Los investigadores presentan FinInvest-GTCN, una Red Temporal-Causal-Gráfica diseñada para optimizar las decisiones de inversión en capital de riesgo abordando desafíos como datos heterogéneos y series temporales no estacionarias. El modelo redefine la tarea desde la recomendación de contenido hasta la evaluación cuantitativa de riesgo-retorno, utilizando un codificador de grafos relacionales, fusión temporal multiescala y una cabeza de decisión causal para generar predicciones interpretables.
- Combina un codificador de grafos relacionales para la topología del ecosistema, un módulo de fusión temporal multiescala para dependencias a largo plazo y una cabeza de decisión causal para predicciones ajustadas al riesgo.
- Implementa Adaptación Meta-Causal (MCA) para facilitar el ajuste fino robusto en sectores con escasez de datos alineando las actualizaciones con estructuras causalmente plausibles.
- Logra resultados de vanguardia en conjuntos de datos propietarios de VC, reduciendo el Error Cuadrático Medio Ajustado al Riesgo (RA-MSE) de 3.05 a 2.51.
- Incrementa el rendimiento acumulado de un portafolio simulado en un 18.7% en comparación con las líneas base.
Este trabajo pionero presenta un marco explicable y basado en datos para el apoyo a decisiones de inversión, ofreciendo mayor estabilidad e interpretabilidad para aplicaciones financieras de alto riesgo.