标签： #核方法

高斯类方法（马氏距离）默认『正常』只有一个中心，偏离中心越远越异常。但真实市场的正常状态往往是多峰的——平静区制和承压区制是两团各自正常的云。麻烦就藏在两团之间的『山谷』：那些既不像平静、也不像承压的交易日，恰恰是最危险的，而马氏距离会把山谷判成中心（AUC 仅 0.080，方向都反了）。One-Class SVM 用 RBF 核学一条非凸的支撑边界，把两团正常各自圈住、山谷留在外面：合成实验 1000 个正常日（两区制）+ 30 个山谷异常日，OC-SVM AUC 0.961、top-30 命中 33%，而马氏距离几乎为零。纯 numpy 实现带盒约束单纯形投影的对偶求解器，附 ν / γ 双参数敏感性曲线与五类真实陷阱（中阶）。

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）。