/**
 * 统计功效与显著性工具（纯 Node、零依赖）。
 *
 * 动机：Round 13-15 的结论全部是"不显著"，但**不显著 ≠ 无效** ——
 * 也可能只是样本太少。本模块量化"我们到底有多少把握"：
 *   1. 给定样本量与效应量，算出**统计功效**（能否检测到该效应）
 *   2. 给定观测效应与样本量，算出**所需样本量**（要多少窗口才能下结论）
 *   3. Newey-West 校正的 t 检验（窗口间存在自相关）
 *   4. Deflated Sharpe（校正多重检验）
 */
/** 标准正态 CDF（Abramowitz-Stegun 近似）。 */
export declare function normCdf(x: number): number;
/** 标准正态分位数（Acklam 近似）。 */
export declare function normInv(p: number): number;
/** 均值与 Newey-West 校正标准误（处理窗口间自相关）。 */
export declare function meanSeNW(xs: readonly number[], lags?: number): {
    mean: number;
    se: number;
    t: number;
    n: number;
};
/** 双尾 p 值（正态近似）。 */
export declare function pValue(t: number): number;
/**
 * 中央 t 分布的 CDF：P(T <= t)。
 * 用正则化不完全 Beta 的精确关系：P(T<=t) = 1 - 0.5·I_{df/(df+t²)}(df/2, 1/2)（t>=0）。
 */
export declare function centralTCdf(t: number, df: number): number;
/**
 * Student t 分位数（精确反解，非近似）。
 *
 * 修正记录：早期版本用 Cornish-Fisher 展开，在低自由度下误差明显
 * （df=5 时 t(0.975)=2.547 而真值 2.571，误差 0.024）。
 * 现在改为对 {@link centralTCdf} 做二分反解，精度达 1e-10。
 *
 * @param p 累积概率（如 0.975 取上尾 2.5% 的分位点，返回正值）
 * @param df 自由度
 */
export declare function tQuantile(p: number, df: number): number;
/**
 * 统计功效：给定真实效应量与样本量，检测到它的概率。
 * @param effect 真实效应量（如超额收益均值）
 * @param sd 单期标准差
 * @param n 样本量
 * @param alpha 显著性水平（默认 0.05）
 * @returns 功效（0..1）；惯例 0.8 以上算"足够"
 */
export declare function power(effect: number, sd: number, n: number, alpha?: number): number;
/**
 * 非中心 t 分布的 CDF：P(T' <= t)，其中 T' 服从 df 自由度、非中心参数 ncp。
 *
 * 实现：利用 T' = (Z + δ)/√(W/df) 的结构做数值积分
 *   P(T' <= t) = E_W[ Φ(t·√(W/df) − δ) ] ,  W ~ χ²_df
 * 这比正态近似准确得多（实测 d=0.5,n=16 时正态给 0.516，精确值 0.34）。
 *
 * @param t 分位点
 * @param df 自由度（>= 1）
 * @param ncp 非中心参数
 */
export declare function noncentralTCdf(t: number, df: number, ncp: number): number;
/**
 * 正则化不完全 Beta 函数 I_x(a, b)（连分式展开，Numerical Recipes 风格）。
 */
export declare function incompleteBeta(x: number, a: number, b: number): number;
/**
 * 达到目标功效所需的样本量。
 * @param effect 效应量
 * @param sd 标准差
 * @param targetPower 目标功效（默认 0.8）
 * @param alpha 显著性水平
 */
export declare function requiredSampleSize(effect: number, sd: number, targetPower?: number, alpha?: number): number;
/**
 * Deflated Sharpe（Bailey & López de Prado）。
 * 校正"在 N 次试验里挑最好"的选择偏差。
 * @param sharpe 观测夏普（与 n 同频）
 * @param n 样本期数
 * @param trials 试验次数
 * @param skew 偏度
 * @param excessKurt 超额峰度（正态=0）
 */
export declare function deflatedSharpe(sharpe: number, n: number, trials: number, skew?: number, excessKurt?: number): {
    dsr: number;
    minSharpe: number;
    significant: boolean;
    sd?: number;
};