用途：为量化投资提供常用统计方法，覆盖时间序列检验、波动率建模、回归诊断与统计推断，作为策略开发和因子研究的基础。
主要能力：src.quantlib.timeseries 中已实现并单元测试了 adf_test、cointegration_test、find_hedge_ratio、compute_half_life、granger_test、fit_garch、heteroscedasticity_test、autocorrelation_test、vif_test、bootstrap_statistic、bootstrap_sharpe。ADF 检验判断平稳性；协整检验与对冲比率、半衰期用于配对交易；Granger 检验为预测性而非结构性因果；GARCH(1,1) 及 EGARCH、GJR-GARCH、FIGARCH 变体建模波动率；回归诊断含异方差、自相关、多重共线性；bootstrap 提供统计量与 Sharpe 的置信区间。
使用方式：从 src.quantlib.timeseries 导入函数调用，不要重写公式。statsmodels 支撑除两个 bootstrap 辅助函数（纯 numpy）外的全部功能，arch 仅支撑 fit_garch，二者均为惰性导入，缺失时抛出指明包名与安装命令的 ImportError（pip install "statsmodels>=0.14" / pip install "arch>=6.0"），应报告用户而非替换方法。协整要求两条序列各自非平稳且共享同一索引，否则抛 ValueError。
适用场景：配对交易信号、波动率预测、因子回归诊断、策略 Sharpe 显著性检验。
限制：金融数据非正态、存在多重检验与 p-hacking 风险，需 FDR 校正与样本外验证；协整可能失效；GARCH 预测超过 5-10 天精度下降；小样本独立观测数可能不足。