标签： #非线性依赖

Pearson 只能抓线性、dCor 把「独立」变成可检验量，但两者的数学本质到底是什么？距离协方差（DCov）给出最干净的回答：它等于把数据映射到再生核希尔伯特空间（RKHS）后的协方差，也等于「能量距离」在依赖维度上的投影。本文从零实现 dCov/dCor 与 HSIC（核视角），并用「能量距离」这个真正的分布间距离做两样本检验——把一段行情自动识别为平静态还是危机态（正确率 83%）。附完整 Python 与五类真实陷阱（中阶）。

线性自相关（Ljung-Box / ACF）只能抓线性记忆，抓不到 GARCH 波动聚集、逻辑斯蒂混沌这类非线性依赖。BDS 检验把「序列是不是 i.i.d.」变成一个可算的统计量：若独立，则 m 维向量的邻近概率应等于 1 维邻近概率的 m 次方。我们在随机游走 / GARCH / 逻辑斯蒂混沌三类序列上把 B 统计量分别钉在 0 附近 / 显著非零 / 极端大，并用 bootstrap 零假设把检验水平校准到 ≈5%、对混沌功效 ≈100%——演示它如何「不误杀有效市场、却不放过非线性」（中阶）。