Tenemos el placer de entrevistar hoy en X-Trader.net a un veterano de los mercados como es Carlos Jaureguizar. Aunque Carlos no necesita presentación (lleva más de dos décadas inmerso en multitud de proyectos relacionados con el trading en los mercados financieros), los que llevéis algún tiempo en los mercados seguramente le recordareis hablando en Radio Intereconomía hacia finales de los noventa, cuando daba sus primeros pasos con su consultora Noesis. Pero dejemos que sea el propio Carlos el que nos cuente su trayectoria ;).
X-Trader (XT): Ante todo, muchas gracias por concedernos esta entrevista, para mí es un honor entrevistar a alguien que lleva tanto tiempo peleando en los mercados.
Lo primero todo, la presentación de rigor. Aunque muchos de nuestros lectores seguramente ya te conocen, ¿quién es Carlos Jaureguizar y por qué te da por meterte en esto de los mercados financieros?
Carlos Jaureguizar (CJ): Desde un punto de vista laboral, actualmente soy el CEO de Robexia AI Lab, un laboratorio de Inteligencia Artificial especializado principalmente en análisis cuantitativo.
Académicamente, soy licenciado en Economía (UAM), Máster en Mercados Financieros (UAM) y Master en Inteligencia Artificial (IIA) y obtuve mi Doctorado en Economía Aplicada con distinción cum laude en la URJC.
Soy una persona bastante activa en el ámbito de formación y educación, lo que me llevó a fundar el Instituto IEATEC y a presidir el Instituto para el Desarrollo de la IA en el Sector Financiero y Asegurador (IDIASEF). Doy clases en algunos masters universitarios, además de colaborar activamente en presentaciones y charlas, especialmente en el área del aprendizaje automático o machine learning.
Tras formarme como economista y obtener el Máster en Mercados Financieros, inicié mi carrera en la tesorería de un banco, donde aprendí cómo funcionan los mercados de primera mano desde la perspectiva de los grandes agentes financieros.
XT: ¿Cómo definirías tu estilo de trading?
CJ: El trading es como una escudería de Fórmula 1. El trader es el piloto, tomando decisiones rápidas y ejecutando operaciones. El broker es la parte mecánica, la plataforma que asegura que todo funcione. Y luego está la ingeniería, que se encarga de la analítica, gestión de riesgos y estrategia, asegurando que todo esté optimizado.
Esto puede hacerse en equipo o individualmente. Si el trader trabaja solo, tiene que ser su propio piloto, mecánico e ingeniero, por lo que necesitará simplificar proceso. En mi caso, podría decir que yo estoy en el área de ingeniería, enfocándome en la estrategia y gestión de riesgos para facilitar el trabajo del trader.
XT: ¿Trading automático o discrecional? ¿Por qué?
CJ: Elegir entre trading automático o trading discrecional es como elegir los neumáticos en una carrera de Fórmula 1: depende del circuito, del piloto y de las condiciones climáticas. Ambos enfoques tienen ventajas y desventajas, igual que los neumáticos blandos o duros.
El trading automático es como elegir neumáticos blandos en un circuito técnico: ofrece velocidad y capacidad de procesamiento, ideal para manejar grandes volúmenes de datos. Sin embargo, tiene limitaciones en cuanto a la capacidad de adaptarse a circunstancias impredecibles o situaciones que no pueden ser fácilmente automatizadas, aunque la IA y el Machine Learning han expandido mucho estos límites.
Por otro lado, el trading discrecional se parece más a los neumáticos duros en una carrera larga: permite al piloto (trader) adaptar su estrategia, tomando en cuenta patrones difíciles de automatizar. Sin embargo, enfrenta el desafío de la gestión emocional y la capacidad limitada de procesar grandes cantidades de datos en tiempo real.
Al final, igual que en una carrera, el éxito está en combinar estrategias. El trading se puede dividir en partes: algunas optimizadas automáticamente, y otras que requieren la intervención humana. Todo depende del «circuito» y del piloto, como en la elección de neumáticos para la carrera.
XT: ¿En qué mercados y productos operas habitualmente?
CJ: Más que operar directamente, dirijo un equipo encargado de investigar y analizar el mercado de divisas, criptomonedas, acciones y commodities. Cada uno de estos mercados requiere estrategias específicas. Por ejemplo, Forex es un mercado excelente, quizás el mejor, para operar en el intradía debido a su alta liquidez
XT: Cuéntanos un poco acerca de tu equipo y el software que utilizas, tanto para el desarrollo de sistemas como para su ejecución.
CJ: Hoy en día, el uso de la Inteligencia Artificial y el procesamiento de grandes datos no es discutible. No solo hay que detectar operaciones y señales en tiempo real, es fundamental analizar una cantidad de datos que requieren capacidad computacional elevada.
Todo el software que empleamos es de desarrollo propio, dado que llevamos 25 años en el mercado realizando este tipo de proyectos. Para un trader individual la mejor opción, en mi opinión, es utilizar Python en un ordenador personal de cierta capacidad. Python no es el lenguaje más rápido, pero sí es muy sencillo y hay muchos desarrollos que se pueden utilizar, conexiones de APIs de brokers, etc.
XT: Sin lugar a duda, en tu trabajo la calidad de los datos resulta fundamental. ¿Cómo y de dónde obtienes los datos que usas para desarrollar estrategias? ¿Manejas ticks, velas intradía, datos diarios? ¿Utilizas transformaciones del precio (ie, renko)?
CJ: En el mundo del Machine Learning tenemos un dicho que conocemos como GIGO («Garbage in, garbage out», es decir “basura que entra, basura que sale”). Escuché una vez a un cocinero decir que ningún plato supera la calidad de sus ingredientes. En el mundo del ML ocurre lo mismo. La clave, el 90% del trabajo, son los datos.
Necesitamos datos de precios, y con ellos, una capacidad importante de limpieza y tratamiento que requiere conocerlos muy bien. Además, cada vez se están empleando más datos alternativos, como noticias, o incluso imágenes, audios y textos. El Deep Learning ha revolucionado el mundo por su capacidad para tratar datos no tabulares, como dichas imágenes, sonidos y textos. No hay más que ver los coches que conducen solos o, por no alejarnos tanto, el ChatGPT y sus compañeros LLMs.
A partir de los datos, realizamos todo tipo de transformaciones. Por un lado, las tradicionales, como candlesticks, renko, heikin-ashi, pero también todas las que el aprendizaje supervisado y no supervisado permiten. Por ejemplo, en función de cómo se encuentran los indicadores técnicos de un activo, este es clusterizado (clustering es un tipo de algoritmo no supervisado) de modo que entra en un grupo que refleja el sesgo de los retornos (rentabilidad) hacia el beneficio o la pérdida. Es lo que conocemos como skewness y valga como ejemplo de cómo puede mezclarse la automatización con el trading discrecional. El trader puede fijarse en el grupo de mayor skew positivo, calculado de forma automática, y discrecionalmente plantear la operativa.
XT: ¿Cómo le explicarías tu forma de desarrollar estrategias de trading a alguien que no sabe nada de Machine Learning?
CJ: Machine Learning es tan solo una matemática y estadística moderna, pero ese “moderna” implica una capacidad de predicción hasta ahora inimaginable, la cual puede trabajar con datos tabulares (filas y columnas) o no tabulares (imágenes, audio y texto). Esta matemática no requiere fórmulas preestablecidas, sino que las obtiene de los propios datos. Es como si en lugar de calcular el área de un triángulo sabiendo que es la mitad de la base por la altura alimentaras el algoritmo con triángulos y de ahí obtuvieras la fórmula (modelo) para calcular (predecir) el área.
En cierto modo, imagínate lo que ocurriría si vivieras en un mundo en dos dimensiones, en un folio, y de repente descubrieras que existen tres dimensiones. Sería un shock extraordinario. Lo mismo ocurre con el machine learning respecto a la matemática y la estadística tradicional.
XT: ¿Cuáles son tus algoritmos de Machine Learning favoritos? ¿Prefieres aprendizaje supervisado, no supervisado, metalearners…? ¿Utilizas Adversarial Machine Learning?
CJ: Cada tarea en Machine Learning tiene sus algoritmos y enfoques adecuados, por lo que no tengo un algoritmo favorito per se, sino que adapto mi elección al problema que hay que resolver. Por ejemplo, en tareas donde hay etiquetas claras, suelo preferir el aprendizaje supervisado. Algoritmos como Random Forest o XGBoost son excelentes para problemas de clasificación o regresión, gracias a su capacidad para manejar grandes volúmenes de datos y complejidades no lineales. Los problemas de clasificación trabajan con clases, por ejemplo alcista/bajista o pauta fiable/pauta no fiable.
Por otro lado, el aprendizaje no supervisado es crucial cuando se trata de descubrir patrones ocultos en los datos, lo que facilita el análisis de datos sin etiquetas. K-means y DBSCAN son útiles en clustering, mientras que el uso de autoencoders o PCA ayuda a la reducción de dimensionalidad. La reducción de dimensionalidad permite hibridar series. Por ejemplo, puede reducirse la dimensionalidad de varias medias móviles reduciéndolas a una sola media híbrida. También pueden crearse indicadores híbridos que mezclen dos o más indicadores en uno solo, reduciendo la necesidad computacional y permitiendo visualizar múltiples indicadores en una única serie, lo cual puede ayudar, por ejemplo, a detectar divergencias respecto del precio. Estas dos técnicas, clustering e hibridación de indicadores, las tenemos explicadas en un curso mediante videos y es un camino muy interesante en el que prácticamente nadie ha entrado todavía.
Sin embargo, es fundamental, como mencioné antes, dividir y compartimentar según los objetivos específicos. Por ejemplo, puedes utilizar un modelo primario que genere señales alcistas o bajistas basadas en patrones de velas (candlestick), y luego optimizarlo mediante meta-labeling usando XGBoost. Supongamos que identificamos únicamente la pauta de martillo alcista. Este sería el modelo primario, donde existe un potencial de alfa y un posible profit factor, pero ¿por qué operar en todos los martillos? No todos son iguales. Algunos tienen mejores perspectivas que otros. Aquí es donde un buen modelo de clasificación, que agrupe los martillos en categorías como Gold, Silver, Bronze o rechazados, puede implementarse con XGBoost, lo que aumenta significativamente los resultados.
Siguiendo con el ejemplo del martillo, si un 60% de los martillos funcionan a la hora de cambiar la tendencia, empleando XGBoost para seleccionar cuáles tienen mejores perspectivas, se eleva al 70% los que cambian la tendencia, lo cual supone 10 puntos porcentuales más. Vaya por delante que el hecho de girar la tendencia en un 60% o un 70% de los casos no significa que crees operaciones rentables en un 60 o 70% de los casos. Genera un sesgo, pero hay que transformarlo en decisiones de compra y de venta, en niveles y momentos en el tiempo. Hay que crear ese bracket o triple barrera de profit taking, stop loss y deadline que canibaliza esa rentabilidad. Que no la destruya por completo depende de un análisis muy cuidadoso de cada activo en tiempo real. Aquí es donde, de nuevo, el Machine Learning ayuda a hacer este ajuste de una manera efectiva reduciendo la rentabilidad del sesgo lo menos posible.
XT: ¿Cuáles son tus features favoritas cuando arrancas el diseño de una estrategia?
CJ: Hoy en día, el diseño de una estrategia requiere analizar en tiempo real todos los activos, filtrando datos y aplicando modelos de Machine Learning que deben entrenarse prácticamente al instante y de manera específica para cada activo. Lo que funciona hoy puede no ser válido mañana.
El alfa se distribuye entre un porcentaje muy pequeño de traders, y esto siempre es a costa del resto. Por eso, la única forma de tener una oportunidad real de obtener beneficios es realizar un análisis en tiempo real para cada activo.
El manejo de features es un área extremadamente amplia. Implica técnicas como feature selection, feature importance y label selection, todas ellas fundamentales para garantizar la eficacia de cualquier modelo. Estas técnicas requieren un profundo conocimiento y tiempo para dominarlas. De hecho, la respuesta a esta pregunta podría fácilmente llenar un libro, dado lo complejo y extenso que es el proceso de selección y manejo de features en el diseño de una estrategia efectiva.
Dicho esto, es crucial evitar el sobreajuste, es decir, no crear estrategias que hayan funcionado en un conjunto de datos específico durante un periodo concreto, sin comprender realmente el motivo. En un campo donde la relación entre señal y ruido es tan baja, es esencial evitar modelizar el ruido, ya que, por definición, el ruido es impredecible. Como bien señalan expertos como López de Prado, es fundamental respaldar cualquier estrategia con teorías sólidas que la justifiquen.
En este sentido, es valioso emplear features genéricas que describan situaciones del mercado. Por ejemplo, el estado del mercado —si está volátil o estable— es un factor relevante, independientemente de la feature o métrica concreta que utilicemos para medirlo, ya sea la volatilidad de precios de cierre diaria, semanal, un indicador técnico basado en Bollinger o el ATR. Estas features proporcionan un contexto robusto que puede aplicarse de manera más amplia y evitar la dependencia excesiva de patrones específicos o ruido del pasado.
XT: ¿Cuáles serían las estadísticas de un sistema ideal? O dicho de otro modo, ¿qué parámetros y métricas te hacen decantarte por uno u otro sistema?
CJ: En cuanto a estadísticas clave de un sistema, aquí sí tengo un favorito: el profit factor. Esta métrica mide las ganancias divididas entre las pérdidas. Un profit factor por encima de 1 indica que el sistema es rentable, por encima de 1,4 se considera adecuado, y si supera 2, estamos hablando de excelencia. En nuestro enfoque, intentamos ofrecer un profit factor por encima de 2, buscando la excelencia.
El profit factor se descompone en cuatro elementos clave: el número de operaciones ganadoras, el número de operaciones perdedoras, la media de beneficios por operación ganadora y la media de pérdidas por operación perdedora. Aquí es donde entra en juego la compartimentación: al igual que en la Fórmula 1, donde un equipo separa el desarrollo del motor, la aerodinámica y los neumáticos para optimizar cada área, en nuestro sistema, una IA se encarga de clasificar las operaciones existentes para maximizar el ratio de ganadoras frente a perdedoras mientras que otra IA se dedica, en exclusiva, a ajustar los brackets de ganancias y pérdidas, optimizando el beneficio y pérdida media. Ambos aspectos son cruciales y deben tratarse por separado para lograr un profit factor óptimo.
XT: ¿Cómo controlas el riesgo en tu operativa? ¿Qué mecanismos de control tienes implementados para evitar que pasen cosas que no deben pasar con los algoritmos que has desarrollado?
CJ: Un complemento perfecto al profit factor es el drawdown máximo. De poco sirve un sistema con un profit factor de 2 si en algún punto perdemos el 80%. Minimizar el drawdown es crucial, y para ello hay que aplicar los algoritmos de IA adecuados.
En cuanto a la gestión del riesgo, un elemento clave es el conocido como bet sizing. También en este campo el Machine Learning ha aportado mucho por su capacidad analítica. El bet sizing y los periodos de deadline son los elementos básicos en la gestión del riesgo de una operativa. A mucha gente no le gusta oír lo siguiente: antes de buscar rentabilidad hay que manejar bien el riesgo. Solo controlando el riesgo podemos evolucionar hacia la búsqueda de rentabilidad. Si no, es cuestión de tiempo que todo se desmorone.
XT: ¿Utilizas algoritmos de gestión monetaria? ¿Cuáles utilizas habitualmente?
CJ: Para simplificar la respuesta, imagina que dividimos las predicciones en Gold, Silver y Bronze, según el nivel de probabilidad generado por un modelo de clasificación con XGBoost. No sería lógico ejecutar todas las predicciones de la misma manera, ya que algunas tienen mayor probabilidad de éxito y menor riesgo que otras. Por lo tanto, adaptaríamos el tamaño de las posiciones en función de esa probabilidad, asignando más capital a las predicciones Gold, con mayor probabilidad de éxito, y menos a las Silver y Bronze, para gestionar el riesgo de manera más eficiente.
XT: De forma recurrente se suele plantear un debate en algunas comunidades de traders acerca de las dudas que suscita la aplicación del Machine Learning para desarrollar estrategias de trading. En particular, se comenta que las técnicas de Machine Learning podrían no servir para predecir el comportamiento del precio por cuanto no existen patrones realmente en las series de cotizaciones, debido al elevado nivel de ruido presente en ellas. ¿Qué opinas al respecto?
CJ: Las técnicas de Machine Learning son extremadamente potentes modelizando patrones en sectores donde hay un elevado ratio de señal frente al ruido. Eso hace que el mundo físico, con normas estables, sea ideal para el ML. Con unas pocas líneas de código puedes enseñar a una aspiradora a manejarse por una habitación o a una app a diferenciar imágenes.
Pero en el trading, el ratio de señal frente a ruido, como comenté antes, es especialmente bajo, y además dicha señal es muy cambiante. La respuesta a la pregunta no es tanto si ML sirve o no sirve, sino si eres capaz de aislar la señal para aplicarle Machine Learning, algo que es extraordinariamente difícil y donde se producen tantos fallos y tantos “no funciona”. Porque el ML sirve si lo aplicamos a la señal, pero si estás modelizando ruido los resultados son desastrosos.
XT: ¿Qué te parecen los builders como Strategy Quant, Expert Advisor Studio o Alphadvisor? ¿Perversión del data science aplicado al trading o herramientas que facilitan encontrar nuevas ideas de trading?
CJ: La respuesta la tienes en la misma pregunta :). Por un lado, estas herramientas pueden ser una «perversión del data science» si se usan sin cuidado, ya que pueden llevar al sobreajuste, creando estrategias que solo funcionan en datos históricos pero fracasan en tiempo real al modelizar ruido en lugar de señales reales.
Por otro lado, si se usan de forma inteligente, son una herramienta útil para generar nuevas ideas de trading. Permiten probar y optimizar estrategias rápidamente, siempre y cuando se validen adecuadamente y se apoyen en teorías bien fundamentadas.
En lo que dichas herramientas no pueden ayudarnos es a la hora de aislar la señal del ruido. Cuando un trader tiene que realizar todo el trabajo sin un equipo, dichas herramientas son un apoyo. En mi equipo desarrollamos nuestras propias herramientas.
XT: ¿Qué le dirías a un trader que opera de forma discrecional y no quiere saber nada de Machine Learning? Y ya puestos, ¿crees que las técnicas de Machine Learning llegarán a igualar la intuición del trader discrecional?
CJ: Le diría que minimice los riesgos del trading discrecional, básicamente, la gestión emocional y la disciplina.
En cuanto a la segunda pregunta, mucho me temo, y aquí no tengo duda, que el Machine Learning ya ha superado con mucho la intuición del trader discrecional.
XT: Actualmente estás inmerso en dos proyectos: Robexia y AImetrics. ¿Qué puedes contarnos acerca de ellos?
CJ: Robexia es nuestro laboratorio de inteligencia artificial, especializado en el sector financiero. No nos limitamos únicamente al trading, sino que abarcamos una amplia gama de aplicaciones dentro del mundo financiero. Trabajamos con grandes instituciones en áreas clave como la gestión de riesgos, donde desarrollamos modelos que permiten identificar, cuantificar y mitigar riesgos financieros en tiempo real. También colaboramos en el sector de seguros, ayudando a mejorar los procesos de evaluación de riesgos utilizando técnicas avanzadas de machine learning y análisis predictivo.
AImetrics es al área de Robexia dedicado en exclusiva al trading. En AImetrics es donde desplegamos todo el potencial del ML en el trading, optimizando y entrenando modelos de forma constante en tiempo real. Dichas señales, tanto en Forex como Bolsa, se ofrecen en periodos horarios, de 4 horas y diarios.
Además, tenemos en desarrollo una herramienta de gráficos que estamos conectando con la IA, algo muy novedoso, pero lento de producir.
XT: Desde tu perspectiva como trader quant, ¿qué es lo que más te gusta del trading? ¿Y lo que menos?
CJ: Como he comentado antes, el trading es un sector donde hay muy poca señal frente al ruido, lo que lo hace menos atractivo que el mundo físico, donde las garantías de éxito funcionan de otro modo. En otras palabras, un trabajo intenso y bien hecho puede devenir en pérdidas por un pequeño error que nos lleve a modelizar poca señal. En definitiva, la incertidumbre es muy elevada.
Eso es precisamente lo que hace que el nivel de exigencia sea extremo y que debas dar el máximo. Y cuando los resultados del trabajo son positivos la satisfacción es elevada.
XT: ¿Qué opinas del impacto de la psicología en el trading?
CJ: Para mí es una pregunta interesante, dado que escribí un libro sobre ello en 1998. Es un tema que he tenido en mente desde que empecé en este mundo y lo considero fundamental.
La psicología juega un papel crucial en el trading, y las teorías de Daniel Kahneman sobre la toma de decisiones en situaciones de incertidumbre, específicamente su trabajo en Behavioral Finance, explican por qué. Kahneman, a pesar de ser psicólogo, obtuvo el Nobel de Economía en 2002. A través de su investigación sobre el sesgo cognitivo y la teoría de la perspectiva, demostró que los seres humanos no siempre toman decisiones racionales, sino que están influenciados por emociones y sesgos.
En el trading, estos sesgos pueden manifestarse de muchas formas. Los traders tienden a sentir el dolor de una pérdida mucho más intensamente que el placer de una ganancia de igual magnitud. Esto lleva a decisiones como mantener una posición perdedora demasiado tiempo o cerrar una posición ganadora demasiado pronto, por miedo a perder lo ganado. Además, existe un claro sesgo de confirmación, donde los traders buscan información que confirme sus creencias o decisiones previas, ignorando datos que puedan sugerir lo contrario.
El impacto de la psicología en el trading es tan grande que incluso los sistemas cuantitativos más avanzados pueden fallar si el trader no es capaz de mantener la disciplina y gestionar sus emociones adecuadamente. La gestión emocional y el control de los sesgos cognitivos son fundamentales para el éxito a largo plazo.
XT: Todo trader se ha arruinado alguna vez o ha pasado por un momento realmente difícil, en el que ha estado a punto de perder hasta la camisa. Cuéntanos alguna buena “batallita” que hayas visto de este tipo en el mundillo institucional.
CJ: Aunque me encantaría compartir alguna historia interesante, por razones de confidencialidad, no puedo entrar en detalles específicos sobre experiencias en el ámbito institucional.
XT: ¿Cuáles son tus películas y libros de trading favoritos?
CJ: Margin Call es una gran película que retrata unos días críticos en una firma al borde del colapso financiero. La película captura de manera realista la presión y las decisiones complejas que enfrentan traders e instituciones en situaciones de crisis, destacando los dilemas éticos y financieros en momentos clave.
Advances in Financial Machine Learning de Marcos López de Prado es un libro esencial para cualquier trader cuantitativo. Con un enfoque muy técnico, profundiza en el uso de algoritmos avanzados y machine learning para el análisis de mercados, ofreciendo herramientas valiosas para quienes buscan optimizar estrategias de trading basadas en datos.
XT: ¿Qué otros proyectos tienes para el futuro inmediato?
CJ: Actualmente hemos publicado un curso de Machine Learning para Traders y estamos esperando su evolución. En función de ello, podríamos avanzar en el tema de formación, depende del interés que encontremos.
Además, estoy preparando mi segunda novela de ciencia ficción que espero que tenga una buena acogida (por si tenéis curiosidad, podéis ver la primera aquí).
XT: Danos una recomendación especial para los lectores de X-Trader.net. Ya sabes, ese pequeño truco que poca gente conoce y que nos puede ahorrar muchas horas de investigación.
CJ: Divide y vencerás. Divide cada parte de tu trading. Compartimenta, y optimiza cada una. Como si fueran asignaturas distintas. Si no eres capaz de obtener más estrategias ganadoras que perdedoras, o un beneficio medio superior a la pérdida media, céntrate en ese problema antes de avanzar con el siguiente. Plantearte la operativa entera, el proceso entero, impide detectar errores.
XT: Tus pensamientos finales sobre el trading y la despedida de rigor.
CJ: El trading es como un iceberg: la parte visible, la más atractiva, es lo que todos ven, los éxitos, las operaciones ganadoras, pero la verdadera base, la parte dura, está debajo de la superficie. Lo que no se ve es el trabajo constante, la paciencia y las horas de estudio, análisis y fracasos que hacen posible esos momentos de éxito.
Al igual que un piloto de Fórmula 1 no llega a la cima por casualidad, un trader de éxito tampoco lo hace. Bajo el agua del iceberg hay mucho esfuerzo, desde aprender a gestionar las emociones, aceptar las pérdidas y enfrentarse a los retos del mercado. Requiere disciplina, tenacidad y, sobre todo, la capacidad de superar cada obstáculo para seguir adelante. El trading no es fácil, pero para quienes están dispuestos a comprometerse con el proceso, puede ser una experiencia increíblemente enriquecedora.
Gracias, X-Trader, por esta agradable charla, ha sido un placer.
XT: Gracias a ti por la entrevista y por todos tus consejos.
