos donde el trading depende de la calidad de los datos y de la ejecución.
El trabajo diario de un quant trader consiste en tres acciones: buscar una señal, verificar la señal con datos y lanzar la señal en un sistema de trading. Para ello, el especialista formula una hipótesis, la expresa como un modelo matemático, la implementa en código y la valida con datos históricos y en flujo.
- Formulación y validación de hipótesis de trading
- Desarrollo y validación de modelos de pricing, riesgo y ejecución
- Programación y mantenimiento de algoritmos de trading
- Backtesting, forward testing y stress testing de estrategias
- Monitoreo de PnL, volatilidad, drawdown y otras métricas de riesgo
- Ajuste fino de parámetros para distintos regímenes de mercado y clases de activos
| Tipo de empleador | Qué hacen los equipos quant |
|---|---|
| Prop firms y market makers | Lanzan estrategias con capital propio, ponen énfasis en la velocidad, la ejecución, la solidez de los modelos y el live-performance |
| Hedge funds y systematic managers | Construyen modelos de alpha y carteras de estrategias, se enfocan más en el ciclo de research, los datos y el control del riesgo |
| Bancos de inversión | Desarrollan áreas de quant finance y execution, trabajan con modelización, ejecución electrónica y modelos de riesgo |
| Crypto trading firms | Trabajan con un mercado 24/7, fragmentation y multi-venue, utilizan con más frecuencia estrategias sistemáticas, arbitraje y market making |
Los quant traders son demandados en hedge funds, prop firms, market makers y liquidez algorítmica, bancos de inversión, empresas fintech y crypto trading firms. En el mercado de criptomonedas, la demanda es alta porque el trading continuo, la alta volatilidad, la gran cantidad de plataformas y un mercado activo de derivados generan más tareas de arbitraje, ejecución sistemática y control de infraestructura.
En este entorno destacan especialmente los roles en prop trading, market making y áreas systematic, donde el modelo, la ejecución y el control del riesgo funcionan como un solo sistema.
Cuanto más depende el resultado del trading del modelo, de la velocidad de ejecución y de la estabilidad de la infraestructura, mayor es el papel del equipo quant.
Herramientas y lenguajes del quant trader: qué se necesita realmente en 2026
El stack de un quant trader no es solo Python y C++, sino todo el entorno en el que viven los datos, las pruebas y los modelos en producción. Los lenguajes sin disciplina de infraestructura no producen un resultado estable.
El trading cuantitativo se apoya en un stack técnico que incluye lenguajes de programación, sistemas de almacenamiento de datos, herramientas de testing y entornos para ejecutar modelos. En 2026, el conjunto básico tiene este aspecto:
| Herramienta | Dónde se utiliza |
|---|---|
| Python | Research, preparación de datos, ML y backtesting, prototipos rápidos y ciclo de investigación |
| C++ | Tareas low-latency y high-performance, motores de execution, optimización del rendimiento e infraestructura |
| SQL | Trabajo con datos históricos y en flujo, extracción, agregación y control de calidad de datos |
| R | Análisis estadístico y tareas de investigación, sigue siendo relevante de forma puntual, pero con menos frecuencia como lenguaje principal |
| Linux, Git, testing | Higiene de production y fiabilidad del pipeline, pruebas, reproducibilidad, control de versiones y despliegue ordenado |
| Plataformas cloud | AWS, GCP y otros entornos, simulaciones, entrenamiento de modelos, escalado de cálculos y almacenamiento de datos |
Python sigue siendo el lenguaje principal para research, trabajo con datos y ML, mientras que C++ es la herramienta clave para tareas performance-sensitive y low-latency. SQL y Linux hace tiempo dejaron de ser habilidades secundarias, porque sin ellos no es posible recopilar datos de forma estable, reproducir pruebas y mantener en funcionamiento un sistema de trading.
La disciplina de ingeniería es igual de importante. En los equipos quant sólidos se valoran no solo los modelos y las ideas, sino también testing, version control, reproducibilidad de los experimentos, control de calidad de datos e implementación ordenada de la lógica de trading. Estos elementos distinguen un prototipo de investigación de una estrategia que puede ponerse en marcha con seguridad en trading real.
También existe una división por roles. Un quant trader suele encargarse del live-performance, la execution y el control del riesgo de la estrategia, incluidas tareas relacionadas con la ejecución VWAP/TWAP y la reducción del deslizamiento. Un quantitative researcher se encarga de construir y validar modelos. Un quant developer o infra-engineer se encarga del rendimiento, la fiabilidad y la baja latencia del sistema de trading.
Un stack sólido en quantitative trading es la combinación de lenguaje, datos, pruebas y entorno de ejecución, no solo una lista de herramientas conocidas.
Cómo transcurre la jornada laboral de un quant trader
La jornada de un quant trader cambia de una firma a otra, pero casi siempre se sostiene sobre tres bloques: revisión de sistemas en marcha, trabajo con modelos y análisis del resultado después de la sesión de trading.
- Mañana: revisión del PnL nocturno, de los logs de los algoritmos y del estado del mercado, búsqueda de anomalías y fallos técnicos y, si hace falta, ajustes rápidos.
- Día: desarrollo y mejora de modelos, escritura y refactorización de código, lanzamiento de backtests y experimentos, discusión de ideas y resultados con el equipo de research.
- Tarde: análisis de la eficacia de las estrategias, revisión de errores y drawdowns, actualización de parámetros y planificación de cambios para las siguientes sesiones de trading.
En el trading cuantitativo, la principal herramienta de trabajo es el código y los datos. Una parte importante del tiempo se dedica a verificar hipótesis, probar y perfeccionar modelos para mejorar la calidad de las señales de trading y mantener el riesgo dentro de límites controlados.
En mercados con actividad continua, incluidas las criptomonedas, el ritmo de trabajo suele incluir live-monitoring, reacción ante anomalías fuera de la sesión bursátil clásica y un control más estricto de la infraestructura. Cuanto más corto es el horizonte de la estrategia y mayor su sensibilidad a la ejecución, más importante es la supervisión en tiempo real.
Estrategias algorítmicas y modelos matemáticos en el trading cuantitativo
Las estrategias cuantitativas tienen distintas lógicas de entrada y salida, pero el principio general es uno: cada decisión debe estar descrita en un modelo, validada con datos y limitada por el riesgo.
El trading cuantitativo se apoya en estrategias formalizadas, cada una descrita como un modelo matemático o algoritmo y basada en patrones estadísticamente verificables. Las decisiones no se toman de forma intuitiva, sino dentro del marco de modelos que han superado pruebas con datos históricos, simulaciones y períodos out-of-sample.
Estrategias de reversión a la media
Estos modelos parten de la idea de que el precio de un activo vuelve a su nivel estadístico tras desviaciones notables.
Ejemplo: el precio de un instrumento cae de forma notable por debajo de una media móvil de largo plazo o de un rango definido por el modelo. El algoritmo detecta la desviación, abre una posición larga y la cierra cuando el precio vuelve al corredor objetivo alrededor de la media.
Una variante cercana es el pair trading. El sistema sigue dos activos históricamente correlacionados y abre posiciones opuestas cuando su relación de precios sale de límites estadísticamente justificados. Cuando el spread se normaliza, las posiciones se cierran con la fijación del resultado.
| Entorno óptimo | Mercados líquidos con una dinámica lateral marcada, donde los activos cotizan en rangos estables y realizan retrocesos regulares hacia la media estadística. |
|---|---|
| Métricas clave | z-score de la desviación del precio respecto a la media, volatilidad actual e histórica, half-life de la desviación. |
| Riesgos | Cambio de régimen de mercado, ruptura de correlaciones en pair trading, movimientos bruscos por noticias y gaps extremos. |
| Protección del capital | Stop-losses, límites de drawdown, control del apalancamiento y desconexión de la estrategia cuando las métricas clave salen de los umbrales definidos. |
| Horizonte óptimo | Desde trading intradía hasta varios días, mientras las propiedades estadísticas de la serie mantengan estabilidad. |
Las estrategias de reversión a la media dan resultado en instrumentos líquidos y estables solo en dos casos: cuando el modelo mide correctamente la desviación y cuando los límites de riesgo detienen el trading tras un cambio de régimen de mercado.
Estrategias de impulso y tendencia
Estos modelos siguen un movimiento sostenido del precio y asumen la continuación de la tendencia si el impulso está confirmado por volumen y estadística.
Ejemplo: el precio de un activo rompe un nivel importante con volúmenes elevados y se mantiene por encima durante varias sesiones. El algoritmo abre una posición y la acompaña mientras los indicadores de tendencia y volatilidad no señalen un debilitamiento del movimiento.
Las estrategias de impulso son sensibles a la configuración: longitud de las ventanas, umbrales de entrada y salida y filtros de liquidez y volatilidad. Los métodos de machine learning ayudan a adaptar los parámetros a distintos regímenes de mercado sin un sobreajuste excesivo.
| Entorno óptimo | Mercados tendenciales y líquidos con movimiento direccional sostenido e impulso confirmado. |
|---|---|
| Métricas clave | Fuerza de la tendencia, volumen, ATR, estabilidad en la renovación de máximos y mínimos locales. |
| Riesgos | Rupturas falsas, impulsos que se apagan rápido, giros en V tras noticias y transición del mercado de tendencia a lateralidad. |
| Protección del capital | Trailing stop, toma parcial de beneficios, filtros de liquidez y límites estrictos al tamaño de la posición. |
| Horizonte óptimo | Desde varias horas hasta semanas, mientras se mantenga el movimiento direccional y no empeoren las métricas de impulso. |
Las estrategias tendenciales generan resultado cuando el modelo distingue un impulso real de una ruptura falsa y el sistema de salida reduce la posición tras el debilitamiento de la tendencia.
Arbitraje y trading de desequilibrios
Estos enfoques aprovechan discrepancias de precio entre plataformas o instrumentos relacionados con un control estricto del riesgo de mercado.
Ejemplo: un mismo activo cotiza a distinto precio en dos plataformas. El algoritmo lo compra al mismo tiempo donde el precio es menor y lo vende donde es mayor, capturando el spread tras descontar comisiones y deslizamiento.
En la práctica, estos modelos suelen evolucionar hacia el arbitraje entre exchanges de criptomonedas, donde el resultado depende no solo del spread, sino también de la latencia, las comisiones, la profundidad del libro y la estabilidad de la ruta de ejecución.
Las estrategias de arbitraje son extremadamente sensibles a la latencia y a la calidad de la infraestructura: importan la velocidad de ejecución, los canales de conexión estables, los flujos de cotización precisos y la liquidez real en cripto. En el mercado cripto son especialmente demandadas por la gran cantidad de plataformas, las diferencias de liquidez y un mercado activo de derivados.
| Entorno óptimo | Mercados de alta liquidez con varias plataformas activas y gran cantidad de instrumentos gemelos, donde los spreads se mantienen estrechos y estables y la ejecución no se frena por limitaciones de infraestructura. |
|---|---|
| Métricas clave | Anchura y estabilidad del spread, latencia de cotización y ejecución, profundidad del libro y proporción de comisiones en la estructura de la operación. |
| Riesgos | Cierre de la ventana de arbitraje antes de ejecutar todas las patas, cancelación parcial de órdenes, desincronización de flujos de cotización y fallos de infraestructura. |
| Protección del capital | Límites de volumen, consideración de comisiones y deslizamiento, canales de conexión de reserva y desconexión automática de la estrategia cuando aumenta la latencia. |
| Horizonte óptimo | Desde milisegundos en arbitraje HFT hasta minutos y horas en arbitraje estadístico y cross-market. |
En los horizontes más cortos, estos enfoques ya se cruzan con high-frequency trading (HFT), donde el resultado no lo determina solo el modelo, sino también la velocidad de reacción del sistema.
El arbitraje y el trading de desequilibrios solo dan resultado cuando la infraestructura logra ejecutar ambos lados de la operación más rápido de lo que el mercado cierra el spread.
En cualquier estrategia quant, el resultado se sostiene sobre tres pilares: un modelo correcto, una infraestructura operativa y límites de riesgo estrictos.
En qué se diferencia un quant trader de un algotrader y de un trader manual
Estos roles coinciden en algunas herramientas, pero se diferencian por la profundidad del modelo, el nivel de automatización y el papel de la persona en la toma de decisiones.
El trading cuantitativo suele percibirse como sinónimo de algotrading, aunque entre ambos existen diferencias importantes. El algotrading describe la ejecución automatizada de operaciones según reglas, mientras que el trading cuantitativo pone el foco en cómo aparecen esas reglas: a través de modelos, estadística, datos y verificación de hipótesis.
| Enfoque | Trading cuantitativo | Algotrading | Trading manual |
|---|---|---|---|
| Base de las decisiones | Modelos cuantitativos, estadística y datos |
Reglas fijas, scripts y señales |
Análisis subjetivo, experiencia e intuición |
| Papel de la persona | Formula la hipótesis y controla el modelo, pero no toma cada decisión de forma manual |
Define las reglas y supervisa la ejecución, interviene con más frecuencia ante fallos y cambios de condiciones |
Toma decisiones manualmente, reacciona al mercado en el momento |
| Velocidad de reacción | De milisegundos a segundos, depende de la arquitectura de la estrategia |
De segundos a minutos, depende de la lógica y de la frecuencia de las señales |
Segundos y minutos, limitada por la persona |
| Escalabilidad | Muy alta, se pueden operar varios mercados y modelos |
Media, limitada por la arquitectura y el soporte del sistema |
Baja, depende del tiempo y la atención del trader |
El trading cuantitativo es más profundo que el algotrading en términos metodológicos, porque incluye construcción del modelo, validación de la solidez estadística, codificación de la lógica y control del resultado tras el lanzamiento. El algotrading puede usar la misma infraestructura, pero no siempre incluye un circuito de research independiente con validación del modelo.
Dónde estudiar para ser quant trader y cómo entrar en la profesión
La entrada en la profesión se construye alrededor de una base cuantitativa, proyectos y prácticas. Un título formal importa, pero el mercado suele reaccionar con más fuerza a las señales de preparación práctica.
- Base STEM: lo más habitual es llegar a la profesión desde matemáticas, estadística, computer science, física, ingeniería y otras áreas cuantitativas afines. La formación financiera es útil, pero no constituye una barrera de entrada universal.
- Proyectos prácticos: un portfolio de datos, modelos, backtests e ideas de trading se valora más que un interés abstracto por los mercados. Son útiles los bots propios, notebooks de research, un GitHub ordenado y resultados de experimentos bien documentados.
- Competiciones e investigación: una señal destacable la aportan Kaggle, competiciones de ML, olimpiadas matemáticas, proyectos de investigación y tareas de time series y optimisation.
- Prácticas y graduate programs: esta es una de las vías de entrada más sólidas a prop firms, market makers, hedge funds y áreas de quantitative finance en grandes empresas.
Es posible entrar en la profesión sin PhD. El doctorado refuerza con más frecuencia el research-track, pero para muchos roles de trader y developer son más importantes unas matemáticas sólidas, código, pensamiento claro y la capacidad de mostrar proyectos terminados.
La diferencia entre un candidato débil y uno fuerte no pasa por el nombre del título, sino por la calidad de las señales. Un candidato débil conoce la teoría, pero no muestra proyectos. Un candidato fuerte sabe trabajar con datos, probar modelos, explicar limitaciones y llevar una idea hasta un resultado reproducible.
Al entrar en quantitative trading, el mercado suele evaluar no el interés general por las finanzas, sino un conjunto de habilidades demostrables: datos, código, testing y proyectos bien documentados.
Crecimiento profesional de un quant trader
La trayectoria profesional en el área quant rara vez sigue una sola línea. El crecimiento puede orientarse hacia research, live-trading o infraestructura de ingeniería.
- Junior Quant: ayuda en investigaciones, recopila y limpia datos, prepara muestras para backtests, lanza pruebas y aprende a trabajar de forma ordenada dentro del proceso de research.
- Quant Developer: convierte ideas y prototipos en código fiable, se encarga de integrar el modelo en el sistema de trading, optimizar la ejecución y asegurar la estabilidad de la infraestructura.
- Quant Trader: gestiona una o varias estrategias en trading real y se encarga del live-performance, de la revisión de parámetros, del control del riesgo y de la reacción ante anomalías.
- Quant Researcher: profundiza en model development, ideas de alpha, robust-validation y mejora de la calidad de las señales a largo plazo.
- Lead / Portfolio Manager: gestiona una cartera de estrategias o una dirección completa, distribuye capital, define los marcos de riesgo y coordina los circuitos de research, execution e infrastructure.
El crecimiento profesional en quantitative trading rara vez parece una escalera rígida. En la práctica, la trayectoria suele dividirse en tres ramas: research, trading e engineering. Cada rama se evalúa por sus propios resultados: research, por la calidad del modelo; trading, por el live-performance y el riesgo; engineering, por la velocidad, la fiabilidad y la estabilidad del sistema.
Dónde trabajan los quant traders y cuánto ganan
La compensation en el ámbito quant depende no solo del nombre del rol. En la cifra final influyen el tipo de firma, el nivel, la estrategia, los resultados y la estructura del bonus.
Los quant traders son demandados en casi todos los segmentos de los mercados profesionales donde el resultado depende directamente de la calidad de los modelos, los datos y la infraestructura. Estos roles aparecen con más frecuencia en prop firms, market makers, systematic hedge funds, bancos de inversión y crypto trading firms.
- Prop firms y electronic market makers
- Hedge funds y systematic managers
- Bancos de inversión con equipos quant y de execution
- Crypto trading firms, market makers y fondos cripto sistemáticos
Hablar de la compensation en esta profesión como de una “banda media del mercado” es arriesgado. En 2026, es más correcto orientarse por ejemplos públicos de base salary y considerar por separado que el bonus y la total compensation dependen de la firma, la región, el nivel, la estrategia y el impacto sobre el PnL.
| Ejemplo de rol | Base salary público | Cómo interpretarlo |
|---|---|---|
| Quantitative Systematic Trader graduate / early career |
$250 000–300 000 | Ejemplo de entry-track top-tier, esto no es la “media del mercado”, sino la política de una firma concreta |
| Quantitative Trader | $175 000–350 000 | Amplio rango dentro de un mismo rol, depende mucho del nivel y del equipo concreto |
| Quantitative Trading Analyst | $175 000–200 000 | Suele complementarse con discretionary bonus, la base es solo una parte de la compensation total |
| Quantitative Trader nivel experimentado |
$300 000 | Base fija en algunas firms, el bonus puede modificar de forma notable la total comp final |
Estos valores muestran ejemplos públicos de base salary, no una banda universal para toda la profesión. En top-tier firms, la parte variable de la compensation suele ser comparable al salario fijo o incluso superior.
En prop firms y market making, los ingresos suelen estar estrechamente ligados a los resultados del trading. En los fondos systematic, importan especialmente la calidad del ciclo de research y la estabilidad de la estrategia, mientras que en las crypto trading firms se añaden exigencias de infraestructura, un régimen 24/7 y sensibilidad a la ejecución en distintas plataformas.
Ventajas y riesgos de la carrera de quant trader
La profesión ofrece un techo alto tanto en rol como en ingresos, pero exige una combinación poco común de matemáticas, código, disciplina y resistencia ante errores del modelo.
Ventajas
- Alto potencial de ingresos con estrategias rentables de forma estable y un risk-management de calidad
- Trabajo intelectual en la intersección de matemáticas, programación y mercados financieros
- Menor peso de las emociones gracias a decisiones formalizadas y verificación de hipótesis con datos
- Mercado laboral global y amplio abanico de roles: trading, research, execution, infrastructure
- Relación directa entre la calidad de los modelos, los resultados live y el crecimiento profesional
Desventajas
- Alta competencia por parte de matemáticos, desarrolladores e investigadores sólidos
- Alta barrera de entrada: no hacen falta solo teoría, sino también proyectos, código y disciplina en testing
- Dependencia de los ingresos y de la posición del puesto respecto a la calidad de las estrategias, la estabilidad del PnL y la fiabilidad de la infraestructura
- Necesidad constante de adaptar los modelos a nuevos regímenes de mercado y a la degradación de señales
- Riesgo de pérdidas significativas por errores en el modelo, en los datos, en la ejecución o en el circuito de production
La carrera de quant trader está vinculada al análisis de datos, la construcción de modelos y la resolución de tareas complejas en un entorno de alta responsabilidad y orientación al resultado. El crecimiento en este rol suele estar relacionado con pensamiento sistémico, disciplina y capacidad para llevar un modelo a un estado operativo estable.
FAQ sobre la profesión de quant trader y el quant trading
Las respuestas breves a continuación cubren las preguntas más frecuentes sobre la entrada en la profesión, el stack, la compensation y el papel de las estrategias quant en el mercado cripto.
¿Hace falta un título en finanzas para convertirse en quant trader?
¿Hace falta un PhD para quant trading?
¿Qué lenguajes y tecnologías necesita un quant trader en 2026?
¿Cuánto gana un quant trader?
¿Dónde buscar el primer trabajo como quant trader?
¿Funciona el quant trading en el mercado de criptomonedas?
Final: quién es un quant trader y cómo se estructura este camino
La profesión de quant trader sigue siendo una de las más complejas en la intersección del mercado, la estadística y la ingeniería. Su resultado depende tanto de la calidad del modelo como de la calidad del código y de la ejecución.
El quant trading sigue siendo una de las áreas más exigentes en la intersección entre mercados, datos e ingeniería. Aquí importan no solo las ideas y los modelos, sino también la calidad de los datos, la disciplina en testing, la estabilidad del ciclo de research y la capacidad de llevar una estrategia al entorno live.
La profesión de quant trader sigue exigiendo matemáticas sólidas, programación rigurosa y comprensión de la microestructura del mercado, pero en 2026 la entrada resulta más transparente: un finance background es útil, pero no obligatorio; el PhD no se valora en todos los roles; y el mercado valora especialmente proyectos, prácticas y una capacidad demostrable para trabajar con modelos y código.
Quant trading es una profesión en la que el resultado del trading depende de la calidad de los datos, de la precisión del modelo, de la velocidad de ejecución y de la estabilidad del código tras el lanzamiento.