Joaquín Milanesio Índice Cómo trabajo Próximos pasos Contacto

El riesgo tiene relieve.

Soy economista de Córdoba. Construyo modelos de valuación, riesgo y trading en R y Python, y los presento como los leería un evaluador. Termino la carrera en diciembre de 2026 y me oriento hacia las finanzas cuantitativas, el riesgo, la banca de inversión y el análisis de datos.

Las líneas representan una superficie de volatilidad implícita. Al mover el cursor se modifica la asimetría; un clic fija un marcador que reaparece en la lámina II.1.

Índice

Catorce trabajos ubicados según su tema y su cercanía a la investigación o a las herramientas. Si el tiempo es breve, está disponible el Recorrido de 90 segundos al pie de la pantalla.

Territorio espacial

Aprendí econometría con suelo y distancias. El primer hábito que enseña es comprobar si las observaciones vecinas dependen entre sí, en lugar de suponer que no. Llevé ese hábito a los mercados.

¿Conviene que un distribuidor de huevos produzca los suyos? En el caso base, no.

Mi tesis evalúa la integración vertical de un distribuidor regional, con supuestos operativos, financieros y de riesgo explícitos.

Evalué el proyecto por VAN con una rentabilidad real exigida supuesta de , y utilicé APV para separar el valor operativo del financiamiento. Un Monte Carlo de simulaciones toma los insumos de distribuciones triangulares; los precios de compra y venta comparten una extracción aleatoria, lo que es un supuesto, no una estimación.

Para ubicar la granja, un filtro SIG conservador con diez reglas de localización redujo parcelas rurales a candidatas, que aún requerirían verificar el sitio y los permisos. Los modelos de demanda semanal se compararon con origen móvil. Terminada; defensa pendiente. R, Python, QGIS.

La mayor TIR real entre las alternativas del caso base, frente a una rentabilidad exigida de .calculado

Todas las alternativas del caso base tienen VAN negativo.

¿Qué se mueve junto con el precio del suelo en Buenos Aires?

Un modelo hedónico de precios de oferta según superficie, transporte, delitos registrados y barrio. Asociaciones, no causas.

Para ofertas de terrenos de los datos abiertos de la ciudad construí las variables espaciales en R, con QGIS para los mapas: hurtos y robos en un radio de 500 m, y distancia al subte, al ferrocarril y al Obelisco. Agregué efectos fijos por barrio, evalué los residuos con la I de Moran global, busqué agrupamientos locales con LISA y propuse un modelo SARAR como siguiente paso.

R² ajustado del modelo preferido.calculado

Los residuos del modelo base aún tienen dependencia espacial (I de Moran ), por lo que el siguiente paso es un modelo espacial.

Econometría Espacial, mayo de 2026. R (sf, spdep), QGIS.

Catorce modelos, una comparación exploratoria.

Valuación oficial del suelo urbano en el departamento Río Cuarto, a partir de los datos parcelarios abiertos de la provincia.

Dos especificaciones de MCO y otros doce métodos (Ridge, Lasso, PCR, PLS, KNN, CART, random forest, GBM, GAM, SVM, XGBoost, CatBoost) sobre una única partición aleatoria. Parte del ajuste reutilizó el conjunto de prueba, y una partición aleatoria mide cómo se completan huecos en un mapa conocido, no cómo se predicen territorios nuevos.

El menor MSE de prueba sobre el logaritmo del valor, de XGBoost.calculado

En el random forest, las coordenadas de la parcela ocupan el primer lugar en importancia.

Herramientas de Ciencia de Datos en Economía, diciembre de 2025. R.

¿Qué modelo espacial se escondía en los datos?

Un ejercicio de la materia sobre un proceso simulado cuyo modelo verdadero estaba oculto. Estimé SLM, SEM, SLX, SDM y SDEM por máxima verosimilitud. Los tests LM ascendentes se detuvieron en un modelo de rezago. La reducción desde un modelo general anidado favoreció al SDEM entre los candidatos (LR p = , no rechazado), que también tuvo el menor AIC.calculado

Econometría Espacial, junio de 2026. R (spdep, spatialreg).

Abrir el instrumento: cómo se propaga un shock

Un motor de backtest con el futuro bloqueado, usado para evaluar una señal espacial.

Las acciones del mismo sector y cadena de suministro se mueven juntas. ¿Los retornos de las vecinas esta semana predicen los propios la semana siguiente?

El motor avanza un evento por vez (datos de mercado, señal, orden, ejecución), con ejecuciones parciales, costos y contabilidad de cartera. Pedir una barra del futuro genera un error, y una prueba de perturbación altera el futuro para comprobar que el pasado quede idéntico. Lo concilié con un backtest vectorizado y un caso sencillo resuelto a mano.

La señal es el promedio ponderado de los retornos recientes de las acciones vecinas para 48 grandes acciones de EE. UU. Las vecinas surgen de los sectores actuales y de una cadena de suministro que tracé a mano; por eso es una prueba retrospectiva, no una estrategia que hubiera podido ejecutarse en aquel momento. La escribí antes de ejecutarla y la contrasté con un placebo de 300 permutaciones. Python, DuckDB.

I de Moran dentro de la misma semana, p = , a lo largo de semanas.calculado

A una semana no hay evidencia de anticipación (p = ), y con los costos supuestos la estrategia pierde dinero.

Mercados

Cuatro preguntas que haría una mesa de trading. Las reglas se evalúan en períodos reservados o trayectorias simuladas nuevas, con costos declarados, frente a la alternativa más sencilla que podría funcionar; el valuador se verifica numéricamente. La alternativa sencilla suele sostenerse.

Un valuador de opciones construido dos veces, en R y en Python.

¿Coinciden Black-Scholes, árboles binomiales y Monte Carlo? ¿Son correctas las griegas? ¿Cómo se ve una superficie real de volatilidad?

Black-Scholes, árboles CRR para ejercicio europeo y americano, y Monte Carlo con variables antitéticas. Las griegas analíticas se contrastan con diferencias finitas. Se reproduce el caso del libro de Hull: call , put .

La superficie corresponde a un día de cotizaciones de SPY: volatilidades equivalentes de Black-Scholes a partir de opciones americanas, con controles parciales de no arbitraje. La interpolación dentro de cada vencimiento tiene un error sobre cotizaciones reservadas de puntos de volatilidad ( al reservar un vencimiento completo); una única volatilidad realizada tiene un error de . Python, R, DuckDB, Excel.

La mayor diferencia entre R y Python en los precios de Black-Scholes; Monte Carlo se verifica en errores estándar.calculado

Un clic en cualquier cifra de esta página muestra su procedencia.

Ajustar las cotizaciones contra el inventario reduce las oscilaciones a la mitad.

¿El control de inventario hace que un market maker gane más o solo reduce el riesgo?

Construí un libro de órdenes con prioridad precio-tiempo, ejecuciones parciales, una identidad contable exacta y flujo Poisson sintético que incluye operadores informados. Tres reglas de cotización: spread fijo, sesgo lineal por inventario y Avellaneda-Stoikov. Los parámetros se eligen sobre 300 trayectorias y se prueban una sola vez sobre otras 1.000 nuevas.

Desviación estándar en ticks por sesión de 30 minutos con el sesgo por inventario, frente a con spread fijo.simulado

Tiene un pequeño costo en la media: frente a ticks, pequeño pero real. Avellaneda-Stoikov queda en el medio (desviación estándar ).

Python.

Ocho pares, quince años, sin evidencia de una ventaja estable.

¿Una estrategia de pares basada en cointegración conserva una ventaja fuera de muestra, después de costos?

Ocho pares con razones económicas para moverse juntos, de 2009 a 2026. Engle-Granger y Johansen en cada ventana de formación, un walk-forward de 31 ventanas y los últimos tres años reservados hasta el final. Comisiones, spread, deslizamiento y préstamo de títulos se cobran a tasas supuestas.

USD en los años reservados al operar todos los pares, operaciones, después de corregir un error y repetir la ejecución, con ambos cambios declarados.backtest

La misma regla ganó en desarrollo. La regla estricta operé veces.

R.

Siete modelos, un período reservado, sin evidencia de alfa.

¿Los modelos de aprendizaje automático predicen los retornos excedentes de ETF del próximo mes mejor que la media histórica?

Diecinueve ETF líquidos y trece variables, incluidos datos macro de FRED rezagados por su demora habitual de publicación. Un walk-forward con purga y embargo, y el período reservado 2019–2026 ejecutado una sola vez según un protocolo versionado previamente. Controles placebo y de señal implantada, con corrección de Holm entre modelos.

El mejor R² en el período reservado frente a la media histórica, p = .backtest

Ninguno supera significativamente a la media, incluso antes de la corrección de Holm.

R, SQL.

Crédito y macroeconomía

Arriba: la proporción del crédito a hogares y empresas clasificado como irregular desde 2015, según los archivos del propio banco central. Los hogares en 2025–26 muestran un panorama muy distinto al de los años con los que podría entrenarse un modelo.

Modelos crediticios frente a un régimen que nunca habían visto.

Con datos públicos del banco central argentino a nivel de entidad, ¿se puede predecir el deterioro de las carteras fuera del período de entrenamiento mejor que con referencias ingenuas?

Reconstruí los archivos de deudores del BCRA para 87 entidades, de 2015 a 2026, por separado en R y en Python ( filas comparadas) y los contrasté con el PDF publicado. Una regresión fraccional para la proporción irregular y un modelo logístico para un evento de deterioro. Entrenados hasta 2021, con 2022 bajo embargo y una sola prueba sobre 2023–2025.

AUC para empresas: ordena las entidades según el deterioro futuro de sus carteras empresariales. No es una probabilidad de incumplimiento.backtest

En la magnitud de la proporción irregular pierde frente a la persistencia: RMSE frente a puntos porcentuales. En julio de 2026, del crédito a hogares estaba clasificado como irregular.

R, Python.

Dinero y precios en Argentina, 1993–2024.

IPC, base monetaria, actividad y tasas de interés mensuales del BCRA y el INDEC. Tests ADF y Phillips-Perron, Engle-Granger y un modelo exploratorio de corrección de errores. Fue mi primer trabajo de econometría: la ecuación no contrasta la identidad cuantitativa de la que parte, por lo que dejé las hipótesis sin conclusión. Hoy lo reconstruiría en niveles de precios y tasas de crecimiento.

Econometría I, 2024. EViews.

Abrir el instrumento: por qué las raíces unitarias van primero

Herramientas

Software que uso: un laboratorio de carteras y una bitácora que evalúa mis propias predicciones.

Un laboratorio de carteras donde cada estrategia debe superar a 1/N.

Fronteras de media-varianza y mínimo CVaR, Black-Litterman y paridad jerárquica de riesgo, todas evaluadas con el mismo walk-forward después de costos y comparadas con pesos iguales mediante bootstrap y un ratio de Sharpe deflactado. También incluye modelos de factores Fama-French y locales, pruebas de estrés sobre crisis argentinas, valuación por DCF, un registro de pronósticos evaluados fuera de muestra y fuentes diarias del BCRA, INDEC, FRED y SEC EDGAR.

Python, SQLite, JavaScript.

Una bitácora que evalúa mis propias predicciones.

Cada predicción sobre una empresa queda sellada con una fecha y una condición que la refutaría. Al llegar la fecha la verifico, y los errores confirmados se convierten en lecciones de calibración. Trabaja sobre un universo de más de 21.000 empresas con vínculos de competencia y cadena de suministro, además de un ETL de estados contables de SEC EDGAR.

Python, JavaScript.

Last-Mile Atlas

Una plataforma interna que construí en IG Networks para mapear proveedores de última milla y la economía del territorio en América Latina. Es trabajo de la empresa, por lo que queda como una mención breve.

Cómo trabajo

Cuatro reglas que aplico a los seis proyectos cuantitativos; los trabajos de materias anteriores preceden a algunas de ellas. La cuarta suele omitirse, por eso se puede probar abajo.

  1. Escribir el plan antes de ver un resultado

    Primero registro en un archivo fechado la pregunta, la métrica, la referencia y qué me haría cambiar de opinión. Los cambios al plan se fechan y se conservan.

  2. Superar la respuesta ingenua o informar que no se logró

    La media histórica, la persistencia, los pesos iguales, una única volatilidad. Si el modelo pierde frente a esas referencias, ese es el resultado.

  3. Calcularlo dos veces

    Las cifras clave se reconstruyen de forma independiente: R contra Python, código contra la fuente publicada.

  4. Mantener el futuro bloqueado

    Walk-forward con purga y embargo donde corresponde, períodos reservados ejecutados una sola vez y motores que generan un error si miran el futuro. Una nueva ejecución después de la prueba se declara, nunca se oculta.

Sobre la autoría: diseño cada proyecto, es decir, el plan, la elección de modelos, los supuestos y las ecuaciones. El código, las ejecuciones y la documentación se hicieron con asistentes de IA (Claude, Codex) para avanzar más rápido, y cada repositorio lo declara.

La parte del mapa aún por relevar

Hacia dónde voy y las preguntas que dejaron abiertas mis proyectos.

  1. Ahora

    De valuar redes a valuar riesgo

    Hoy cotizo y fijo precios de conectividad de última milla en América Latina en IG Networks. Quiero llevar esos hábitos a las finanzas: análisis cuantitativo, riesgo, banca de inversión o análisis de datos y espacial, donde una cifra deba sostenerse cuando alguien la verifica.

  2. Dic. 2026

    Defensa de tesis y título en Economía

    Universidad Nacional de Río Cuarto. La tesis está escrita; sigue la defensa.

  3. 2027

    Maestría en Finanzas Cuánticas, Universidad de Buenos Aires

    Estimación cuántica de amplitud para valuación de opciones y riesgo de cola, y optimización cuántica de carteras. El motor de opciones de esta página es la referencia clásica contra la que las mediré.

  4. Abierto

    Preguntas que dejaron abiertas mis proyectos

    Integrar las estrategias de pares y aprendizaje automático en el motor por eventos para que todas funcionen con las mismas reglas. Reconstruir la red de suministro con documentos fechados y fuentes identificadas. Evaluar si el deterioro crediticio se propaga entre entidades como los precios entre vecinos.