加跨地部署脚本与站点对比，数据全表加 site 列

目的是在第二台机器（AWS）上跑一套完全相同的采集，看不同地理位置的数据差异。
滑点里最大的一项是延迟漂移，而延迟含网络传输，所以机房选址是可优化参数。

数据侧两处必需改动：

- 全部输出加 site 列（三张 CSV 加 gzip 里的盘口与成交流）。没有这一列，两台
  机器的数据合起来就分不清来源。为免四处 writerow 漏加一处产生静默空值，
  改在 _SiteWriter 里统一注入。
- start.sh 在时钟未同步或偏移超 10ms 时**拒绝启动**。所有延迟数字都是
  「本地时钟 − 交易所 K 线收盘」，时钟偏 50ms 就全部同向偏 50ms，且不报错，
  只会让跨地对比得出一个干净且完全错误的结论。

deploy/ 下四个文件：setup.sh（docker + chrony + 拉镜像）、start.sh（校验时钟、
写运行元数据、起容器）、status.sh（健康速查）、README。运行元数据记 git commit、
镜像摘要、时钟偏移——两地数据对不上时，这三项任一不同都足以解释差异。

compare_sites.py 做配对对比：只取各站都有的 K 线（不取交集可能在比不同时段，
而延迟对市场活跃度敏感），并报配对差的符号占比而非两个中位数相减。已用注入
120ms 的合成数据验证能精确还原。另有一条自检：同一固定延迟点上两站漂移应当
相同——漂移是市场性质，若也差很多则先查时钟与时段对齐。

status.sh 里按列名取字段下标而非写死数字：加 site 列时字段整体右移过一次，
写死 $8 会静默变成读 lag_signal_ms 而非 lag_data_ms。

Co-authored-by: Cursor <cursoragent@cursor.com>

research/live/compare_sites.py

@@ -0,0 +1,184 @@
+"""对比两个（或多个）采集站点的数据差异。
+
+部署第二台机器的目的就是这个：延迟是「本地接收 − 交易所 K 线收盘」，直接
+取决于机器到交易所的网络距离，换个地理位置这个数会变。而滑点里最大的一项
+是延迟漂移，所以站点选址本身就是一个可优化的参数。
+
+## 判读前必须先看的两件事
+
+1. **时钟。** 两台机器的时钟偏移差多少，延迟对比就凭空差多少，且不报错。
+   run_meta_*.json 里有各站启动时的 chrony 偏移，先确认都在 10ms 内。
+2. **同期。** 只比两站都有数据的那些 kline_ts。不取交集的话，比的可能是
+   不同时段的市场状态，而延迟对市场活跃度是敏感的。
+
+## 用法
+
+把各站的 research/out/ 收到一处（文件名相同会覆盖，所以先按站点改名或
+分目录放），然后：
+
+    python research/live/compare_sites.py --glob 'collected/*/shadow_latency.csv'
+"""
+from __future__ import annotations
+
+import argparse
+import glob
+import json
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+
+def load(patterns: list[str]) -> pd.DataFrame:
+    paths: list[str] = []
+    for p in patterns:
+        paths.extend(sorted(glob.glob(p)))
+    if not paths:
+        raise SystemExit(f"没有匹配到文件：{patterns}")
+    frames = []
+    for p in paths:
+        df = pd.read_csv(p)
+        if "site" not in df.columns:
+            raise SystemExit(
+                f"{p} 没有 site 列。这是 2026-08-28 之前采的旧数据，"
+                f"无法确定来源，不能用于跨地对比")
+        df["_src"] = p
+        frames.append(df)
+    out = pd.concat(frames, ignore_index=True)
+    print(f"读入 {len(paths)} 个文件、{len(out):,} 行、"
+          f"站点 {sorted(out['site'].unique())}")
+    return out
+
+
+def show_meta(out_dirs: list[Path]) -> None:
+    print("\n########## 一、运行元数据 ##########")
+    metas = []
+    for d in out_dirs:
+        metas.extend(sorted(d.glob("run_meta_*.json")))
+    if not metas:
+        print("  没找到 run_meta_*.json。时钟偏移与代码版本无法核对——")
+        print("  两站数据若有差异，分不清是地理位置还是环境不同造成的")
+        return
+    rows = []
+    for m in metas:
+        try:
+            rows.append(json.loads(m.read_text()))
+        except Exception as e:
+            print(f"  {m.name} 读取失败：{e!r}")
+    if not rows:
+        return
+    df = pd.DataFrame(rows)
+    keep = [c for c in ("site", "clock_offset_ms", "git_commit", "git_dirty",
+                        "image_digest", "nproc", "mem_gb", "tz",
+                        "started_utc") if c in df.columns]
+    print(df[keep].to_string(index=False))
+    if "clock_offset_ms" in df and df["clock_offset_ms"].notna().any():
+        o = df["clock_offset_ms"].astype(float)
+        spread = float(o.max() - o.min())
+        flag = "" if spread < 5 else "  ⚠ 这个差会直接叠加到延迟对比上"
+        print(f"\n  站点间时钟偏移极差 {spread:.3f}ms{flag}")
+    if "git_commit" in df and df["git_commit"].nunique() > 1:
+        print("  ⚠ 各站代码版本不同，差异可能来自代码而非地理位置")
+    if "git_dirty" in df and df["git_dirty"].any():
+        print("  ⚠ 有站点带未提交改动，无法复现")
+
+
+def compare_latency(df: pd.DataFrame, col: str = "lag_data_ms") -> None:
+    """延迟对比。只取各站都有的 kline_ts，避免比到不同时段。"""
+    if col not in df.columns:
+        print(f"\n没有 {col} 列")
+        return
+    sites = sorted(df["site"].unique())
+    if len(sites) < 2:
+        print(f"\n只有一个站点（{sites[0]}），无从对比。"
+              f"等第二台机器的数据到齐")
+        return
+
+    print(f"\n########## 二、到达延迟（{col}） ##########")
+    print("\n  全量（各站各自的样本，时段可能不同）")
+    for s in sites:
+        x = df[df["site"] == s][col].dropna().astype(float)
+        print(f"    {s:<16} n={len(x):>6} 中位 {x.median():>7.0f}ms "
+              f"P90 {np.percentile(x, 90):>7.0f}ms "
+              f"P99 {np.percentile(x, 99):>7.0f}ms")
+
+    # 取交集：同一根 K 线在各站都有记录
+    key = ["sym", "kline_ts"]
+    piv = df.pivot_table(index=key, columns="site", values=col,
+                         aggfunc="first")
+    both = piv.dropna()
+    if both.empty:
+        print("\n  各站没有共同的 K 线。可能是采集时段不重叠，")
+        print("  或 kline_ts 对不上（先查两站时区与时钟）")
+        return
+    print(f"\n  同根对比（{len(both):,} 根 K 线，各站都有）")
+    for s in sites:
+        x = both[s].astype(float)
+        print(f"    {s:<16} 中位 {x.median():>7.0f}ms "
+              f"P90 {np.percentile(x, 90):>7.0f}ms")
+    base = sites[0]
+    for s in sites[1:]:
+        d = (both[s] - both[base]).astype(float)
+        # 配对差的符号检验：同根配对消掉了市场状态，比两个中位数相减干净
+        n_pos = int((d > 0).sum())
+        print(f"\n    {s} − {base}：中位差 {d.median():+.0f}ms "
+              f"· 均值差 {d.mean():+.0f}ms")
+        print(f"      {s} 更慢的根占 {n_pos / len(d) * 100:.1f}%"
+              f"（50% 表示无系统性差异）")
+        for sym in sorted(both.index.get_level_values("sym").unique()):
+            ds = d.xs(sym, level="sym")
+            print(f"      {sym:<5} 中位差 {ds.median():+7.0f}ms  (n={len(ds)})")
+
+
+def compare_drift(patterns: list[str]) -> None:
+    """漂移对比。延迟差若能兑换成漂移差，才是钱上的差别。"""
+    paths: list[str] = []
+    for p in patterns:
+        paths.extend(sorted(glob.glob(p)))
+    if not paths:
+        return
+    frames = []
+    for p in paths:
+        d = pd.read_csv(p)
+        if "site" in d.columns:
+            frames.append(d)
+    if not frames:
+        return
+    df = pd.concat(frames, ignore_index=True)
+    if df["site"].nunique() < 2:
+        return
+    print("\n########## 三、延迟漂移（无条件，每根都记） ##########")
+    for label in sorted(df["delay_label"].dropna().unique()):
+        sub = df[df["delay_label"] == label]
+        line = f"  {label:>7}"
+        for s in sorted(sub["site"].unique()):
+            x = sub[sub["site"] == s]["drift_bp_long"].dropna().astype(float)
+            if len(x):
+                line += f" · {s} {x.abs().median():.3f}bp(n={len(x)})"
+        print(line)
+    print("\n  同一个固定延迟点上，两站的漂移应当几乎相同——漂移是市场性质，")
+    print("  与机器位置无关。若差异明显，先查时钟与采集时段是否对齐")
+
+
+def main() -> None:
+    ap = argparse.ArgumentParser()
+    ap.add_argument("--glob", action="append", default=None,
+                    help="shadow_latency.csv 的路径模式，可给多次")
+    ap.add_argument("--drift-glob", action="append", default=None)
+    ap.add_argument("--meta-dir", action="append", default=None)
+    a = ap.parse_args()
+
+    lat = a.glob or ["research/out/shadow_latency.csv",
+                     "collected/*/shadow_latency.csv"]
+    drf = a.drift_glob or ["research/out/shadow_drift.csv",
+                           "collected/*/shadow_drift.csv"]
+    metas = [Path(p) for p in (a.meta_dir or ["research/out", "collected"])]
+
+    show_meta([p for p in metas if p.is_dir()])
+    df = load(lat)
+    compare_latency(df)
+    compare_drift(drf)
+
+
+if __name__ == "__main__":
+    main()