Este prólogo enmarca el proyecto como tesis antes de que el resto del libro lo desarrolle como evidencia técnica y como manuscrito. La página única da la versión de un párrafo; la introducción abre el argumento científico; este capítulo responde a las preguntas que un jurado hace primero: por qué este problema, por qué este alcance, y cómo leer el documento.

3.1 El problema, antes del método

La asignación de crédito es una decisión bajo incertidumbre que se toma millones de veces y cuyo error se mide en dinero real. La práctica dominante reduce esa incertidumbre a un número —una probabilidad de incumplimiento (PD) puntual— y optimiza como si ese número fuera exacto. Cuando la estimación falla —por cambio de régimen macroeconómico, drift temporal o simple error de calibración— la pérdida se materializa antes de que el monitoreo la detecte, y la decisión ya asignó capital sobre una certeza que no existía.

La tesis parte de una incomodidad concreta con esa práctica: la incertidumbre predictiva suele tratarse como un diagnóstico posterior, no como una restricción que pueda cambiar a quién se le presta. CRPTO propone lo contrario —llevar la incertidumbre conformal al optimizador como conjunto de restricciones robustas— y lo hace de forma deliberadamente auditable, porque en crédito una decisión que no se puede explicar a un comité de riesgo no se puede desplegar.

3.2 Naturaleza y límites honestos del proyecto

Para que el jurado lea la evidencia con el contrato correcto, conviene fijar desde el inicio qué es y qué no es esta tesis (el detalle operativo está en docs/ACADEMIC_CONTEXT.md):

Dimensión Esta tesis
Autoría Single-author; la validación independiente se simula con controles programáticos, no se delega a un equipo.
Datos Panel histórico estático de Lending Club (2007–2020); no hay originación nueva ni streaming.
Destino Aporte académico + manuscrito para INFORMS Journal on Data Science; no es un sistema en producción.
Champion Congelado y verificado por hash; los resultados no se reabren sin un protocolo de búsqueda aprobado.

Estos límites no son disculpas: son la frontera que mantiene cada afirmación trazable a un artefacto congelado. La contribución de la tesis es precisamente la disciplina de no afirmar más de lo que el certificado exacto del funded set sostiene.

3.3 Objetivos de la tesis

  1. Construir un puente reproducible desde una PD calibrada congelada hasta una decisión de portafolio robusta, vía intervalos conformales Mondrian (Capítulos Capítulo 6, Capítulo 7).
  2. Demostrar que ese puente admite un certificado exacto de no-cobertura ponderada sobre el funded set, con una garantía distribution-free tipo Markov (Capítulo marco teórico).
  3. Auditar la decisión bajo los marcos de gobernanza que un regulador esperaría —MRM SR 11-7, fair lending, trazabilidad de artefactos— en lugar de reportar solo métricas predictivas (gobernanza, fair lending, trazabilidad).
  4. Delimitar la contribución frente a la literatura más cercana (predict-then-optimize, optimización robusta data-driven, conformal en crédito, frontera miscoverage–regret), declarando explícitamente qué queda como trabajo futuro (conclusiones).

3.4 Cómo leer esta tesis

El libro tiene dos lecturas según la audiencia:

La regla de oro entre ambas lecturas es la del mapa para reviewers: cada afirmación fuerte apunta a una evidencia visible, un artefacto y una prueba de sincronía. Lo que sigue es el desarrollo de esa cadena.