模块由四个相互独立但风格统一的 Python 包组成，每个文件封装一类统计方法并以 __all__ 显式暴露 API： - timeseries.py：基于可选后端（statsmodels、arch）实现 ADF、Engle-Granger 协整、Granger 因果、GARCH(1,1)、Markov 状态转换、异方差/自相关/VIF 诊断及纯 NumPy 的 bootstrap Sharpe；通过 _require() 在函数体内延迟导入，未安装时抛出带安装提示的 ImportError。 - eventstudy.py：以 frozen dataclass（MarketModelFit、EventOutcome、EventStudyResult）组织结果，支持 market / market_adjusted / mean_adjusted 三种正常收益模型，并通过 Patell 与 BMP 两种标准化工序给出 t/Patell/BMP 三套统计量。 - multipletesting.py：围绕 Bailey-Lopez de Prado 的 PSR/DSR 框架，提供 probabilistic_sharpe_ratio、expected_maximum_sharpe、deflated_sharpe_ratio、Benjamini-Hochberg FDR 控制与组合对称交叉验证（CSCV）的 probability_of_backtest_overfitting，所有 Sharpe 统一约定为 per-observation 而非年化。 - crossvalidation.py：实现 Lopez de Prado 的 purged + embargoed K-fold、walk-forward 与 combinatorial 分割器，核心逻辑集中在 _as_label_spans 与 _apply_purge_and_embargo 两个向量化辅助中，并由 detect_boundary_leakage 作为断言型审计工具。 依赖方向单向：本模块仅依赖 numpy、pandas、scipy 与可选的 statsmodels/arch，不反向被 quantlib 内其他子模块引用，是上层策略/回测流程的底层统计库。