11 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.
11.0.1 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 rebaselined
ijds-rebaseline-2026-06-07y no reabre el champion; - cautela post-selección: separa el teorema Markov del tightening condicional y de las validaciones empíricas A7–A11.
11.0.2 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 0.7139, Brier 0.1544, ECE 0.0070, 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 5.0.4.4 y V |
No decir que controla directamente una PD latente sin supuesto adicional |
| 5 | Existe una frontera finita robusta en OOT | A35: 50,010 políticas semánticas; 27,508 all-alpha above-floor policies | No decir que eso elimina toda incertidumbre post-selección ni que certifica una región continua |
| 6 | El punto oficial es pool93 body/default, no el endpoint económico extremo | Retorno $184.8K, V=0.035350, gamma_cp=0.162616, gamma_res=0.073584, umbral Markov 0.345084, pass 8/8 |
No mezclarlo con el max-return endpoint de $223K ni con el punto de threshold mínimo |
| 7 | La evidencia CRPTO fortalece el paper sin cambiar dirección | A7–A11, apéndice condicional, A25–A34 | No venderlo como validación live o universal |
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.
11.0.3 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 5.0.4, Capítulo 7 |
| ML / conformal prediction | Garantía distribution-free y límites post-selección | Markov como claim principal, tightening condicional separado | Sección 5.0.4.4, Sección 5.0.4.8 |
| Crédito / riesgo | Auditabilidad, funded set, governance | Policy congelada, composición del funded set, segment checks | Sección 7.0.9 |
| Reviewer escéptico de DFL | Por qué no basta SPO+ | SPO+ reduce regret, CRPTO compra cobertura auditable | Figura 7.3, Sección 9.0.4 |
| Reproducibilidad | Trazabilidad y no cherry-picking | Mapa claim -> artifact -> test | Tabla 9.1 |
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”.
11.0.4 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 finita 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 vía 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.
La biblioteca de tesis integrada aterriza, además, varias de esas líneas en evidencia concreta del proyecto. La monografía de fundamentos [18] y los límites de la inferencia condicional [20] fijan por qué solo prometemos cobertura marginal/Mondrian; covariate shift [19], group-weighted CP [21] y localized CP [22] sostienen el diagnóstico multi-distribución A23, mientras que la robustez al ruido de etiquetas [23] respalda el stress de flips A11. En la capa de decisión, el conformal risk control para pérdidas no monótonas [24] junto con CVaR [25] y OCE [26] son el soporte teórico de la re-optimización con cota de cola A22, y la optimización-satisficing conformal [27] enmarca A13/A20. El decision-focused learning queda anclado en su raíz task-based [28] y en los regret robustos [29], que complementan a SPO+. El equilibrio de gradiente online [30] da la lectura de recalibración secuencial de A24. Por último, el contexto de crédito y fairness — desempeño y equidad de scores [31], datos alternativos en LendingClub [32], proxy BISG [33] y el marco de política de FinRegLab [34] — encuadra el checkpoint MRM/fair-lending sin convertirlo en un claim legal.
11.0.5 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 |
A40 empareja candidatos y restricciones: costo realizado 5.875%, reducción default/V 8.305 pp y reducción de threshold 43.55 pp |
Costo económico de la robustez, solo con comparadores semánticamente equivalentes |
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.
11.0.6 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 5.0.4.
¿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 no reemplazan la réplica externa. Esa capa ya queda cubierta por A25–A34 en Prosper y Freddie/Mendeley; lo que sigue fuera es una validación live o prospectiva con protocolo sellado.
11.0.7 Reviewer-defense bank gobernado
Las preguntas anteriores cubren las objeciones más frecuentes en prosa. La tabla siguiente es el banco gobernado completo (13 objeciones) que se usa para preparar el rebuttal IJDS y la defensa de tesis. Cada fila fija la objeción probable, la respuesta gobernada y la evidencia canónica. La regla es no improvisar: si llega una objeción nueva, primero se busca aquí.
| Objeción probable | Respuesta gobernada | Evidencia |
|---|---|---|
| “Conformal no garantiza cobertura condicional perfecta.” | Correcto; el claim usa cobertura marginal/Mondrian y reporta límites explícitos. | Sección 5.0.4.4; cap. 07; ablación Mondrian (cap. 08). |
| “AUC no basta para decidir portafolios.” | Precisamente: el paper separa ranking, calibración, incertidumbre y valor económico. | Tabla 0 (crpto_table0_key_metrics.csv); escalera de claims (esta página). |
| “SPO+/DFL podría reducir regret.” | Sí; CRPTO no compite como regret-minimizer universal, sino como puente auditable con restricciones conformales. | Cap. 09 (@fig-p1-spo-regret); registro de negativos. |
| “Lending Club no es banco regulado.” | Se presenta como dataset público de originación, no como validación contractual bancaria. | docs/ACADEMIC_CONTEXT.md; limitaciones del cuerpo. |
| “Fair lending no está probado.” | No se hace claim legal; solo proxy governance y source/fairness boundary. | Cap. 10; models/fairness_audit_status.json. |
| “IFRS9/SICR parece otro paper.” | En IJDS entra como implicación/limitación; la tesis puede expandirlo. | Cap. 23 (señal SICR conformal). |
| “El resultado podría ser un punto aislado.” | La frontera A35 muestra 50,010 políticas semánticas y 27,508 políticas all-alpha above-floor. | crpto_tableA35_pool93_ijds_frontier.csv; Capítulo 7. |
| “¿La validación PD se está tratando como clasificación?” | No. CRPTO separa risk differentiation, risk quantification, calibración y valor económico antes de optimizar portafolio. | Tabla 0; cap. 02; crpto_metrics_triage_2026-05-18.md. |
| “¿El backtesting multi-periodo es confiable por defecto?” | No se sobrepromete: las pruebas multi-periodo dependen del estimador, tamaño efectivo y autocorrelación; quedan como caveat o appendix controlado. | Cap. 07 (A14–A15); crpto_metrics_triage_2026-05-18.md. |
| “¿Usar ML en IRB implica perder auditabilidad?” | No. ML queda como soporte selectivo para imputación, factores, residuos o challengers; el champion no se reabre sin gate reproducible. | Cap. 13 (freeze policy); crpto_metrics_triage_2026-05-18.md. |
| “¿WOE/scorecards son estables bajo monitoreo?” | Se tratan como inputs auditables con caveats: IV no es soberano y WoE puede volverse inestable si se recalcula bajo datos etiquetados por el propio modelo. | crpto_metrics_triage_2026-05-18.md. |
| “¿Los umbrales IV/PSI/correlación prueban calidad del modelo?” | No. Son heurísticas operativas útiles, no evidencia estadística suficiente; los umbrales tipo 0.02/0.1 son sensibles a desbalance y deben gobernarse como incertidumbre estimable. | crpto_metrics_triage_2026-05-18.md. |
| “¿Los árboles sobre residuos contradicen el scorecard auditable?” | No. Quedan como validación de segmentos y búsqueda de factores omitidos; no reemplazan el champion ni la calibración oficial. | Agenda extendida CRPTO/tesis; crpto_metrics_triage_2026-05-18.md. |
11.0.8 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 |
| Tablas A35/A40 | Resultados principales | Demuestran frontera finita y trade-off contra point-PD emparejado |
| 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 interna; A25–A34 cubren réplica externa estática |
| A25–A34 external replication | Cuerpo corto y appendix | Responde la crítica de un solo dataset sin reabrir el champion |
| Referencias numeradas | Related work del paper | Ayuda a pasar de libro a manuscrito |
11.0.9 Paquete journal-ready CRPTO
Las páginas Sección 10.1 y Sección 12.1 convierten esta guía editorial en un paquete de escritura más cercano al manuscrito. El blueprint define venue target, abstract operativo, claims C1–C7, notacion única y plan de figuras/tablas. El appendix journal agrega A12–A34 y las 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 IJDS | crpto_fig1_journal_pipeline.png |
| Figura pila del bound | Puente visual entre endpoint conformal, identidad, supuesto y certificado | crpto_fig20_bound_claim_layers.png |
Figura alpha -> Gamma_CP -> funded set |
Puente teoría-método | crpto_fig13_alpha_gamma_funded_set.png |
| Frontera pool93 A35 | Evidencia tabular de no-aislamiento | crpto_tableA35_pool93_ijds_frontier.csv |
| A12–A34 | Robustness appendix journal | scripts/build_crpto_journal_package.py; scripts/build_tail_satisficing_challenger_audit.py; scripts/build_tail_constrained_reoptimization.py; scripts/build_distribution_robustness_diagnostics.py; scripts/build_multidataset_external_replication.py; scripts/build_price_of_robustness_cross_dataset.py |
| A22–A24 (re-opt de cola, multi-distribución y online) | Cierre P2 sin reabrir champion | scripts/build_tail_constrained_reoptimization.py; scripts/build_distribution_robustness_diagnostics.py |
| A25–A34 (Prosper/Freddie) | Réplica externa sin reabrir Lending Club | scripts/build_multidataset_external_replication.py; scripts/build_price_of_robustness_cross_dataset.py |
| Status del paquete | Trazabilidad y fuente canónica | models/crpto_journal_package_status.json; models/crpto_tail_constrained_reopt_status.json; models/crpto_distribution_robustness_status.json; models/crpto_multidataset_external_status.json |
La regla de jerarquia sigue intacta: si una tabla diagnostica nueva entra en tension con models/final_project_promotion.json, gana la promoción oficial. A12–A34 fortalecen robustez y escritura journal, pero no re-promueven el champion: A22 reporta un tail-constrained challenger y A25–A34 reportan réplica externa, no un nuevo champion.
11.0.10 Auditoría Papers_tesis 2026-06-06
El source pack de tesis queda auditado con una regla evidence-gated: leer mucho, promover poco y no cambiar el champion sin un gate capaz de modificar C1–C7. La auditoría cubre los 61 PDFs locales de Papers_tesis/: 21 en paper/, 28 en supplement/ y 12 en tesis/.
| Artefacto | Uso editorial |
|---|---|
docs/research/papers_tesis_deep_audit_2026-06-06.md |
Memo paper-by-paper con conceptos, claims, método, conclusiones, figuras/tablas útiles, limitaciones, destino editorial y acción requerida. |
reports/crpto/literature/papers_tesis_source_matrix_2026-06-06.csv |
Matriz fuente para decidir promote, append, park o future_gate sin depender de memoria editorial. |
reports/crpto/literature/papers_tesis_figure_caption_index_2026-06-06.csv |
Índice de figuras/tablas detectadas en PDFs para seleccionar visual sinks sin copiar figuras ajenas. |
reports/crpto/literature/papers_tesis_curated_visual_sinks_2026-06-06.csv |
Lista corta de sinks visuales que pueden inspirar figuras propias del paper, supplement o tesis. |
La regla de absorción es conservadora. En el cuerpo CRPTO solo entran fuentes que sostienen directamente CP/CRC/LTT, robust optimization, CP -> RO / Predict-then-Calibrate, contexto Lending Club y DFL/SPO+ como comparador. Las fuentes de Hu CRC, utility-directed CP, group-weighted/localized/source-shift, decision-risk certificates, IFRS9 y fairness/equity quedan como related work, appendix o future work. Ese material fortalece límites de claim y defensa ante reviewers; no reabre la policy promovida ni convierte diagnósticos en método oficial.
11.0.11 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 vía 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 Decisión Analytics and Modeling. Da el lenguaje CFA/VFA/DLA para clasificar CRPTO como política parametrizada auditable.
La biblioteca de tesis (Papers_tesis) añade las siguientes fuentes, ya integradas en book/references.bib y citadas en los capítulos donde aplican.
Fundamentos conformales y límites de cobertura.
[18] Angelopoulos, Barber and Bates (2024), Theoretical Foundations of Conformal Prediction. Monografía de referencia para la validez finita bajo intercambiabilidad; respalda [1]–[2].
[19] Tibshirani et al. (2019), Conformal Prediction Under Covariate Shift. Reponderación por likelihood ratio bajo shift; base teórica de los stress A6 y del diagnóstico multi-distribución A23.
[20] Barber et al. (2021), The Limits of Distribution-Free Conditional Predictive Inference. Justifica por qué el paper no promete cobertura condicional perfecta, solo marginal/Mondrian.
[21] Bhattacharyya and Barber (2026), Group-Weighted Conformal Prediction. Cobertura por grupos cuando el shift está determinado por grupos; vecino directo de la cobertura Mondrian y del diagnóstico A23.
[22] Guan (2023), Localized Conformal Prediction. Marco de inferencia local; alternativa a la partición Mondrian para cobertura condicional aproximada.
[23] Einbinder et al. (2024), Label Noise Robustness of Conformal Prediction. Cuándo los conjuntos cubren la etiqueta limpia bajo ruido; sustenta el stress de flips adversariales A11.
Control de riesgo y medidas de cola.
[24] Angelopoulos (2026), Conformal Risk Control for Non-Monotonic Losses. Extiende CRC a pérdidas no monótonas y multidimensionales; soporte teórico directo de la re-optimización por CVaR/OCE de A22.
[25] Rockafellar and Uryasev (2000), Optimization of Conditional Value-at-Risk. Base de CVaR; define la cantidad de cola usada en A12 y A22.
[26] Ben-Tal and Teboulle (2007), An Old-New Concept of Convex Risk Measures (OCE). Base del optimized certainty equivalent entrópico de A12 y A22.
Optimización robusta conformal y decision-focused.
[27] Zhao, Jiang and Qi (2026), Conformal Robust Optimization and Satisficing. Equivalencia CRO \(\equiv\) CRS y cobertura finita \(O(n^{-1/2})\); motiva el bound y las tablas de satisficing A13/A20.
[28] Donti, Amos and Kolter (2017), Task-based End-to-End Model Learning. Raíz del decision-focused learning que SPO+ y CRPTO toman como punto de partida.
[29] Schutte, Postek and Yorke-Smith (2024), Robust Losses for Decision-Focused Learning. Regret robusto frente a incertidumbre aleatoria/epistémica; complementa el comparador SPO+.
Multi-distribución y online.
[30] Angelopoulos, Jordan and Tibshirani (2025), Gradient Equilibrium in Online Learning. Debiasing post-hoc de predicciones black-box bajo shift arbitrario; respalda la lectura online de A24 junto a [14].
Crédito, fairness y datos.
[31] Albanesi and Vamossy (2024), Credit Scores: Performance and Equity. Benchmark de un score frente a un modelo ML de default; contexto de desempeño y equidad para la lectura de crédito.
[32] Jagtiani and Lemieux (2019), The Roles of Alternative Data and Machine Learning in Fintech Lending (LendingClub). Contexto del dataset y del rol de datos alternativos en el originador estudiado.
[33] Consumer Financial Protection Bureau (2014), Using Publicly Available Information to Proxy for Race and Ethnicity (BISG). Método proxy que sustenta la auditoría de fair lending sin atributos protegidos directos.
[34] FinRegLab (2023), Explainability and Fairness in Machine Learning for Credit Underwriting. Marco de política para explicabilidad y fairness que encuadra el checkpoint MRM/fair-lending.