当相邻误差相关时
普通标准误假设每个观测都带来新的信息，而金融数据常常打破这一点。按三个月计算、每月取样一次的收益彼此重叠：每个观测与相邻观测共享两个月，误差一起变动。波动率聚集时也一样。补救办法是保留系数，只改变标准误。纽维–韦斯特估计量（也叫 HAC，即对异方差和自相关稳健）通过累加残差的滞后自协方差 γℓ 来估计长期方差，每一项乘以巴特利特权重 1−ℓ/(L+1)，权重在截断滞后 L 处降为零。在 statsmodels 中只需在 .fit() 里加上 cov_type='HAC' 和 cov_kwds={'maxlags': L}。
ω^=γ^0+2ℓ=1∑L(1−L+1ℓ)γ^ℓ,γ^ℓ=n1t=ℓ+1∑netet−ℓ,se(zˉ)=ω^/n,L≈⌊4(100n)2/9⌋(1) 五个数的序列取
z=3,3,2,1,1，均值为
2，偏差为
1,1,0,−1,−1。则
γ^0=4/5=0.8，
γ^1=(1+0+0+1)/5=0.4，因相邻值相似而为正。取
L=1，巴特利特权重为
1−1/2=0.5，所以
ω^=0.8+2⋅0.5⋅0.4=1.2，
se=1.2/5=0.490。普通标准误为
1/5=0.447（用
s2=SSE/(n−1)=1），因此均值的 t 统计量从
2/0.447=4.47 降到
2/0.490=4.08。当自相关为负时，标准误反而会变小。
真实数据显示了效应的大小。SPY 的 3 个月平均收益按月取样，共 256 个重叠观测，均值为 2.78%。普通标准误为 0.456%，t=6.10。去均值后序列的自相关在滞后 1、2、3 分别为 0.68、0.35、0.08，这是三个月中重叠两个月所造成的三角形。用纽维–韦斯特，L=2 时标准误 0.664%（t=4.18），L=4 时 0.732%（t=3.80），L=6 时 0.762%（t=3.65），而 86 个互不重叠的季度给出 t=3.55。在苹果的月度三因子回归中（319 个月），变化较小但真实：价值载荷的标准误从 0.144 升到 0.170，t 统计量从 −4.98 变为 −4.22。
- 系数不变，标准误更新：HAC 只改变不确定性，从不改变估计值。
- 重叠决定滞后数：按月取样 h 个月收益时，至少取 L=h−1，通常再多取几个。
- 报告诚实的 t：把相邻误差考虑进去后，t=6 可能变成 t=4。
实验：评分内容
- 方差项10 分
- 一阶自协方差10 分
- 长期方差15 分
- HAC 标准误15 分
- 稳健 t 统计量10 分
- statsmodels 调用10 分
- 配对术语10 分
- 为什么普通 t 太大20 分
