当误差有记忆时
普通标准误假设每个误差与其他误差独立。重叠的收益打破了这一点：1 月到 3 月的收益与 2 月到 4 月的收益共享两个月，所以它们的误差同向变化。系数仍然没问题，但经典标准误太小，t 统计量太大。Newey–West（HAC）协方差修正了这一点。它从常见的“三明治”(XᵀX)⁻¹ S (XᵀX)⁻¹ 出发，用每一行与其残差的乘积 xₜeₜ 构造中间部分：S=Σₜeₜ²xₜxₜᵀ+ Σₖ₌₁^LwₖΣₜeₜeₜ₋ₖ (xₜxₜ₋ₖᵀ+ xₜ₋ₖxₜᵀ)，其中 Bartlett 权重 wₖ=1-k/(L+1) 把较早的自协方差压向零并保持矩阵有效。
在 statsmodels 中，用 sm.OLS(y, X).fit(cov_type='HAC', cov_kwds={'maxlags': L}) 得到同一个矩阵，此时 res.tvalues 使用稳健标准误。亲手写一次很值得：你会看到滞后为 0 时它退化为怀特的异方差稳健协方差，正自相关使稳健方差大于经典方差，而滞后数的选择是一种判断（常见经验是约等于重叠的长度）。对 SPY 的三个月收益，2005 年 5 月到 2026 年 8 月的 256 个重叠观测平均 2.78%，经典 t 为 6.10。用 Newey–West，2 个滞后降到 4.18，6 个滞后降到 3.65：仍然显著，但证据比第一个数字显示的要弱。
- 重叠意味着记忆：重叠收益的误差自相关，所以经典 t 统计量夸大了证据。
- 三明治：Newey–West 是 (X'X)^-1 S (X'X)^-1，其中 S 由 x_t e_t 和 Bartlett 加权自协方差构成。
- 用自己的公式核对库：手算矩阵与库的结果一致，说明你理解了这个选项做了什么。
实验：评分内容
- 重叠收益10 分
- 经典 t 统计量10 分
- Bartlett 权重10 分
- 手算 Newey–West25 分
- 用 statsmodels 求 HAC t 统计量15 分
- SPY 研究30 分