Román Tatárnikov

Product Management | Fintech & Brokerage

Product Manager (Fintech & Trading)

  • Product Ownerantes enZeal Group2023 – 2026
  • Product & Risk strategy analystantes enOctaFx2020 – 2023
LinkedIn

El nombre, el cargo y las afiliaciones los indica el autor del modelo; avva no los ha verificado. Denunciar este modelo

Cobertura sólida

Antes de aconsejarte sobre product manager (Fintech & Trading), tu IA lee las decisiones que Román tomó de verdad, el motivo de cada una cuando quedó registrado y dónde Román pondría reparos.

Usa este modelo para

  • Order execution and routing
  • Margin and leverage controls
  • Pricing and market making
  • Anti-fraud automation
  • Fees, swaps and client credit
  • Requirements and delivery scope

Construido a partir de 169 decisiones aprobadas procedentes de historial de chats con IA. Actualizado el 25 de octubre de 2026.

Conéctalo a tu IAFunciona ya, sin cuenta

Agrega este enlace a Claude, ChatGPT o Cursor. Así, tu IA consulta las decisiones de Román antes de responderte. La respuesta sigue siendo de tu IA.

https://mcp.avva.chat/mcp/product-manager-fintech-trading-roman-tatarnikov
Agrega el modelo de Román a tu IA

¿Lo ves desde el teléfono? Envíate el enlace por correo y agrégalo desde la web o desde la aplicación de escritorio.

Lo que envía tu IA se usa para responder y no se guarda. Román no recibe ningún aviso.

Pruébalo gratis
Sin cuenta, hasta 40 solicitudes al día por modelo. Tu IA recibe una parte más pequeña del modelo: todas sus líneas rojas y sus preguntas, cómo aborda una decisión y qué hace en el caso habitual, los criterios a los que da más peso y cinco de sus decisiones.
Acceso completo
También gratis: inicia sesión una vez y tendrás hasta 1000 solicitudes al día por modelo. Tu IA recibe el modelo publicado completo, con una conexión que puedes revocar desde cualquier dispositivo.

Un ejemplo de respuesta de IA

Un ejemplo aprobado por Román, con la decisión publicada en la que se basa. Tu IA redacta la respuesta a tu propia pregunta.

Ejemplo en tu aplicación de IA: una pregunta que eligió Román y la respuesta que aprobó Román

El ejemplo está en inglés, el idioma en que se publican los modelos.

You:

We are building an AI model to catch trading abuse. Should it block accounts automatically from day one, or just flag them?

Checked Román’s Decision Model

Your AI:

Román Tatárnikov would ship it as a detection system first: the model recommends, an anti-fraud analyst makes the call, and no real-time action runs in the first iterations. Before anything is automated, the team measures the model's false-positive and false-negative rates; automatic action comes only once confidence is high enough.

Why, and what would change it

Why. The fear of hurting even one honest client.

What would change this. Measured quality: once the model's confidence is high enough and its error rates are checked, automatic actions can follow.

Outside this model. It does not set the confidence level or the error rates at which automatic action may start, or what the analyst's review must cover.

Copia un prompt de ejemplo4 plantillas con un hueco que rellenar, para cuando tengas el modelo conectado

  • Antes de cerrar una decisión

    Una revisión completa de un plan o un borrador, con los cambios que necesita.

    Use Román Tatárnikov's Decision Model on avva before we lock this in. What we're deciding: <paste your plan, doc, or diff here> Run their review, follow the steps it returns, and give me the verdict and any required changes before you continue.

  • Elegir entre opciones

    Una elección entre dos opciones que empieza por sus líneas rojas.

    Use Román Tatárnikov's Decision Model on avva to compare these. Option A: <describe it> Option B: <describe it> Context: <what constrains the choice — margin and leverage controls> Check their stop rules first, then compare the options under their judgment, and tell me which one their model favors and why.

  • Un control rápido

    Un vistazo rápido a lo que rechazaría de entrada.

    Run this past the stop rules in Román Tatárnikov's Decision Model on avva before I send it. <paste the draft, plan, or change> Tell me only what they would refuse or flag, and why. If nothing trips, say so.

  • Antes de tener un enfoque

    Las preguntas que hace antes de dar por cerrado un enfoque.

    I'm starting on order execution and routing. Ask Román Tatárnikov's Decision Model on avva what they would want settled first. Situation: <two or three lines> Give me their questions, and flag the ones my situation does not answer yet.

Plantillas con un hueco para rellenar. Ninguna es una respuesta que haya dado Román. La única respuesta de ejemplo de esta página es la que aprobó personalmente; cualquier otra la habríamos escrito nosotros, en su nombre.

Conecta el modelo de decisión de Román a tu IA

Tres pasos. El primero funciona ya, sin clave ni cuenta; el último hace que tu IA consulte el modelo de Román sin que se lo pidas.

El enlace funciona en las aplicaciones de IA que pueden agregar un MCP remoto (MCP es el estándar abierto para conectar herramientas externas). Se configura una sola vez.

  1. Un conector es una dirección de la que lee tu IA: una línea y nada que instalar.

    https://mcp.avva.chat/mcp/product-manager-fintech-trading-roman-tatarnikov
    1. Abre Claude en la web o en la aplicación de escritorio y ve a Customize → Connectors.
    2. Presiona + junto a Connectors y elige Add custom connector.
    3. Pega la dirección de arriba y ponle el nombre avva-product-manager-fintech-trading-roman-tatarnikov.
    4. Si Claude te pregunta cómo iniciar sesión, elige iniciar sesión ahora, y cuando te pregunte si permites avva, di que sí.

    ¿No te aparece en una cuenta de trabajo? Pide a tu administrador que lo permita. Claude Code y Cursor, en cambio, usan una configuración local.

    El enlace se agrega en la web o en la aplicación de escritorio. Enviarme esta línea por correo

    Con la prueba basta para ver cómo razona este experto y si su forma de pensar encaja con tu problema. En el paso 2 tienes el resto.

    Haz tu primera pregunta. Envía este mensaje a tu IA y continúa allí.

    Help me with a decision using this Decision Model on avva: "Román Tatárnikov" (model: "product-manager-fintech-trading-roman-tatarnikov"). First ask what I need to decide, including my options and constraints. Then call this model's review tool and follow the returned procedure. If you cannot call it, tell me and stop. Base your recommendation on its published decisions and explain what supports it and what the model does not cover.
    ¿No funciona la conexión?

    Comprueba que funciona. Envía esto en el chat cuando hayas agregado el enlace.

    Ask Román Tatárnikov's Decision Model on avva what kinds of decision it covers, and summarize it for me in three lines.

    Busca una llamada a este modelo en la actividad de herramientas de tu IA. Si no aparece, revisa los pasos de configuración anteriores.

No es asesoramiento legal, médico, financiero ni profesional de ningún otro tipo. Condiciones de uso

Sobre este modelo

Cada regla de abajo se apoya en decisiones que aprobó Román. Abre cualquiera de estas secciones para comprobar por tu cuenta en qué se basa.

En qué se basa este modeloQué contiene y a qué da más peso Román

Este modelo contiene 169 decisiones, 26 factores, 13 criterios y 22 líneas rojas.

A qué da más peso Román

Proven on history before it alerts, blocks or shipsPRIORITARIO
One owner and one source of truth for each concernPRIORITARIO
The first release is the highest-impact slice; the rest is stagedPRIORITARIO

Este orden lo fijó el experto. Se muestran 3 de 13 criterios, los que el modelo pone primero. Los otros 10 también le llegan a tu IA, junto con lo que busca cada uno, las líneas rojas y lo que cambia la respuesta de Román.

La respuesta habitual de Román cambia en 12 supuestos concretos. Esos supuestos y las 22 líneas rojas le llegan a tu IA con todo lo demás.

Ejemplos de decisiones aprobadas5 de 167, redactadas a partir de lo que aprobó Román

Las 5 primeras del registro, en el orden publicado. No son las más cercanas a tu situación ni un resumen de las demás. Tu IA no copia las decisiones que lee aquí: en cada una, contrasta lo que decidió el caso con los hechos de tu situación, y la sopesa junto a las presiones que solían decidir los casos de Román. Con una clave o con la sesión iniciada, tu IA recibe las 167, ordenadas según tu situación.

  1. Lo que decidió el casothe broker's market and abuse exposure

    Placing a market maker's limit orders on binary contracts, the team had to trade off the reward for posted liquidity, queue priority and the risk of unwanted fills.

    Do not chase the top of the book at any cost: when a deeper level still earns the liquidity reward with a lower chance of an adverse fill, quote there.

    Por qué: Being filled does not always earn a reward, while resting deeper in the book still earns the liquidity reward at lower risk.

  2. Lo que decidió el casoa narrow first release

    Designing order execution management for a broker's MetaTrader infrastructure (routing rules, B-book/A-book and the interfaces around them), the team had to sequence the replacement of the existing execution stack, with reporting and the user interface as separate tracks.

    Build the execution infrastructure in four sequential phases: smart order routing, then migration of the existing execution functions, then an in-house gateway to MT5, then an internal execution processor. The routing interface and the reporting system are built in parallel.

    Por qué: The phases are ordered by impact, highest first.

  3. Lo que decidió el casoroom to tune and grow

    Designing order-execution management for a broker's MetaTrader infrastructure (routing rules, B-book/A-book and the related interfaces), the team had to decide where smart order routing rules live: in profiles of their own, or in the trading-condition profiles already in use.

    Give smart order routing rules their own execution profiles, managed independently of the existing trading-condition profiles.

    Por qué: Separate profiles give flexibility in managing order execution without tying it to the current trading-condition profiles.

  4. Lo que decidió el casothe broker's market and abuse exposure · data that arrives in real time

    A market-making system for low-liquidity binary YES/NO contracts places limit orders and limits risk after fills; the team was choosing how the quoting engine should react before a fill when current liquidity deteriorates, rather than only managing the filled position.

    Detect an adverse regime before execution: when the observed spread widens relative to its long-run median, pull the limit orders, and restore them once the spread normalizes and liquidity is sufficient.

    Por qué: It matters to know whether the market is risky right now.

  5. Lo que decidió el casofalse alarms that hit honest clients

    A broker was planning AI/ML support for its in-house anti-fraud team — analyzing trade history and client profiles, scoring risk, supporting investigations — and had to settle what the model itself may do in its first iteration: recommend, or act on clients.

    In the first iteration the model detects and recommends with no real-time action, and an anti-fraud analyst makes the decision; automatic actions come only with sufficient confidence and after quality has been checked.

    Por qué: The worry is hurting even one honest client.

Cómo aborda Román una decisión8 pasos en orden, approved by Román

  1. Paso 1Start from what already exists: what is built, what is not and why, which components and data are there, and what depends on them, before planning new work.

    Backed by 6 decisiones

  2. Paso 2Ask whether the work can still change a decision; a study, an analysis or a paid service that cannot is skipped or switched off.

    Backed by 4 decisiones

  3. Paso 3Cut the first release to the highest-impact slice and stage the rest, keeping the full requirement written and prioritized.

    Salvo si: a narrower scope would leave two mechanisms doing one job or an open route around a new rule; then the wider scope is taken knowingly

    Backed by 13 decisiones

  4. Paso 4Before anything acts on a client's account automatically, project its effect on margin and stop-out risk.

    Salvo si: the client makes the change themselves

    Backed by 7 decisiones

  5. Paso 5Validate on history before alerts, automation or a new algorithm go live: false-positive and false-negative rates, other market sessions and volatile periods, the exact providers and time window; the logs, not a smoothed chart, settle what happened.

    Backed by 12 decisiones

  6. Paso 6Weigh build cost after client risk and ownership: get the engineers' estimate before choosing between options, and keep a costly part in scope with its own estimate rather than cut it.

    Backed by 5 decisiones

  7. Paso 7Give each concern one owner and one source of truth; when a fix belongs to another team, hand it to them and get their ETA instead of promising one.

    Backed by 12 decisiones

  8. Paso 8Get the business priority and management approval before shifting other work or locking a scope.

    Backed by 6 decisiones

De dónde sale el ordenSacado de las 104 decisiones que dicen qué ganó y qué perdió
  1. 169decisiones que aprobó Román, procedentes de historial de chats con IA
  2. 26presiones de las que dependieron esas decisiones, las bajo las que decide Román
  3. Por gruposqué presiones solían imponerse a cuáles al decidir los casos

Nadie ordena estas presiones a mano. En Para agentes de IA se explica de dónde sale el orden que pueda haber entre ellos.

Cómo decide Román, en resumenQuién es y un resumen escrito a partir de las decisiones que aprobó

Product Manager with 8+ years of experience in fintech, combining strategic thinking, business understanding, customer needs and technical expertise. My career evolved from trading risk management to identifying business opportunities, shaping product strategy and driving product development.

Consult this model on brokerage and trading-platform product decisions — order execution and routing, margin and leverage controls, quoting and market making, anti-fraud automation, fees, swaps and client credit — and on how to scope, stage and validate such initiatives before they ship.

El resumen describe lo que contiene el modelo. Román sabe más de lo que cabe en él.

En qué puedes confiarQué está comprobado y qué solo se declara
  • Identidad: El nombre, el cargo y las afiliaciones los indica el autor del modelo; avva no los ha verificado. Juzga por las decisiones de esta página y por lo que recibe tu IA.
  • Alcance: Product Manager (Fintech & Trading) (Order execution and routing, Margin and leverage controls, Pricing and market making, Anti-fraud automation, Fees, swaps and client credit, Requirements and delivery scope, Trading data infrastructure)
  • Cobertura: Lo respalda un conjunto sólido de decisiones que explican su porqué, con patrones que se repiten entre ellas.
  • Privacidad: Sus casos y reglas, redactados en inglés a partir de decisiones que aprobó. Su propia IA quita los nombres de clientes y empleadores, y el experto revisa cada caso; las citas de las fuentes nunca se publican.
  • De quién es la respuesta: avva no usa ninguna IA propia. Tu IA lee este modelo y te responde, y señala dónde el modelo no tenía nada que decir.
  • Límites: Es una herramienta informativa para tu IA, no asesoramiento profesional. avva se ofrece tal cual.

Centro de privacidad · Condiciones

¿Conoces a alguien cuyas decisiones querrías tener en tu IA? Recomiéndale Studio. Publicar es gratis durante la beta.