벤처 캐피털 (VC) 투자 결정은 다중 소스 이종 데이터 (multi-source heterogeneous data), 비정상 시계열 (non-stationary time series), 그리고 높은 이해관계가 걸려 있고 데이터가 부족한 환경에서의 설명 가능한 예측 요구와 같은 독특한 과제에 직면해 있습니다. 이러한 문제를 극복하기 위해, 우리는 콘텐츠 추천에서 정량적 리스크-수익 평가로 과업을 재정의하는 그래프-시계열-인과 네트워크 (Graph-Temporal-Causal Network)인 \textbf{FinInvest-GTCN}을 소개합니다. 이 아키텍처는 투자 생태계의 토폴로지 (topology)를 포착하기 위한 관계형 그래프 인코더 (relational graph encoder), 장기 의존성 (long-term dependencies)과 비정상성 (non-stationarity)을 처리하기 위한 다중 스케일 시계열 융합 모듈 (multi-scale temporal fusion module), 그리고 해석 가능한 인과적 귀속 (causal attributions)을 통해 리스크 조정 예측을 생성하는 인과적 결정 헤드 (causal decision head)를 결합합니다. 핵심 혁신은 메타-인과 적응 (Meta-Causal Adaptation, MCA) 전략으로, 이는 메타 사전 학습 (meta-pretraining)에서 유도된 인과적으로 타당한 구조 (causally-plausible structures)와 업데이트를 정렬함으로써 데이터가 부족한 새로운 섹터에 대한 견고한 미세 조정 (fine-tuning)을 용이하게 합니다. 독점적인 VC 데이터셋에 대한 종합적인 실험 결과, FinInvest-GTCN은 최첨단 (state-of-the-art) 결과를 제공하며, 주요 리스크 조정 평균 제곱 오차 (Risk-Adjusted Mean Squared Error, RA-MSE)를 베이스라인인 3.05에서 2.51로 현저히 낮추고 시뮬레이션된 포트폴리오의 누적 수익률을 18.7% 향상시켰음을 보여줍니다. 절제 연구 (Ablation studies)는 각 구성 요소의 필수적인 역할을 강조하며, 추가 분석은 모델의 안정성, 해석 가능성 및 향상된 적응성을 확인합니다. 본 연구는 투자 결정 지원을 위한 데이터 기반의 설명 가능한 프레임워크를 개척합니다.