6  Discusion y Conclusiones

El CRPTO articula la tesis mas ambiciosa del proyecto: convertir incertidumbre predictiva en un objeto directamente util para optimizacion de decision. La evidencia actual ya permite sostener tres conclusiones provisionales.

Conviene leer este capitulo como una pieza focalizada y no como sinonimo de la tesis completa. La tesis integra ademas implementacion end-to-end, arquitectura documental, benchmarking GPU, narrativa IFRS9 y agenda de investigacion; el CRPTO recorta ese universo para defender una pregunta mas precisa: cuando una banda conformal deja de ser solo diagnostico y pasa a modificar una decision financiera de forma economica y metodologicamente justificable.

6.0.1 Implicaciones practicas para gestores de portafolio

Los resultados del CRPTO tienen consecuencias directas para la gestion operativa de portafolios de credito. En primer lugar, la frontera eficiente entre nivel conformal y retorno economico (vease Capítulo 5) proporciona un mapa de decision 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 mas anchos y portafolios mas defensivos, mientras que un gestor agresivo puede operar en niveles mas bajos, asumiendo mayor exposicion a cambio de mayor retorno esperado.

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

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

6.0.2 Conexiones con IFRS9 y SICR

Aunque CRPTO no es un modelo IFRS9 per se, hereda dos conexiones operativas con la cadena de provisionamiento que un comité de riesgo va a notar inmediatamente:

  1. Ancho del intervalo conformal como señal SICR auxiliar. El paper de IFRS9 paralelo (capítulo 15) y el chapter 10c-sicr-conformal-signal muestran que el ancho del intervalo conformal \((p_i^H - p_i^L)\) funciona como signal complementario al criterio clásico de SICR (incremento de PD > 2% absoluto o DPD ≥ 30 días). Cuando el ancho excede el percentil 90 del portafolio y la PD puntual no mejora, el préstamo migra a Stage 2 con lifetime PD. La consecuencia económica es directa: los préstamos del funded set con intervalo ancho contribuyen más a V y, en la cadena IFRS9, también gatillan más provisión.
  2. Sensibilidad de ECL al \(\alpha\) conformal. El chapter 13b-alpha-sweep-pareto y la auditoría IFRS9 documentan que mover \(\alpha\) del 90% al 99% incrementa la ECL agregada en aproximadamente +22% bajo el mismo modelo PD calibrado, simplemente porque la cota superior \(p_i^H(\alpha)\) se ensancha. Esa palanca no aparece en pipelines IFRS9 tradicionales que usan PD puntual; en CRPTO está expuesta como parámetro, y eso permite al comité de riesgo elegir explícitamente cuánta protección quiere financiar.

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 el journal version 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 IFRS9 sin re-entrenar la PD. Si esta conexión entra al manuscrito corto, debe ir como implicación aplicada, no como contribución central de CRPTO.

6.0.3 Roadmap causal-heterogeneity para personalización

El proyecto tiene implementado un pipeline causal completo (DML lineal, causal forest, refutación DoWhy en 08c-causal-inference, cate_portfolio_status.json) que estima ATE de aproximadamente 0.83% sobre la decisión de tasa de interés y CATE heterogéneo con cate_std = 0.0186. Sin embargo, CRPTO no integra ese pipeline causal en la decisión de portafolio del paper actual. La razón es deliberada: la integración 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.

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 optima 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 existe en el repo como carril aplicado separado (la regla discount_100_only y los artefactos cate_portfolio_status.json documentan una oportunidad económica), pero el CRPTO lo deja como future work explícito para no diluir la contribución central. No debe citarse como evidencia del champion CRPTO actual: para entrar al journal version 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.

6.0.4 Comparacion con metodos existentes

Es importante situar la contribucion del CRPTO en relacion con los enfoques clasicos de gestion de portafolio bajo incertidumbre. La optimizacion media-varianza de Markowitz asume normalidad de retornos y estima la matriz de covarianza a partir de datos historicos; ambos supuestos son fragiles en credito, donde las distribuciones de perdida son fuertemente asimetricas y las correlaciones entre defaults cambian con el ciclo economico. El modelo Black-Litterman mejora la situacion incorporando views del gestor, pero esas views siguen siendo puntuales y no llevan garantias formales de cobertura.

La optimizacion robusta clasica de (Bertsimas & Sim, 2004) resuelve parcialmente el problema al no requerir supuestos distribucionales especificos, pero deja abierta la pregunta de como calibrar el tamano del conjunto de incertidumbre. El enfoque CRPTO responde a esa pregunta de forma natural: el conjunto de incertidumbre hereda directamente la garantia de cobertura del intervalo conformal, y su tamano se ajusta empiricamente 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 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 comparacion con SPO+ (Elmachtoub & Grigas, 2022) es particularmente reveladora. SPO+ logra un 49.1% de reduccion de regret respecto al enfoque two-stage clasico — un resultado impresionante que confirma la tesis de Elmachtoub y Grigas de que entrenar end-to-end para la decision produce mejores decisiones que entrenar para la prediccion. Sin embargo, SPO+ opera como una caja negra decisional: su calidad depende de que la distribucion de entrenamiento se mantenga estable, y no ofrece mecanismos verificables de proteccion 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 auditoria 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 comite de riesgos?”.

El analisis de estabilidad bajo distributional shift (vease Sección 5.0.8) refuerza esta lectura con evidencia empirica. 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+ tambien muestra regret estable en este dataset (0.074–0.087), lo cual confirma que es un comparador formidable; pero esa estabilidad empirica en un unico evento de shift no equivale a la garantia formal que la cobertura conformal ofrece por construccion. Un regulador puede auditar la cobertura realizada; no puede auditar si el regret de SPO+ se mantendra bajo el proximo cambio de regimen.

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 multiples veces y no ofrece garantias finitas de cobertura, y frente a BMA, cuya cobertura depende de la correcta especificacion del espacio de modelos, los intervalos conformales ofrecen una combinacion unica de simplicidad computacional y garantias formales.

La clasificacion dentro del marco de decisión secuencial de Powell (2026) refuerza esta lectura. Powell organiza las politicas de decisión bajo incertidumbre en cuatro meta-clases: PFA (reglas analiticas 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 politica CFA paramétrica (véase Sección 3.0.6): 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.

6.0.5 Conclusiones

  1. Los intervalos conformales funcionan como conjuntos de incertidumbre operativos y trazables, con cobertura empirica consistente con la garantia teorica.
  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 mas relevante para la decision.
  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 economicas observables, lo cual convierte un parametro estadistico en una herramienta de gestion.
  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.

6.0.6 Limitaciones

La version actual todavia enfrenta limites claros que deben ser reconocidos explicitamente:

  • Dataset estatico: 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 produccion con datos en streaming.
  • Ausencia de conformal online: el pipeline actual recalibra los intervalos conformales sobre un set de calibracion fijo. En un entorno productivo, seria deseable usar variantes de conformal prediction adaptativa (Gibbs & Candès, 2021) que ajusten la cobertura ante distribution shift.
  • Clase de activo unica: todos los resultados se obtienen sobre prestamos personales no garantizados. La generalizacion a hipotecas, tarjetas de credito o creditos corporativos requiere validacion especifica, ya que las distribuciones de PD y LGD difieren sustancialmente.
  • 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; aun así, debe leerse como resultado condicional y no como reemplazo del teorema principal.
  • Seleccion conformal aun no entrenada decision-aware: la variante conformal promovida se eligio por cobertura, ancho, cobertura minima de grupo y Winkler, y la politica bound-aware se selecciono despues sobre la frontera robusta. La auditoria CRPTO ya agrega un selector tipo CROMS sobre finalists existentes (tabla A5) y evaluacion exacta para ranks 1–3 (tabla A10), pero una extension mas ambiciosa sigue siendo entrenar o calibrar el score conformal usando directamente riesgo decisional, retorno robusto, V, gamma_cp y violacion.
  • 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 12.1). 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 6.0.8).

6.0.7 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 economico depende de una policy y un run concretos, aunque el 276k final, la confirmacion temporal estricta de la tabla A9 y la region robusta completa reducen ese riesgo;
  • el analisis de estabilidad bajo distributional shift (Sección 5.0.8), los stress tests sinteticos de la tabla A6 y el stress endurecido por flips de labels de la tabla A11 confirman que la cobertura conformal se mantiene en los cortes evaluados. Una validacion mas robusta requeriria multiples datasets independientes o un split prospectivo declarado antes de cualquier busqueda.

6.0.8 Trabajo futuro

Las extensiones mas prometedoras del CRPTO se organizan en tres horizontes. A corto plazo, ya quedaron materializadas las piezas P1 que no cambian la direccion del paper: progresion post-seleccion 5K–25K–276K, nested holdout temporal estrictamente disjunto, export per-loan del funded set, selector tipo CROMS con evaluacion exacta de ranks 1–3, lemma condicional Hoeffding/Bernstein y stress tests sinteticos por reponderacion y flips de labels. El siguiente salto journal no es volver a cambiar el champion, sino convertir esas evidencias en un protocolo prospectivo: declarar el split antes de la busqueda, conseguir un dataset externo comparable si existe, y entrenar una seleccion conformal que optimice decision loss desde el inicio. A mediano plazo, la extensión a un pipeline genuinamente secuencial en el sentido de Powell (2026) — donde la política CFA se re-ejecute en cada ciclo de originación, la función de transición \(S^M\) capture la evolución del portafolio, y el estado de creencias \(B_t\) se actualice mediante conformal prediction online (Gibbs & Candès, 2021; Liu et al., 2026) u online DFL (Capitaine et al., 2026) — permitiría evaluar el sistema en un entorno operativo real y abriría la puerta a la comparación formal entre políticas CFA, VFA y DLA dentro del mismo problema (véase Sección 6.0.8). A largo plazo, la integracion con sistemas de monitoreo en tiempo real y la extension a multiples clases de activo constituirian la validacion definitiva de la propuesta.

La hoja de ruta queda entonces ordenada por dependencia, no por entusiasmo bibliografico:

Tabla 6.1: Roadmap journal priorizado para CRPTO
Prioridad Mejora Paper que la motiva Estado / criterio de cierre
P0 mantener el champion economico y el bound exacto sincronizados auditoria interna / CRC-LTT models/final_project_promotion.json, DVC y tablas paper-facing coinciden
P1 progresion post-seleccion 5K–25K–276K + confirmacion temporal estricta LTT / RCPS implementado en crpto_tableA3_nested_holdout.csv y crpto_tableA9_strict_temporal_holdout.csv; protocolo prospectivo queda como extension
P1 selector conformal decision-aware CROMS (Bao et al., 2025) implementado como screen en crpto_tableA5_decision_aware_selector.csv con exact eval ranks 1–3 en crpto_tableA10_conformal_finalist_exact_bound_eval.csv; entrenamiento decision-aware queda como extension
P1 tightening condicional del bound CRC + concentracion clasica implementado como lem-conditional-tightening y apendice de dependencia; no reemplaza Markov
P1 sensibilidad periodo-segmento, funded-set composition y shift sintetico MDCP / online CP implementado en crpto_tableA4_segment_period_sensitivity.csv, crpto_tableA7_funded_set_loans.csv, crpto_tableA8_funded_set_composition.csv, crpto_tableA6_synthetic_shift.csv y crpto_tableA11_enhanced_synthetic_shift.csv
P1/J paquete journal de tail risk, satisficing, dependencia, stress temporal, bootstrap, LGD/caps y region robusta por familia conformal risk training / satisficing / robustness implementado en crpto_tableA12_tail_risk_oce_cvar.csv–crpto_tableA18_robust_region_policy_family.csv, models/crpto_journal_package_status.json y Sección 9.1
P2 funded-set risk OCE/CVaR como constraint re-optimizado conformal risk training (Yeh et al., 2025) ya existe diagnostico A12; faltaria convertirlo en objetivo o restriccion de search
P2 robustez multi-distribucion / grupos desconocidos MDCP (Yang & Jin, 2026) cobertura robusta ante fuente o grupo test-time no observado
P2 conformal online y DFL online UP-OCP (Liu et al., 2026), Online DFL (Capitaine et al., 2026) recalibracion secuencial bajo drift y originacion continua

6.0.9 Reproducibility appendix

La reproducibilidad del paper esta mejor resuelta que su cierre teorico. El capitulo 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
  • models/crpto_journal_package_status.json
  • docs/research/crpto_journal_package_2026-05-04.md
  • docs/research/crpto_conditional_tightening_appendix_2026-05-04.md

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

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

Tabla 6.2: Mapa claim–artefacto–test para la version journal
Claim Artefacto canonico Guardrail / verificacion
Champion oficial = economic champion models/final_project_promotion.json, models/champion_portfolio_policy.json tests/test_crpto_final_sync.py
Retorno oficial $170.5K final_champion.realized_total_return tabla crpto_table0_key_metrics.csv y DVC metric crpto.final.robust_return
alpha01_exact_pass=true final_champion.alpha01_exact_pass guardrail de sync del CRPTO
V=0.03645, gamma_cp=0.18591, violation=0 final_champion y bound eval 276k guardrail de sync + tablas paper-facing
Region 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-seleccion 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–A21 crpto_tableA12_tail_risk_oce_cvar.csv–crpto_tableA21_cluster_bound_tightening.csv, crpto_fig12–crpto_fig15 test_crpto_journal_package_artifacts_exist y test_tail_satisficing_audit_artifacts_exist
PD operativo AUC/Brier/ECE data/processed/pipeline_summary.json, reports/dvc/metrics_summary.json comparacion solo dentro de familia PD
Ownership DVC/Git correcto dvc.yaml, dvc.lock, punteros .dvc test_dvc_outputs_are_not_tracked_directly_by_git

6.0.10 Proximo paso editorial

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

  1. defender el paper actual como CRPTO post-hoc auditable con el champion economico ya congelado;
  2. si el venue lo exige, elevar el holdout temporal estricto actual a un protocolo prospectivo declarado antes de la busqueda;
  3. presentar el lem-conditional-tightening como apendice teorico condicional, manteniendo Markov como claim principal;
  4. replicar el analisis de estabilidad (Sección 5.0.8) sobre datasets independientes cuando exista una fuente externa comparable;
  5. construir una segunda contribucion, no mezclada con el paper actual, donde CROMS / OCE-CVaR / online conformal conviertan la seleccion conformal en una capa plenamente decision-aware entrenada desde el inicio.

6.0.11 Conclusion general

En sintesis, 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 decision financiera. La combinacion de una PD monotónica calibrada, intervalos con cobertura verificable y un programa lineal robusto parametrizado por esos intervalos produce un sistema que es simultaneamente mas defensible ante auditoria y mas sensible ante cambios en el regimen de riesgo.

La comparacion con SPO+ ilumina la contribucion real: CRPTO no compite en regret (donde SPO+ es superior por diseno con 49.1% de reduccion) sino en auditabilidad y gobernanza — dimensiones que la literatura de decision-focused learning ha tratado como secundarias pero que son centrales en credito regulado. Aunque las limitaciones identificadas — dataset estatico, clase de activo unica, holgura de la cota teórica — exigen cautela en la generalizacion, la evidencia empirica 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 maestria.

La guía editorial (docs/research/crpto_editorial_claims_references.qmd) deja la traduccion 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.