9  Discusión y Conclusiones

El CRPTO articula la tesis más ambiciosa del proyecto: convertir incertidumbre predictiva en un objeto directamente útil para optimización de decisión. La evidencia actual ya permite sostener tres conclusiones provisionales.

Conviene leer este capítulo como una pieza focalizada y no como sinónimo de la tesis completa. La tesis integra además implementación end-to-end, arquitectura documental, benchmarking GPU, narrativa IFRS9 y agenda de investigación; el CRPTO recorta ese universo para defender una pregunta más precisa: cuando una banda conformal deja de ser solo diagnóstico y pasa a modificar una decisión financiera de forma económica y metodológicamente justificable.

9.0.1 Implicaciones prácticas para gestores de portafolio

Los resultados del CRPTO tienen consecuencias directas para la gestión operativa de portafolios de crédito. En primer lugar, la frontera eficiente entre nivel conformal y retorno económico (véase Capítulo 7) proporciona un mapa de decisión que los gestores pueden navegar segun su apetito de riesgo institucional. Un gestor conservador puede seleccionar un nivel de confianza alto (\(1-\alpha = 0.95\)), aceptando intervalos más anchos y portafolios más defensivos, mientras que un gestor agresivo puede operar en niveles más bajos, asumiendo mayor exposición a cambio de mayor retorno esperado.

En segundo lugar, la trazabilidad completa del pipeline — desde la PD calibrada hasta la decisión de portafolio, pasando por intervalos con cobertura verificable — simplifica sustancialmente la gobernanza ante comités de riesgo. Un auditor puede verificar la cobertura empírica del intervalo conformal, examinar models/final_project_promotion.json y models/champion_portfolio_policy.json donde la política final queda congelada, y evaluar la sensibilidad de la decisión ante cambios en $`. Esta capacidad de auditoría no es accesoria: en el contexto de los lineamientos SR 11-7 de la Fed y las expectativas del BCE sobre validación de modelos, la transparencia del proceso decisional es un requisito operativo.

Finalmente, el cierre final del proyecto añade una lectura más madura que la versión previa: no basta con saber que existe una policy alpha01-safe; ahora sabemos que existe una región robusta completa en el OOT total. Eso es muy valioso en gestión de riesgo porque evita depender de un punto de tuning frágil. La institución puede escoger entre puntos cercanos con distinto balance retorno-tightness sin salirse de la región exacta.

9.0.2 Conexiones con IFRS9 y SICR

Aunque CRPTO no es un modelo IFRS9 per se, deja dos conexiones operativas con la cadena de provisionamiento que un comité de riesgo va a notar inmediatamente. La versión autocontenida del libro conserva esas conexiones como evidence card regulatoria en Capítulo 30, no como dependencia de un capítulo externo ni como segunda contribución del paper.

  1. Ancho del intervalo conformal como señal SICR auxiliar. La señal curada usa el ancho del intervalo conformal \((p_i^H - p_i^L)\) como alerta complementaria al criterio clásico de SICR. El resultado que vale la pena retener es compacto: umbral t*=0.30, recall de defaults omitidos 75.8% y lectura prudencial adicional. Esa señal no cambia el funded set oficial ni la región robusta; sirve para mostrar que la incertidumbre conformal tiene una traducción regulatoria defendible.
  2. Sensibilidad de ECL al \(\alpha\) conformal. Al mover el nivel de confianza del 90% al 99%, la ECL proxy aumenta aproximadamente +22% bajo la misma PD calibrada porque la cota superior \(p_i^H(\alpha)\) se ensancha. Esa palanca no aparece en pipelines IFRS9 tradicionales basados solo en PD puntual; en CRPTO queda expuesta como implicación aplicada de la capa conformal, no como claim contractual IFRS9.

La regla editorial es importante: el CRPTO no presenta IFRS9 como contribución propia, sino como una conexión operativa que la tesis puede explotar y que la versión journal puede mover a appendix. El claim del paper queda deliberadamente más estrecho: la capa conformal produce cantidades (width, \(p_i^H(\alpha)\), sensibilidad a \(\alpha\)) que ya son computables desde artefactos existentes y que pueden alimentar análisis prudenciales sin re-entrenar la PD. Si esta conexión entra al manuscrito corto, debe ir como implicación aplicada, no como contribución central de CRPTO.

9.0.3 Roadmap causal-heterogeneity para personalización

La heterogeneidad causal queda como ruta de investigación, no como evidencia local del champion. La razón es deliberada: integrar pricing causal cambia la pregunta del paper de “¿puedo construir una decisión robusta auditable?” a “¿puedo personalizar tasa por loan basado en CATE estimado?”, que es un paper distinto y requeriría un protocolo propio de identificación, sensibilidad y evaluación contrafactual.

Tres líneas concretas para una extensión causal del proyecto:

  1. Pricing personalizado. Reemplazar el retorno fijo \(r_i\) del LP por un retorno dependiente de la tasa óptima causal \(r_i(\hat{\tau}_i^*)\), donde \(\hat{\tau}_i^*\) es la tasa que maximiza expected net value condicional en covariables. Esto convertiría el LP en un problema de pricing-aware portfolio.
  2. CATE como segunda dimensión Mondrian. Usar el rango de CATE estimado como partición Mondrian secundaria, complementando score_decile. Eso aislaría grupos donde el efecto causal de la intervención (e.g., descuento de tasa) es heterogéneo y la incertidumbre sobre PD es de origen distinto.
  3. Validación causal del bound. Verificar que el bound conformal del paper se mantiene cuando se aplica una intervención de tasa derivada del CATE. Esto requiere counterfactual evaluation y conecta con la literatura reciente de causal conformal prediction.

La lectura editorial es que CATE queda fuera del paquete autocontenido CRPTO salvo como future work explícito. No debe citarse como evidencia del champion actual: para entrar a una versión journal como appendix experimental habría que re-evaluar el bound sobre un funded set causal-augmented y separar claramente pricing personalizado de selección robusta de portafolio.

9.0.4 Comparación con métodos existentes

Es importante situar la contribución del CRPTO en relación con los enfoques clásicos de gestión de portafolio bajo incertidumbre. La optimización media-varianza de Markowitz asume normalidad de retornos y estima la matriz de covarianza a partir de datos históricos; ambos supuestos son frágiles en crédito, donde las distribuciones de pérdida son fuertemente asimétricas y las correlaciones entre defaults cambian con el ciclo económico. El modelo Black-Litterman mejora la situación incorporando views del gestor, pero esas views siguen siendo puntuales y no llevan garantías formales de cobertura.

La optimización robusta clásica de (Bertsimas & Sim, 2004) resuelve parcialmente el problema al no requerir supuestos distribucionales específicos, pero deja abierta la pregunta de como calibrar el tamaño del conjunto de incertidumbre. El enfoque CRPTO responde a esa pregunta de forma natural: el conjunto de incertidumbre hereda directamente la garantía de cobertura del intervalo conformal, y su tamaño se ajusta empíricamente al nivel de confianza \(1-\alpha\) elegido.

La comparación teórica más cercana ya no es solo con robust optimization clásica, sino con la familia reciente de conformal risk control y con el paradigma emergente de predict-then-calibrate. (Bates et al., 2021) y (Angelopoulos, Bates, et al., 2025) muestran cómo calibrar predictores para controlar una pérdida o riesgo distribution-free, mientras (Angelopoulos et al., 2024) formaliza ese control para pérdidas monotónicas generales. Por otro lado, (Sun et al., 2024) proponen separar predicción de calibración para LP contextuales robustos, logrando garantías de cobertura sobre el vector de costos independientes del modelo predictivo. Nuestro aporte no reemplaza esos marcos: los aterriza en una instancia decision-aware donde la pérdida relevante es la no cobertura ponderada por el funded set y donde esa cantidad se traduce en una restricción lineal de riesgo para portafolio. La diferencia clave con PtC es el nivel operativo de lectura: ellos aseguran que el parámetro está cubierto (\(c \in \mathcal{U}\)); nosotros conectamos la no cobertura ponderada de un target acotado con una cota Markov sobre la violación del portafolio (\(\mathbb{P}(\text{violación} > t) \leq \alpha/t\)), bajo los supuestos explícitos del thm-conformal-feasibility. Esa especialización es precisamente lo que permite conectar el bound con una política exacta promovida y con la región robusta observada en el OOT completo.

La comparación con SPO+ (Elmachtoub & Grigas, 2022) es particularmente reveladora. El artefacto local A19/Figura 15 reporta que SPO+ reduce el regret en 49.09% frente al enfoque two-stage clásico (0.216837 contra 0.425896, Wilcoxon p = 1.39e-164). El closeout PyEPO 1.3.7 del carril DFL conserva la misma lectura bajo un protocolo pareado separado: 48.51% (0.184366 contra 0.358073, Wilcoxon p = 3.80e-163). Esos resultados confirman la tesis de Elmachtoub y Grigas de que entrenar end-to-end para la decisión produce mejores decisiones que entrenar para la predicción. Sin embargo, SPO+ opera como una caja negra decisional: su calidad depende de que la distribución de entrenamiento se mantenga estable, y no ofrece mecanismos verificables de protección ante colas de riesgo. CRPTO, en cambio, paga un precio de regret mayor pero obtiene a cambio: (i) cobertura verificable y una reapertura conformal más eficiente, (ii) trazabilidad completa para auditoría regulatoria (SR 11-7), y (iii) una región robusta exacta donde la policy final puede elegirse por tightness teórica y no solo por retorno. La pregunta relevante para un gestor de portafolio no es “cual tiene menor regret?” sino “cual puedo defender ante el comité de riesgos?”.

El análisis de estabilidad bajo distributional shift (véase Sección 7.0.8) refuerza esta lectura con evidencia empírica. A lo largo de cinco periodos OOT donde la tasa de default cae de 24.5% a 1.35%, la cobertura conformal se mantiene por encima del target 90% en todos los periodos (rango 92.07%–98.58%). SPO+ también muestra regret estable en este dataset (0.074–0.087), lo cual confirma que es un comparador formidable; pero esa estabilidad empírica en un único evento de shift no equivale a la garantía formal que la cobertura conformal ofrece por construcción. Un regulador puede auditar la cobertura realizada; no puede auditar si el regret de SPO+ se mantendrá bajo el próximo cambio de régimen.

La región robusta final cambia además la lógica editorial del cierre. Antes, la discusión podía leerse como una búsqueda de “la” policy alpha01-safe; ahora sabemos que el resultado empírico fuerte es una región exacta completa de políticas viables. Con eso, el economic champion pasa a ser el mejor retorno dentro de los passers y queda además como champion oficial unificado del proyecto, mientras el balanced comparator y el comparator theorem-tight documentan el trade-off interno de la región. Las mejoras teóricas discutidas abajo no reordenan hoy ese cierre; más bien explican por qué la región es informativa y por qué la política oficial puede elegirse sin ambigüedad.

Frente al bootstrap, que requiere re-entrenar el modelo múltiples veces y no ofrece garantías finitas de cobertura, y frente a BMA, cuya cobertura depende de la correcta especificación del espacio de modelos, los intervalos conformales ofrecen una combinación única de simplicidad computacional y garantías formales.

La clasificación dentro del marco de decisión secuencial de Powell (2026) refuerza esta lectura. Powell organiza las políticas de decisión bajo incertidumbre en cuatro meta-clases: PFA (reglas analíticas simples), CFA (optimización con parámetros que aproximan la incertidumbre), VFA (funciones de valor aproximadas) y DLA (programación estocástica con simulación). Nuestro pipeline CRPTO se clasifica como una política CFA paramétrica (véase Sección 5.0.6): el LP determinista con restricción conformal \(\sum w_i u_i(\alpha) \leq \tau\) es una simplificación del programa estocástico intratable que enumeraría todas las realizaciones posibles de default (una DLA). Bajo esta lente, SPO+ puede entenderse como una técnica de policy gradient search que optimiza los parámetros del predictor para minimizar regret de decisión, mientras que CRPTO opera como una CFA cuyo parámetro de sintonización \(\alpha\) tiene semántica estadística directa: la garantía de cobertura conformal se traduce en una garantía de factibilidad del portafolio (thm-conformal-feasibility). La distinción es operativamente relevante: un auditor puede verificar la cobertura empírica del intervalo conformal que fundamenta la CFA; no puede verificar si el regret de SPO+ se mantendrá estable bajo un cambio de régimen futuro.

9.0.5 Conclusiones

  1. Los intervalos conformales funcionan como conjuntos de incertidumbre operativos y trazables, con cobertura empírica consistente con la garantía teórica.
  2. Frente a baselines simples, ofrecen mejor compromiso entre cobertura, anchura y estabilidad por grupo, particularmente en los segmentos de mayor riesgo donde la incertidumbre es más relevante para la decisión.
  3. La mejora decisiva del proyecto no fue solo estadística: la monotonicidad, la calibración Venn-Abers y la gobernanza approval-based hicieron que el stack completo fuera mucho más defendible para uso regulado.
  4. El nivel conformal puede interpretarse como una palanca de robustez con consecuencias económicas observables, lo cual convierte un parámetro estadístico en una herramienta de gestión.
  5. El cierre final ya no depende de un punto frágil: en el OOT completo aparece una región robusta completa, y el proyecto puede promover sin ambigüedad el economic champion como policy oficial dentro de esa región.

9.0.6 Limitaciones

La versión actual todavía enfrenta límites claros que deben ser reconocidos explícitamente:

  • Dataset estático: Lending Club es un dataset cerrado (2007–2020) que no permite evaluar el comportamiento del sistema ante datos verdaderamente nuevos. Los resultados OOT (2018–2020) simulan un escenario prospectivo, pero no equivalen a un despliegue en producción con datos en streaming.
  • Ausencia de conformal online: el pipeline actual recalibra los intervalos conformales sobre un set de calibración fijo. En un entorno productivo, sería deseable usar variantes de conformal prediction adaptativa (Gibbs & Candès, 2021) que ajusten la cobertura ante distribution shift.
  • Champion de activo único, con réplica externa estática: el certificado exacto promovido sigue anclado a Lending Club y no debe leerse como una garantía universal. La réplica en Prosper y Freddie/Mendeley reduce la crítica de “un solo dataset”, pero sigue siendo evidencia histórica estática; tarjetas de crédito, crédito corporativo o despliegues live requerirían protocolos específicos.
  • Holgura de la cota teórica: el thm-conformal-feasibility establece la correspondencia formal entre \(\alpha\) y la garantía de factibilidad del portafolio, pero la cota es Markov-tight (la mejor posible sin supuestos distribucionales adicionales). El cierre bound-aware la vuelve mucho más útil empíricamente, pero no elimina su conservadurismo teórico. El lem-conditional-tightening agrega el tightening Hoeffding/Bernstein bajo independencia condicional; aún así, debe leerse como resultado condicional y no como reemplazo del teorema principal.
  • Selección conformal aún no entrenada decision-aware: la variante conformal promovida se eligió por cobertura, ancho, cobertura mínima de grupo y Winkler, y la política bound-aware se seleccionó después sobre la frontera robusta. La auditoría CRPTO ya agrega un selector tipo CROMS sobre finalists existentes (tabla A5) y evaluación exacta para ranks 1–3 (tabla A10), pero una extensión más ambiciosa sigue siendo entrenar o calibrar el score conformal usando directamente riesgo decisional, retorno robusto, V, gamma_cp y violación.
  • Fairness proxy, no atributos protegidos directos: el checkpoint de fair lending ya evalúa 3 atributos base y 3 cruces interseccionales proxy sobre el funded set, todos PASS con outcome_mode=approval y threshold=0.35 (véase Sección 15.1). La limitación real no es ausencia de intersección, sino ausencia de atributos protegidos directos en Lending Club abierto (raza, género, edad) y ausencia de monitoreo fairness temporal prospectivo. Una extensión relevante sería repetir la auditoría con atributos protegidos observados en una fuente autorizada, o con monitoreo online de disparidad por periodo.
  • Portafolio uniperiodo: la formulación actual opera en \(T = 1\) bajo el marco de Powell (2026): una sola decisión de asignación seguida de una observación de defaults. No incorpora costos de transacción, rebalanceo ni la secuencia adaptativa de decisiones (\(S_0, x_0, W_1, S_1, x_1, W_2, \dots\)) que caracteriza la gestión real de carteras. La extensión a un problema genuinamente secuencial — donde la función de transición \(S^M\) capture la evolución del portafolio y el estado de creencias \(B_t\) incorpore recalibración conformal online — constituye el camino natural hacia una implementación productiva (véase Sección 9.0.8).

9.0.7 Threats to validity

  • la cota del thm-conformal-feasibility es conservadora (Markov); cotas más ajustadas requieren supuestos de independencia que split conformal no garantiza estrictamente;
  • el resultado económico depende de una policy y un run concretos, aunque el 276k final, la confirmacion temporal estricta de la tabla A9 y la región robusta completa reducen ese riesgo;
  • el análisis de estabilidad bajo distributional shift (Sección 7.0.8), los stress tests sintéticos de la tabla A6, el stress endurecido por flips de labels de la tabla A11 y las réplicas Prosper/Freddie de A25–A34 confirman que la cobertura conformal se mantiene en cortes y datasets relevantes. Una validación más fuerte requeriría un split prospectivo declarado antes de cualquier búsqueda o datos live posteriores al diseño del protocolo.

9.0.8 Trabajo futuro

El paquete journal del proyecto ya no es una hoja de ruta de pendientes: las prioridades P0, P1 y P2 están implementadas como evidencia reproducible en el apéndice journal (Sección 12.1), y por eso esta versión del libro las presenta como evidencia y no como promesa. En concreto:

  • P0 — sincronización. El economic champion y el bound exacto coinciden entre models/final_project_promotion.json, DVC y las tablas paper-facing (guardrail tests/test_crpto_final_sync.py).
  • P1 — robustez post-selección. Progresión 5K–25K–276K y holdout temporal estricto (A3, A9), selector tipo CROMS con eval exacta de ranks 1–3 (A5, A10), tightening condicional Hoeffding/Bernstein (lem-conditional-tightening y apéndice de dependencia), y sensibilidad periodo-segmento, composición del funded set y stress sintético (A4, A6–A8, A11).
  • P1/J — paquete journal. Tail risk, satisficing, dependencia, stress temporal, bootstrap, LGD/caps, región robusta por familia, regret-auditability, re-opt de cola, multi-distribución, online ACI, réplica externa y precio de robustez cross-dataset (A12–A34), trazados en models/crpto_journal_package_status.json, models/crpto_distribution_robustness_status.json y models/crpto_multidataset_external_status.json.
  • P2 — extensiones decision-aware y robustas, ya materializadas sin reabrir el champion. Re-optimización con restricción de cola CVaR/OCE como constraint activo de selección (A22, Sección 12.1), robustez multi-distribución por grade y celda grade \(\times\) vintage (A23, en el espíritu de (Bhattacharyya & Barber, 2026; Yang & Jin, 2026)), diagnóstico de estabilidad conformal online tipo ACI sobre la secuencia de vintages (A24, (Angelopoulos, Jordan, et al., 2025; Gibbs & Candès, 2021; Liu et al., 2026)) y réplica económica externa en Prosper/Freddie (A25–A34).

Lo que queda fuera de esta versión es deliberadamente otro paper, no un pendiente de éste: entrenar la selección conformal end-to-end por decisión loss (Yeh, Christianson, Wierman, et al., 2025; Yeh, Christianson, Wu, et al., 2025), ampliar a validación prospectiva/live con protocolo sellado, y desplegar la política en un ciclo de originación genuinamente secuencial (Powell, 2026) con recalibración online real (Capitaine et al., 2026). Esos frentes requieren datos o un protocolo que este proyecto, por diseño (paneles históricos, single-author, sin producción), no puede cerrar aquí; ninguno reabre el champion congelado.

9.0.9 Reproducibility appendix

La reproducibilidad del paper está mejor resuelta que su cierre teórico. El capítulo se apoya en:

  • data/processed/model_comparison.json
  • data/processed/pipeline_summary.json
  • data/processed/alpha_sweep_pareto_both.parquet
  • data/processed/bma_comparison.parquet
  • data/processed/crpto_vs_spo_stability.json + crpto_vs_spo_stability_detail.parquet
  • models/final_project_promotion.json
  • models/champion_portfolio_policy.json
  • data/processed/final_project_summary.parquet
  • data/processed/portfolio_bound_aware/rank1_alpha01_bound_aware_276k_full_2026-04-05-1734/portfolio_bound_aware_bound_eval.parquet
  • models/crpto_evidence_status.json
  • reports/crpto/tables/crpto_tableA3_nested_holdout.csv
  • reports/crpto/tables/crpto_tableA4_segment_period_sensitivity.csv
  • reports/crpto/tables/crpto_tableA5_decision_aware_selector.csv
  • reports/crpto/tables/crpto_tableA6_synthetic_shift.csv
  • reports/crpto/tables/crpto_tableA7_funded_set_loans.csv
  • reports/crpto/tables/crpto_tableA8_funded_set_composition.csv
  • reports/crpto/tables/crpto_tableA9_strict_temporal_holdout.csv
  • reports/crpto/tables/crpto_tableA10_conformal_finalist_exact_bound_eval.csv
  • reports/crpto/tables/crpto_tableA11_enhanced_synthetic_shift.csv
  • reports/crpto/tables/crpto_tableA12_tail_risk_oce_cvar.csv
  • reports/crpto/tables/crpto_tableA13_satisficing_margins.csv
  • reports/crpto/tables/crpto_tableA14_dependency_cluster_diagnostics.csv
  • reports/crpto/tables/crpto_tableA15_leave_one_period_stress.csv
  • reports/crpto/tables/crpto_tableA16_bootstrap_funded_set_metrics.csv
  • reports/crpto/tables/crpto_tableA17_budget_cap_lgd_sensitivity.csv
  • reports/crpto/tables/crpto_tableA18_robust_region_policy_family.csv
  • reports/crpto/tables/crpto_tableA19_regret_auditability_frontier.csv
  • reports/crpto/tables/crpto_tableA20_tail_satisficing_challenger_audit.csv
  • reports/crpto/tables/crpto_tableA21_cluster_bound_tightening.csv
  • reports/crpto/tables/crpto_tableA22_tail_constrained_reoptimization.csv
  • reports/crpto/tables/crpto_tableA23_multidistribution_robustness.csv
  • reports/crpto/tables/crpto_tableA24_online_conformal_stability.csv
  • reports/crpto/tables/crpto_tableA25_external_replication_gate.csv
  • reports/crpto/tables/crpto_tableA26_external_candidate_sensitivity.csv
  • reports/crpto/tables/crpto_tableA27_freddie_horizon_sensitivity.csv
  • reports/crpto/tables/crpto_tableA28_external_lp_exhaustiveness.csv
  • reports/crpto/tables/crpto_tableA29_freddie_mondrian_sparse_group_audit.csv
  • reports/crpto/tables/crpto_tableA30_external_metric_intervals.csv
  • reports/crpto/tables/crpto_tableA31_external_subperiod_metrics.csv
  • reports/crpto/tables/crpto_tableA32_prosper_default_definition_sensitivity.csv
  • reports/crpto/tables/crpto_tableA33_freddie_segment_sensitivity.csv
  • models/crpto_journal_package_status.json
  • models/crpto_multidataset_external_status.json
  • docs/research/crpto_journal_package_2026-05-04.md
  • docs/research/crpto_conditional_tightening_appendix_2026-05-04.md

Además, la carpeta reports/crpto/figures/ conserva las figuras editoriales congeladas para escritura y revisión.

La tabla siguiente convierte esa trazabilidad en una regla de defensa editorial: cada claim importante debe tener un artefacto y un guardrail.

Nota dual-tag (post-promoción pool93, 2026-07-02): las filas de champion y retorno describen la cadena upstream congelada (rebaseline ijds-rebaseline-2026-06-07), que hoy actúa como floor declarado del pool93. El body claim del paper IJDS es el punto pool93 ($184,832.48, V=0.035350, Γ_CP=0.162616), vigilado por tests/test_pool93_body_claim_sync.py.

Tabla 9.1: Mapa claim–artefacto–test para la versión journal
Claim Artefacto canónico Guardrail / verificación
Champion upstream congelado = economic champion (histórico, floor) models/final_project_promotion.json, models/champion_portfolio_policy.json tests/test_crpto_final_sync.py
Retorno de la cadena congelada $170.5K (= floor pool93) final_champion.realized_total_return Tabla crpto_table0_key_metrics.csv y DVC metric crpto.final.robust_return
Body point IJDS pool93 $184,832.48, 8/8 y baseline A40 gobernanza certificate-semantics-v2, tablas A35–A40 tests/test_pool93_body_claim_sync.py
alpha01_exact_pass=true final_champion.alpha01_exact_pass Guardrail de sync del CRPTO
V=0.028875, gamma_cp=0.187987, violation=0 final_champion y bound eval 276k Guardrail de sync + tablas paper-facing
Región robusta 45/45 robust_region_summary DVC metrics crpto.final.robust_region_*
Winner conformal coverage_90=92.97% conformal_upstream.winner_metrics scripts/export_crpto_tables.py
P1 post-selección 5K–25K–276K y holdout temporal estricto crpto_tableA3_nested_holdout.csv, crpto_tableA9_strict_temporal_holdout.csv, crpto_evidence_status.json test_crpto_p1_evidence_artifacts_exist
P1 selector CROMS-style + exact finalists crpto_tableA5_decision_aware_selector.csv, crpto_tableA10_conformal_finalist_exact_bound_eval.csv test_crpto_p1_evidence_artifacts_exist
P1 segment/funded-set/shift sensitivity crpto_tableA4_segment_period_sensitivity.csv, crpto_tableA7_funded_set_loans.csv, crpto_tableA8_funded_set_composition.csv, crpto_tableA6_synthetic_shift.csv, crpto_tableA11_enhanced_synthetic_shift.csv test_crpto_p1_evidence_artifacts_exist
Journal package A12–A34 crpto_tableA12_tail_risk_oce_cvar.csv–crpto_tableA34_price_of_robustness_cross_dataset.csv, crpto_fig1, crpto_fig12–crpto_fig25 test_crpto_final_sync, test_build_crpto_journal_package_script_runs, scripts/build_multidataset_external_replication.py y auditorías P2 complementarias
P2 re-optimización de cola y robustez multi-distribución/online (A22–A24) crpto_tableA22_tail_constrained_reoptimization.csv, crpto_tableA23_multidistribution_robustness.csv, crpto_tableA24_online_conformal_stability.csv, crpto_tail_constrained_reopt_status.json, crpto_distribution_robustness_status.json test_crpto_tables_and_figures_exist
Réplica económica externa (A25–A34) crpto_tableA25_external_replication_gate.csv–crpto_tableA34_price_of_robustness_cross_dataset.csv, crpto_fig22_external_replication–crpto_fig25_price_of_robustness_scaling scripts/build_multidataset_external_replication.py, scripts/build_price_of_robustness_cross_dataset.py y models/crpto_multidataset_external_status.json
PD operativo AUC/Brier/ECE data/processed/pipeline_summary.json, reports/dvc/metrics_summary.json Comparación solo dentro de familia PD
Ownership DVC/Git correcto dvc.yaml, dvc.lock, punteros .dvc test_dvc_outputs_are_not_tracked_directly_by_git

9.0.10 Próximo paso editorial

La mejor continuacion no es expandir alcance indiscriminadamente, sino endurecer el claim central con una versión journal:

  1. defender el paper actual como CRPTO post-hoc auditable con el champion económico ya congelado;
  2. si el venue lo exige, elevar el holdout temporal estricto actual a un protocolo prospectivo declarado antes de la búsqueda;
  3. presentar el lem-conditional-tightening como apéndice teórico condicional, manteniendo Markov como claim principal;
  4. ampliar la réplica externa estática de A25–A34 hacia un protocolo prospectivo sellado cuando exista una fuente nueva o live;
  5. construir una segunda contribución, no mezclada con el paper actual, donde CROMS / OCE-CVaR / online conformal conviertan la selección conformal en una capa plenamente decision-aware entrenada desde el inicio.

9.0.11 Conclusión general

En síntesis, el CRPTO demuestra que el enfoque Conformal Robust Predict-then-Optimize (CRPTO) puede trascender el rol tradicional de los intervalos conformales como herramienta diagnostica para convertirlos en un insumo operativo de decisión financiera. La combinación de una PD monotónica calibrada, intervalos con cobertura verificable y un programa lineal robusto parametrizado por esos intervalos produce un sistema que es simultáneamente más defensible ante auditoría y más sensible ante cambios en el régimen de riesgo.

La comparación con SPO+ ilumina la contribución real: CRPTO no compite en regret (donde SPO+ es superior por diseño: 49.09% en A19/Figura 15 y 48.51% en el closeout PyEPO pareado) sino en auditabilidad y gobernanza — dimensiones que la literatura de decision-focused learning ha tratado como secundarias pero que son centrales en crédito regulado. Aunque las limitaciones identificadas — dataset estático, clase de activo única, holgura de la cota teórica — exigen cautela en la generalización, la evidencia empírica presentada sostiene algo más fuerte que en la versión previa: el teorema ya no está solo “bien armado”, sino sincronizado con una policy promovida exacta y con una región robusta completa en el OOT total. Con eso, el paper queda bien posicionado como pieza bandera de la agenda de maestría.

La guía editorial (docs/research/crpto_editorial_claims_references.qmd) deja la traducción final para escritura: cuales claims entran al paper, cuales van a appendix, que preguntas de reviewer ya tienen respuesta y que referencias numeradas locales sostienen cada parte del argumento.