8 Guía Editorial, Claims y Referencias
Esta página existe porque el libro cumple una función distinta al paper. El paper final debe ser breve, selectivo y persuasivo; el libro puede ser más generoso: explica por qué se tomó cada decisión, qué evidencia sostiene cada claim, qué preguntas de reviewer ya están respondidas y qué partes todavía son agenda futura. En otras palabras, esta sección es el puente entre el proyecto vivo y el manuscrito publicable.
Para facilitar la escritura posterior, esta página usa referencias numeradas locales del tipo [1]. La bibliografía global del libro sigue viviendo en book/references.bib; los números de esta página son una guía editorial para el CRPTO, no un reemplazo del sistema BibTeX del libro.
8.0.1 Tesis defendible en una frase
CRPTO demuestra que una banda conformal calibrada puede dejar de ser un diagnóstico posterior y convertirse en una restricción operativa para asignar capital crediticio bajo incertidumbre, con una policy económica promovida, artefactos reproducibles y un bound que separa cuidadosamente garantía distribution-free de evidencia empírica post-selección.
La frase anterior tiene cuatro piezas:
- banda conformal calibrada: se apoya en la teoría conformal y de control de riesgo [1]–[5];
- restricción operativa: conecta esos intervalos con robust optimization y price of robustness [6]–[9];
- policy económica promovida: usa el cierre
paper-thesis-final-economic-2026-04-06y no reabre el champion; - cautela post-selección: separa el teorema Markov del tightening condicional y de las validaciones empíricas A7–A11.
8.0.2 Escalera de claims
El paper se vuelve más fuerte cuando los claims se ordenan por nivel de ambición. No todos tienen el mismo estatus. Algunos son teóricos, otros son empíricos, otros son de ingeniería reproducible.
| Nivel | Claim | Evidencia actual | Lo que no debe prometer |
|---|---|---|---|
| 1 | La PD base es suficientemente calibrada para alimentar incertidumbre | AUC 0.7124, Brier 0.1546, ECE 0.0064, Venn-Abers |
no afirmar que AUC es el aporte principal |
| 2 | Los intervalos conformales tienen cobertura útil para decisión | coverage 90 92.97%, min group coverage 91.90% |
no afirmar cobertura condicional perfecta |
| 3 | El intervalo puede convertirse en conjunto de incertidumbre | definición de u_i(alpha) y Gamma_CP |
no tratar Gamma_CP como presupuesto ad hoc |
| 4 | El bound controla no-cobertura ponderada del funded set | Sección 3.0.4.4 y V |
no decir que controla directamente una PD latente sin supuesto adicional |
| 5 | Existe una región robusta completa en OOT | 45/45 policies pass alpha01 en 276k |
no decir que eso elimina toda incertidumbre post-selección |
| 6 | El champion oficial es económico, no theorem-tight | retorno $170.5K, V=0.03645, gamma_cp=0.18591 |
no mezclarlo con el comparador theorem-tight |
| 7 | La evidencia CRPTO fortalece el paper sin cambiar dirección | A7–A11, apéndice condicional | no venderlo como validación externa final |
La regla de escritura es simple: el cuerpo principal del paper debe vivir en los niveles 1–6; el nivel 7 alimenta appendix, respuesta a reviewers y versión journal. Si una frase no cabe en esta escalera, probablemente pertenece a la agenda futura o a otro paper.
8.0.3 Aportes por audiencia
El mismo resultado se lee distinto según quién revise el manuscrito.
| Audiencia | Qué le importa | Qué debe ver rápido | Artefacto o sección |
|---|---|---|---|
| OR / Management Science | decisión bajo incertidumbre y trade-off robustez-retorno | CRPTO como puente CP -> RO -> portfolio | Sección 3.0.4, Capítulo 5 |
| ML / conformal prediction | garantía distribution-free y límites post-selección | Markov como claim principal, tightening condicional separado | Sección 3.0.4.4, Sección 3.0.4.8 |
| Crédito / riesgo | auditabilidad, funded set, governance | policy congelada, composición del funded set, segment checks | Sección 5.0.9 |
| Reviewer escéptico de DFL | por qué no basta SPO+ | SPO+ reduce regret, CRPTO compra cobertura auditable | Figura 5.3, Sección 6.0.4 |
| Reproducibilidad | trazabilidad y no cherry-picking | mapa claim -> artifact -> test | Tabla 6.2 |
Esta tabla es útil para escribir la introducción del paper. El paper no debe presentarse como “ganamos todo”; debe presentarse como “resolvemos una dimensión que otros enfoques dejan débil: decisión auditable bajo incertidumbre”.
8.0.4 Qué aprendimos de la literatura
La literatura conformal fundacional nos da el permiso teórico para construir intervalos con cobertura finita bajo intercambiabilidad [1], [2]. RCPS, LTT y CRC enseñan una lección más general: la predicción conformal puede controlar riesgos definidos por el usuario, no solamente coverage marginal promedio [3]– [5]. Esa es la puerta conceptual para nuestro bound: el riesgo relevante no es solo “falló el intervalo”, sino “falló el intervalo en préstamos que realmente financié”.
La robust optimization clásica enseña que la robustez tiene precio y que ese precio puede medirse [6]. Los trabajos conformal robust optimization muestran que los conjuntos conformales pueden alimentar problemas de optimización [7], [8]. Predict-then-Calibrate es especialmente cercano porque separa predicción y calibración para LP contextuales robustos [9]. Nuestra diferencia práctica es el aterrizaje: crédito minorista, funded set ponderado, región robusta exacta y artefactos reproducibles.
La literatura más reciente marca hacia dónde crecería una versión futura: CROMS sugiere selección de modelos conformales con criterio de robust optimization [10]; end-to-end conformal calibration y conformal risk training apuntan a entrenar la calibración con la decisión aguas abajo [11], [12]; multi-distribution robust CP y online CP via universal portfolios apuntan a shift y streaming [13], [14]. Online DFL abre el comparador dinámico para decisiones repetidas [16]. Ninguna de esas líneas invalida el paper actual; más bien confirma que la dirección del paper es contemporánea y fértil.
8.0.5 Tabla de traducción conceptual
| Concepto estadístico | Traducción en CRPTO | Lectura de negocio |
|---|---|---|
alpha |
nivel de tolerancia a no-cobertura | cuánto riesgo de cola acepta el comité |
PD_low, PD_high |
intervalo conformal por préstamo | rango defendible de riesgo |
u_i(alpha) |
cota superior usada por el LP | PD prudente para decisión |
Gamma_CP |
prima conformal ponderada | costo promedio de comprar robustez |
V |
no-cobertura ponderada del funded set | cuánto default realizado quedó fuera de la cota |
violation |
exceso de riesgo ponderado sobre tau |
incumplimiento del límite de portafolio |
alpha01_exact_pass |
check exacto de bound en OOT | semáforo para promoción paper-facing |
price_of_robustness |
retorno sacrificado por protegerse | costo económico de auditabilidad |
Esta traducción es una de las fortalezas del libro. En el paper final, varios de estos términos pueden aparecer en una sola figura o tabla; aquí conviene mantenerlos explícitos porque ayudan a que el lector no confunda métricas predictivas, conformales y de portafolio.
8.0.6 Preguntas de reviewer y respuesta corta
¿Por qué no basta con reportar AUC? Porque el aporte está downstream. La PD es un insumo; la contribución ocurre cuando la incertidumbre entra al optimizador y cambia el funded set.
¿SPO+ no es mejor porque reduce regret? SPO+ es un comparador fuerte y reduce regret en el benchmark. CRPTO no pretende dominarlo en regret; compra auditabilidad, cobertura verificable y una región robusta exacta. Es otro eje de valor [15], [16].
¿El bound controla PD latente o default observado? El bound principal controla un target acotado observado Y_i in [0,1] y su no-cobertura ponderada. Interpretarlo como PD latente requiere un supuesto adicional. Esa cautela está explícita en Sección 3.0.4.
¿Hay riesgo de post-selección? Sí, por eso el paper no vende el cierre 276k como una garantía conformal nueva. Lo presenta como evidencia empírica exacta de la policy promovida y lo refuerza con A3, A9 y el apéndice condicional.
¿Por qué rank 2 y rank 3 no son winners si pasan exact eval? Porque el selector no solo mira bound de portfolio. Ranks 2 y 3 pasan la eval exacta de portfolio, pero fallan el gate conformal por cobertura mínima de grupo. Esa es precisamente la utilidad de A10: muestra que el selector no es una excusa post-hoc.
¿Los stress tests reemplazan un dataset externo? No. A6 y A11 fortalecen la evidencia bajo reponderación y flips adversariales, pero una validación externa real sigue siendo trabajo futuro.
8.0.7 Qué puede entrar al paper final
| Material del libro | Ubicación probable en paper | Motivo |
|---|---|---|
| Diagrama CRPTO | Figura 1 | explica el método en una sola vista |
Escalera alpha -> Gamma_CP -> funded set |
Teoría / método | une conformal y robust optimization |
Tabla de champion y región 45/45 |
Resultados principales | demuestra cierre exacto del claim |
| Holdout temporal estricto CRPTO | Appendix o robustness checks | responde post-selección |
| Funded-set composition | Appendix | útil para reviewers de crédito y riesgo |
| A10 exact finalists | Appendix | defiende el selector conformal |
| A11 enhanced shift | Appendix | fortalece robustness sin afirmar external validation |
| Referencias numeradas | Related work del paper | ayuda a pasar de libro a manuscrito |
8.0.8 Paquete journal-ready CRPTO
Las paginas Sección 7.1 y Sección 9.1 convierten esta guia editorial en un paquete de escritura mas cercano al manuscrito. El blueprint define venue target, abstract operativo, claims C1–C7, notacion unica y plan de figuras/tablas. El appendix journal agrega A12–A21 y cuatro figuras paper-grade generadas desde artefactos congelados.
| Nuevo material | Papel editorial | Artefacto |
|---|---|---|
| Blueprint del manuscrito | estructura paper-ready y mapa claim -> artifact -> test -> location | 06-blueprint-manuscrito.qmd |
| Figura CRPTO limpia | Figura 1 candidata | crpto_fig12_crpto_conceptual_pipeline.png |
Figura alpha -> Gamma_CP -> funded set |
puente teoria-metodo | crpto_fig13_alpha_gamma_funded_set.png |
| Heatmap region robusta | evidencia visual 45/45 |
crpto_fig14_robust_region_heatmap.png |
| A12–A21 | robustness appendix journal | scripts/build_crpto_journal_package.py; scripts/build_tail_satisficing_challenger_audit.py |
| Status del paquete | trazabilidad y fuente canonica | models/crpto_journal_package_status.json |
La regla de jerarquia sigue intacta: si una tabla diagnostica nueva entra en tension con models/final_project_promotion.json, gana la promocion oficial. A12–A21 fortalecen robustez y escritura journal, pero no re-promueven el champion.
8.0.9 Referencias numeradas locales
[1] Vovk, Gammerman and Shafer (2005), Algorithmic Learning in a Random World. Fundamento original de conformal prediction.
[2] Angelopoulos and Bates (2023), Conformal Prediction: A Gentle Introduction. Entrada pedagógica moderna para explicar cobertura distribution-free.
[3] Bates et al. (2021), Distribution-Free, Risk-Controlling Prediction Sets. Base RCPS para hablar de control de riesgo más allá de intervalos clásicos.
[4] Angelopoulos et al. (2025), Learn then Test. Marco para calibrar algoritmos predictivos con control de riesgo.
[5] Angelopoulos et al. (2024), Conformal Risk Control. Generaliza control de riesgo conformal para pérdidas monotónicas acotadas.
[6] Bertsimas and Sim (2004), The Price of Robustness. Lenguaje clásico de presupuesto de robustez y costo de protección.
[7] Johnstone and Cox (2021), Conformal Uncertainty Sets for Robust Optimization. Puente temprano entre CP y robust optimization.
[8] Patel, Rayan and Tewari (2024), Conformal Contextual Robust Optimization. Extiende la conexión CP-RO en problemas contextuales.
[9] Sun, Liu and Li (2024), Predict-then-Calibrate. Comparador cercano para LP contextuales robustos con calibración posterior.
[10] Bao et al. (2025), Optimal Model Selection for Conformalized Robust Optimization (CROMS). Motiva el selector conformal decision-aware.
[11] Yeh et al. (2025/2026), End-to-End Conformal Calibration for Optimization Under Uncertainty. Dirección futura para calibración conformal integrada a decisión.
[12] Yeh et al. (2025), Conformal Risk Training. Motiva OCE/CVaR y control de cola como extensión P2.
[13] Yang and Jin (2026), Multi-Distribution Robust Conformal Prediction. Motiva validación robusta ante múltiples fuentes o distribuciones.
[14] Liu, Dobriban and Orabona (2026), Online Conformal Prediction via Universal Portfolio Algorithms. Motiva recalibración online bajo streaming.
[15] Elmachtoub and Grigas (2022), Smart Predict, then Optimize. Base de SPO+ y decision-focused learning.
[16] Capitaine et al. (2026), Online Decision-Focused Learning. Extiende DFL a decisiones online y drift.
[17] Powell (2026), Sequential Decision Analytics and Modeling. Da el lenguaje CFA/VFA/DLA para clasificar CRPTO como política parametrizada auditable.