/**
 * Walk-forward 训练评估框架（纯函数、零依赖）—— dsh-ml 域（PCPT 映射）。
 *
 * 兑现「提供 demo + ML 知识 + 训练评估框架」承诺的最小可用形态：
 * 滚动训练 / 样本外预测的线性回归，输出全样本外预测、IC/RankIC 与
 * 逐窗口权重——量化 ML 的入门金标准流程（训练不偷看未来）。
 *
 * 对齐约定（与 factor.ts 一致）：features[t] 预测 returns[t+1]。
 */
export interface WalkForwardWindow {
    /** 训练区间起点（features 索引） */
    trainStart: number;
    /** 训练区间终点（不含） */
    trainEnd: number;
    /** 样本外区间起点 */
    testStart: number;
    /** 样本外区间终点（不含） */
    testEnd: number;
    /** 截距 */
    intercept: number;
    /** 各特征系数（与 features 顺序一致） */
    weights: number[];
    /** 训练集拟合优度 */
    trainR2: number;
}
export interface WalkForwardResult {
    /** 样本外预测序列（与 features 等长；训练区与尾部为 null） */
    predictions: (number | null)[];
    /** 样本外 IC（Pearson） */
    oosIc: number;
    /** 样本外 RankIC（Spearman） */
    oosRankIc: number;
    /** 样本外预测样本数 */
    oosCount: number;
    /** 逐窗口模型 */
    windows: WalkForwardWindow[];
    /** 训练集平均拟合优度 */
    trainR2Mean: number;
}
/**
 * Walk-forward：滚动 OLS 训练（截距 + 特征）→ 样本外预测 → IC/RankIC。
 * 窗口按 step（默认 = testWindow）前进；窗口起点从 trainWindow 开始，
 * 保证每个训练窗口只使用区间内的历史，样本外绝不进入训练。
 */
export declare function walkForward(returns: readonly number[], features: readonly (readonly number[])[], trainWindow: number, testWindow: number, step?: number): WalkForwardResult;