diff --git a/research/HANDOFF.md b/research/HANDOFF.md
index 1b944a0..c47033a 100644
--- a/research/HANDOFF.md
+++ b/research/HANDOFF.md
@@ -241,6 +241,28 @@ push = z_above if direction == 1 else z_below
 > **亏损扎堆已经体现在里面**，不是用独立假设推出来的。相关性没被漏掉，
 > 只是不能再指望「加币能降回撤」。
 
+**11 币全样本复核（step48，2026-08-28）**：1161 笔 / 208 天 / 实盘口径。
+
+相邻两笔的间隔：中位 **122 分钟**，62.8% 超过 1 小时，组合平均每天仅 5.58 笔。
+同时持仓数：**90.9% 的时间空仓**，7.5% 只有 1 仓，≥2 仓合计 1.7%，峰值 8。
+
+所以「11 个币会不会同时开」的答案是：**绝大多数时候不会，但左尾是硬的**——
+7.4% 的信号与前一笔同分钟、20.7% 在 5 分钟内。而这批的方向：
+
+> 同一分钟出现多笔的时刻共 72 个，**方向完全一致的占 100.0%**（不是 92.7%）。
+
+**这些同时开的仓不是分散，是同一笔押注被拆到几个币上做。**
+名义 3 个仓位，实质是 3 倍单向敞口。两条推论：
+
+1. **保证金不是约束，闲置才是。** 91% 时间空仓，峰值并发只占 0.1% 的时间。
+   「币多了保证金不够」基本不成立，真问题是资金绝大部分时间在睡觉
+2. **并发上限要按「同向净敞口」设，不能按「仓位个数」设。**
+   同时开的必然同向，限「最多 3 仓」等于允许 3 倍单向敞口
+
+**TRX 应从币池剔除**：实盘口径 208 天只有 **5 笔**，ATR 门控几乎全刷掉
+（与 §5.3「2026 只剩 4.2%」一致）。实际可用是 10 个币，不是 11 个。
+逐币每天笔数：DOGE/AVAX/SOL 约 0.66，BTC/LTC 0.45，BNB 0.31，TRX 0.02。
+
 #### 3.32 多空对称：这不是伪装成策略的 beta
 
 用户问「整个市场都是正相关的，是不是很少有独立行情」。市场相关是真的，
diff --git a/research/step48_signal_timing.py b/research/step48_signal_timing.py
new file mode 100644
index 0000000..977db32
--- /dev/null
+++ b/research/step48_signal_timing.py
@@ -0,0 +1,176 @@
+"""Step 48：11 个币的开仓时刻到底挤不挤 —— 保证金要备多少、分散是不是真的。
+
+用户问：11 个币对开仓时间差距有多少，不是同时开吧。
+
+这个数决定三件事：
+  1. 保证金峰值。若真是同时开 11 个，按每笔固定风险算的名义额会叠到很高
+  2. "多币 = 分散"是否成立。§3.31 已知同时发生的信号 92.7% 同向——
+     那种情况下多开的仓不是分散，是加杠杆
+  3. 资金利用率。若大部分时间空仓，那"资金量不够"就不是真约束
+
+口径与实盘一致：深色（同向 ∧ 阶梯）∧ ATR≥8bp，持仓按回测实际出场根数
+（1m 上 1 根 = 1 分钟），不是一律按 48 根上限。
+"""
+from __future__ import annotations
+
+import argparse
+import os
+import sys
+import warnings
+from concurrent.futures import ProcessPoolExecutor, as_completed
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+warnings.filterwarnings("ignore")
+for v in ("OMP_NUM_THREADS", "OPENBLAS_NUM_THREADS", "MKL_NUM_THREADS"):
+    os.environ.setdefault(v, "1")
+
+HERE = Path(__file__).resolve().parent
+sys.path.insert(0, str(HERE))
+sys.path.insert(0, str(HERE.parent))
+pd.set_option("display.width", 320)
+
+SL, SCALE_AT, RUNNER, RSTOP, MAXB = 2.0, 3.0, 8.0, 2.0, 48
+GATE_BP = 8.0
+OUT = HERE / "out" / "step48_signal_times.feather"
+
+
+def collect(sym: str, rows: int) -> pd.DataFrame | None:
+    import warnings as _w
+    _w.filterwarnings("ignore")
+    sys.path.insert(0, str(HERE))
+    sys.path.insert(0, str(HERE.parent))
+
+    from chanlun import TF_DF
+    from chanlun.analysis.fast_bsp import (
+        add_zone_ladder, attach_htf_agree, attach_zone_ladder,
+        build_htf_zones, find_fast_bsp3, htf_fx_timeline,
+    )
+    from lib.data import fetch_ohlcv
+    from lib.exit_model import cfg_name, walk_exits
+
+    try:
+        df = fetch_ohlcv(f"{sym}/USDT:USDT", "1m", rows)
+        if df is None or len(df) < 50_000:
+            return None
+        chan = TF_DF(df, 1, "1m", lean=True)
+        cdf = chan.dataframe
+        zones = build_htf_zones(cdf, "1m", chan=chan)
+        if zones.empty:
+            return None
+        zl = add_zone_ladder(zones.reset_index(drop=True))
+        sig = find_fast_bsp3(cdf, zl)
+        if sig.empty:
+            return None
+
+        dh = fetch_ohlcv(f"{sym}/USDT:USDT", "5m", 10 ** 9)
+        ch = TF_DF(dh, 1, "5m", lean=True)
+        sig = attach_zone_ladder(attach_htf_agree(sig, cdf, htf_fx_timeline(ch, ch.dataframe)), zl)
+
+        res = walk_exits(cdf, sig, [SL], [RUNNER], [MAXB],
+                         scale_at=SCALE_AT, runners=(RUNNER,), runner_stops=(RSTOP,))
+        cfg = cfg_name(SL, RUNNER, MAXB, RSTOP)
+        idx = sig["entry_idx"].to_numpy().astype(int)
+        atr = cdf["atr"].to_numpy(float)[idx]
+        close = cdf["close"].to_numpy(float)[idx]
+        return pd.DataFrame({
+            "sym": sym,
+            "date": cdf["date"].to_numpy()[idx],
+            "dir": sig["direction"].to_numpy(),
+            "atr_bp": atr / close * 1e4,
+            "htf": sig["htf_agree"].to_numpy(),
+            "lad": sig["ladder_ok"].to_numpy(),
+            "hold": res[f"{cfg}_b"].to_numpy(),
+        })
+    except Exception as e:
+        print(f"  {sym} 失败: {e!r}", flush=True)
+        return None
+
+
+def analyse(d: pd.DataFrame, label: str) -> None:
+    d = d.sort_values("date").reset_index(drop=True)
+    span = (d.date.max() - d.date.min()).total_seconds() / 86400
+    print("\n" + "=" * 96)
+    print(f"########## {label}：{d.sym.nunique()} 币 / {len(d)} 笔 / 跨 {span:.0f} 天 ##########")
+    print(f"组合 {len(d) / span:.2f} 笔每天 —— 平均每 {span * 24 / len(d):.1f} 小时才 1 笔")
+
+    g = d.date.diff().dt.total_seconds().dropna() / 60
+    print("\n相邻两笔间隔（分钟）")
+    qs = [(q, g.quantile(q)) for q in (0.05, 0.10, 0.25, 0.50, 0.75, 0.90)]
+    print("  " + "  ".join(f"{int(q*100)}%:{v:.0f}" for q, v in qs))
+    for lab, m in (("同一分钟", g == 0), ("≤5 分钟", g <= 5),
+                   ("≤60 分钟", g <= 60), (">1 小时", g > 60)):
+        print(f"  {lab:<9}{m.sum():>5} 次  {m.mean()*100:>5.1f}%")
+
+    # 并发持仓：按回测实际持仓根数
+    ev = []
+    for t, h in zip(d.date, d.hold):
+        ev.append((t, 1))
+        ev.append((t + pd.Timedelta(minutes=float(h)), -1))
+    ev.sort()
+    cur, prev, dur = 0, None, {}
+    for t, delta in ev:
+        if prev is not None and t > prev:
+            dur[cur] = dur.get(cur, 0) + (t - prev).total_seconds()
+        cur += delta
+        prev = t
+    tot = sum(dur.values())
+    print("\n同时持仓数的时间占比")
+    for k in sorted(dur):
+        if dur[k] / tot > 0.0005:
+            print(f"  {k:>2} 个: {dur[k]/tot*100:>5.1f}%")
+    print(f"  最大并发 {max(dur)} 个；有仓位的时间仅占 {(1-dur.get(0,0)/tot)*100:.1f}%")
+
+    # 同时开仓时的方向一致性——这决定"多币"到底是分散还是加杠杆
+    same = d.groupby(d.date)["dir"].agg(["count", "nunique"])
+    multi = same[same["count"] > 1]
+    if len(multi):
+        agree = (multi["nunique"] == 1).mean()
+        print(f"\n同一分钟出现多笔的时刻 {len(multi)} 个，其中方向完全一致的占 "
+              f"{agree*100:.1f}% —— 这部分不是分散，是同一笔押注被拆成几个币")
+
+
+def main() -> None:
+    ap = argparse.ArgumentParser()
+    ap.add_argument("--symbols", default="BTC,BNB,ETH,SOL,LINK,LTC,AVAX,XRP,DOGE,ADA,TRX")
+    ap.add_argument("--rows", type=int, default=300_000)
+    ap.add_argument("--workers", type=int, default=3)
+    ap.add_argument("--reuse", action="store_true", help="直接读已存的 feather")
+    args = ap.parse_args()
+
+    if args.reuse and OUT.exists():
+        d = pd.read_feather(OUT)
+    else:
+        syms = [s.strip() for s in args.symbols.split(",")]
+        print(f"[开仓时刻分布] {len(syms)} 币 × {args.rows} 根 1m\n", flush=True)
+        parts = []
+        with ProcessPoolExecutor(max_workers=args.workers) as ex:
+            fut = {ex.submit(collect, s, args.rows): s for s in syms}
+            for i, f in enumerate(as_completed(fut), 1):
+                r = f.result()
+                print(f"  [{i}/{len(syms)}] {fut[f]} {0 if r is None else len(r)}", flush=True)
+                if r is not None:
+                    parts.append(r)
+        if not parts:
+            print("无结果")
+            return
+        d = pd.concat(parts, ignore_index=True)
+        d.to_feather(OUT)
+
+    d["date"] = pd.to_datetime(d["date"])
+    dark = (d["htf"] == 1.0) & d["lad"]
+    analyse(d[dark & (d.atr_bp >= GATE_BP)], "实盘口径：深色 ∧ ATR≥8bp")
+    analyse(d[dark], "对照：深色但不加 ATR 门控")
+
+    print("\n########## 逐币笔数（实盘口径）##########")
+    dd = d[dark & (d.atr_bp >= GATE_BP)]
+    t = dd.groupby("sym").agg(笔数=("date", "size"), 中位持仓分钟=("hold", "median")).sort_values("笔数", ascending=False)
+    span = (dd.date.max() - dd.date.min()).total_seconds() / 86400
+    t["每天笔数"] = (t["笔数"] / span).round(3)
+    print(t.to_string())
+
+
+if __name__ == "__main__":
+    main()