/**
 * 线性模型（纯函数、零依赖）—— dsh-ml 域（PCPT 映射）。
 *
 * OLS / Ridge 的独立 fit/predict：把 walk-forward 与因子中性化里用到的
 * 回归引擎抽成通用工具，是「ML 框架」承诺的最小可解释单元。
 *
 * 约定：X 为样本×特征（X[i] 是第 i 个样本的特征向量），y 与样本对齐。
 * Ridge 只惩罚特征权重（不惩罚截距），lambda=0 即 OLS。
 */
export interface LinearModelFit {
    intercept: number;
    weights: number[];
    /** 训练集拟合优度（目标方差为 0 且拟合精确时为 1） */
    trainR2: number;
    /** 样本数 */
    n: number;
    /** Ridge 惩罚系数（0 = OLS） */
    lambda: number;
}
/**
 * 拟合线性模型 y ≈ intercept + Σ w_k · X[i][k]（Ridge 时惩罚特征权重）。
 * X 样本数须与 y 等长；样本特征维度须一致且 ≥ 1。
 */
export declare function fitLinearModel(X: readonly (readonly number[])[], y: readonly number[], lambda?: number): LinearModelFit;
/** 用拟合结果对 X（样本×特征）做预测。 */
export declare function predictLinearModel(fit: LinearModelFit, X: readonly (readonly number[])[]): number[];
/** 简单 Pearson 相关（与 factor.ts 相同的定义）。 */
export declare function pearson(a: readonly number[], b: readonly number[]): number;
/** 预测 vs 真值的外样本评价：R² + IC（Pearson）。 */
export declare function evaluatePredictions(predictions: readonly number[], actual: readonly number[]): {
    r2: number | null;
    ic: number;
};