该技能用于在收益非正态且存在序列相关时进行夏普比率推断，是 López de Prado、Lipton 与 Zoonekynd（2026）论文《How to Use the Sharpe Ratio》（ADIA Lab 研究论文系列第 19 号，2026 年 3 月 7 日，SSRN 5520741）的参考实现，复现代码见 https://github.com/zoonek/2025-sharpe-ratio。
用途：为量化策略评估提供考虑非独立同分布（non-IID）特性的统计推断，涵盖 PSR（概率夏普比率）、MinTRL（最小跟踪记录长度）、关键 SR、检验功效与第二类错误、pFDR、oFDR、E[max SR]、DSR（收缩夏普比率）、SFDR 等。
主要能力：采用论文式 2-3 的非 IID 方差，配合 AR(1) 方差系数（a=(1+ρ)/(1-ρ) 等）与 Pearson 峰度约定（高斯时 γ₄=3）。实现采用 Numba JIT，分为 6 层依赖结构，并提供 850+ 行代码 sharpe_numba.py。
使用方式：技能调用前需做预检，判断评估情境并选择 DSR 还是 SFDR，确定 P[H₁]、SR₁、q 等需主观判断的参数，再从收益序列计算 γ₃、γ₄、ρ、T，并在计算前报告参数选择。可运行全部 18 项验证测试：
uv run --python 3.14 --with numpy --with scipy --with numba
python plugins/quant-research/skills/sharpe-ratio-non-iid-corrections/references/sharpe_numba.py
适用场景：单策略推断、WFO 折比较、经历大量搜索后的幸存策略评估，以及与其他技能（如 opendeviation-eval-metrics、adaptive-wfo-epoch、evolutionary-metric-ranking）配合使用。
限制：DSR 与 SFDR 的选择及 P[H₁]、SR₁、q 需人工判断，论文未提供唯一取值；缺少全部候选策略收益序列时无法计算 K_eff，应改用 SFDR；本技能仅覆盖论文所述统计推断，不包含投资建议或收益保证。