残差理论 | Residual Theory

🔀 信道残差 Capacity Residual

信道容量 C 与实际传输速率 R 的差值 C−R，代表「未被利用的通信能力」。

在高频交易中，订单簿深度就是市场信道残差的空间。

📉 条件熵残差 Conditional Entropy Gap

H(Y|X) 度量已知 X 后 Y 的剩余不确定性。

当 H(Y|X) 接近 0 时 X 完全预测 Y。残差越大，多因子模型中因子冗余度越小，预测空间越大。

🧩 科尔莫戈罗夫复杂度残差

观测序列复杂度 K(s) 与压缩表示长度 |C(s)| 之差 K(s)−|C(s)|，度量数据的「不可压缩本质」。

复杂度残差越大，数据越接近随机游走。

⚖️ 互信息与冗余 Redundancy

I(X;Y)=H(X)+H(Y)−H(X,Y)。

残差 R=H_max − I(X;Y)，即最大可能互信息与实际互信息之差，代表变量间「未被解释的关联」。

🌀 自组织临界性 SOC

系统被驱动到临界点后，小事件触发级联，残差能量在事件间积累。地震、沙堆、股票市场都符合 SOC——残余应力就是系统的残差场。

🌊 混沌边缘 Edge of Chaos

Lyapunov 指数 λ>0 表示混沌（初始误差指数放大），λ<0 表示稳定。

残差系统在混沌边缘有最大的信息处理能力，既不完全有序也不完全混乱。

📍 吸引子残差 Attractor Residual

系统在状态空间中的当前位置与最近吸引子之间的距离。

残差越大，系统越远离稳态，演化方向越不确定。

🔄 势能面残差 Landscape Residual

残差势能 ΔV = V(x) − V_min。

残差势能驱动系统演化，高残差势能代表系统处于亚稳态，有向更低能态跃迁的趋势。

🎯 H∞ 鲁棒控制

设计控制器使系统对最坏扰动的增益最小化。核心是 min ||T_yw||∞，即从扰动 w 到输出 y 的传递函数 H∞ 范数最小化。残差设计 = 不确定性上界。

🔧 模型参考自适应控制 MRAC

参考模型给出理想响应 e_m，残差 e = e_m − e 驱动自适应律调整控制器参数。

当残差不收敛时，说明存在建模误差或外部扰动超出自适应范围。

🛡️ 故障检测残差 FDI

正常运行时系统输出与观测器输出之差理论上为零。

故障发生时残差突变，形成故障signature。阈值检测触发报警。

📐 滑模控制 Sliding Mode

设计滑模面 s(x)=0，驱动系统状态在有限时间内到达并保持。

残差 |s(x)| 度量系统与滑模面的距离，高速切换控制信号维持滑模。

🌡️ 自由能残差 Free Energy Gap

亥姆霍兹自由能 F = U − TS，系统趋向于最小化 F。

残差 ΔF = F_current − F_equilibrium。当 ΔF → 0 系统达到平衡；ΔF > 0 时有演化驱动力。

📊 熵产生率 Entropy Production

Σ J_i · X_i ≥ 0，其中 J 是流，X 是力。

系统持续产生熵。残差熵产生率 = 实际熵产生 − 最小耗散，对应系统在远离平衡态时的「额外努力」。

⚡ 序参量弛豫 Residual Order Parameter

相变过程中序参量 η 趋近平衡值 η_eq。

残差 δη = η_current − η_eq 表征系统偏离稳态的程度。临界慢化现象中 δη 弛豫时间 τ → ∞。

🧊 准静态过程残差 Quasi-static Residual

可逆过程 W_rev = −ΔF，不可逆 W > W_rev。

差值 W_irrev = W − W_rev 是残差功，「不必要的能量损耗」。效率 η = W_rev / W。

🌊 级联失效 Cascade Failure

网络局部节点过载，负载重新分配触发下一节点过载。残差容量 C_res = C_node − Load_current 是系统在失效前的缓冲空间。

🕸️ 渗流阈值 Percolation Threshold

随机网络连接概率 p 超过临界值 p_c 时发生渗流相变。

残差 δ = p_c − p 度量系统与渗流阈值的距离，接近 0 时最脆弱。

🐦 涌现与尺度律 Emergence

个体行为残差 e_i = a_i − ⟨a⟩ 与群体行为 ⟨A⟩ 的协方差 > 0 时正反馈驱动涌现。

宏观序参量与微观平均的残差随临界点增加。

🏛️ 多稳态与路径依赖

复杂系统常存在多个稳定吸引子，当前状态是历史残差的积累：x_t = f(x_{t−1}) + ε_t + H_t，其中 H_t 是路径依赖项（状态记忆）。

📈 因子残差 Factor Residual

股票收益 r_i = β_i · f + α_i，β 是因子暴露，α 是特质收益（残差Alpha）。

α > 0 且统计显著 → 超额收益来源；σ²(α) 异常大 → 特质风险暴露。

🔮 预测残差 Forecast Residual

预测模型给出 ŷ_t，真实值 y_t，残差 ε_t = y_t − ŷ_t。

非零均值 → 系统性偏差；自相关 → 模型遗漏了时间结构。

⚖️ 风险残差 Risk Residual

组合 VaR = VaR_factor + VaR_idio，特质风险残差 σ_idio = sqrt(Σ w_i² · σ²(α_i))。

特质风险残差的聚集是市场见顶前的典型信号。

🧠 机器学习残差 Boosting

梯度提升中每棵树拟合前一步的负梯度（伪残差）−∂L/∂f。

F(x) = Σ γ_m·h_m(x)，每一步都在修正前序残差。残差收敛速度反映模型对数据真实结构的解释程度。