CFA Charterholder y Data Scientist especializado en Financial Data Science — combino seis años en consultoría financiera e inversión con el uso de analítica avanzada y modelado de datos aplicado a la valoración de empresas y el seguimiento de carteras de inversión.
Sobre mí
Seis años en Grant Thornton, PwC y una Single Family Office como gerente de valoraciones, analista de renta variable y auditor. Actualmente cursando un MSc en Data Science y Big Data en la UCM (GPA 9.7) con foco en ML aplicado a finanzas, dentro de un proceso continuo de formación en técnicas cuantitativas y analíticas.
Mi formación combina análisis financiero tradicional (valoración de empresas, seguimiento de carteras, auditoría) con métodos cuantitativos aplicados a inversión. Trabajo en la sistematización de procesos de análisis que habitualmente dependen de criterio discrecional, mediante modelos que aplican los mismos parámetros de forma consistente. El objetivo no es eliminar el juicio humano, sino apoyarlo reduciendo la variabilidad asociada a decisiones puramente subjetivas y dejando el criterio experto donde más valor aporta, en la interpretación de resultados y la decisión final.
Certificaciones
Obtenido
En proceso
En proceso
Obtenido
Proyectos
Dashboard interactivo que consume la API del BCE en tiempo real (MIR, FM, HICP, LFSI) para visualizar el ciclo crediticio español en el contexto de la política monetaria del Eurosistema. Incluye análisis de spreads, tipos de interés y condiciones financieras del sector privado.
Scorecard de riesgo de crédito end-to-end sobre el dataset Give Me Some Credit (150k clientes) con XGBoost, pero el foco está en la explicabilidad: cada predicción se descompone con SHAP en las variables que más empujan el riesgo al alza o a la baja (LTV, DTI, carga de pago), y esos drivers se traducen en un informe legible para dirección.
Trabajo Fin de Máster orientado a asset allocation táctico: identificar en qué régimen se encuentra el mercado (risk-on, risk-off, transición) a partir de variables de volatilidad, correlación y condiciones financieras. Comparo tres aproximaciones — Hidden Markov Models para inferir el estado latente subyacente, clustering no supervisado (K-Means, Gaussian Mixture) sobre features de riesgo, y LSTM para capturar dependencia secuencial en series temporales financieras — evaluando cuál generaliza mejor fuera de muestra para señalizar cambios de régimen con utilidad práctica en la asignación de carteras.
Solución end-to-end para la competición de DrivenData (59.400 bombas de agua en Tanzania, 19.775 participantes). Clasificación multiclase con ensemble de soft voting RF + LightGBM + XGBoost, feature engineering extensivo, StratifiedKFold 5-fold libre de data leakage y tracking completo con MLflow. Score final: 0.8186 — posición 2.624 / 19.775 (top 13%).
CV