用 7 年长样本复核 step54：时段坐实无效，周日效应符号翻转、撤回

用户追问"你用的是长时间周期分析的？"。原答案是 1m / 18.5 个月 / 3941 笔，
而上一轮的结论是"没效果"——没效果最怕样本不够，这个追问戳到了点子上。

改用 step41 那份 5m/15m/30m 复核：2019-09 → 2026-08，2525 天，8168 笔。
口径能对上——keep = (h1_agree==1) & push 就是深色过滤，出场配置
s2_so8_k2_m48 正是实盘那套 2/3/8/2/48（cfg_name 的分批命名，scale_at 默认 3）。
唯一差异是没加 ATR≥8bp 门控，而 §3.5 实测它在这些周期上几乎不触发
（30m 0%、15m 0.16%、5m 2.6%）。

① 时段坐实无效。段间毛R极差的置换 p：5m 0.6185、15m 0.6687、30m 0.3105、
合并 0.6445，全部远离显著。1m 那个 p=0.0895 现在看清楚了，就是零分布里运气
略好的一条尾巴。

② 周末效应没复现，而且符号翻转。1m 上周末−工作日是 -0.132（p=0.0246），
长样本上 5m +0.014、15m +0.142、30m -0.006、合并 +0.041；周日从 -0.199
（p=0.0079）变成 +0.033。这不是严格的样本外复现——1m 与 5m 是不同的信号
总体——但若"周末流动性薄所以吃亏"是真的市场结构效应，它没有理由只在 1m 上
出现、在 5m 上还反号。

所以上一提交里"周日效应统计上真实"那句要撤回。本步一共跑了约 35 个分组比较
（24 小时 + 两套时段定义 + 7 个星期 + 周末/周日），冒出一个 p=0.008 恰是多重
比较的期望产物。HANDOFF 里已把该结论标为撤回并记下两条教训：报告"无效"之前
先确认样本量撑得起这个"无"；在几十个分组里挑出的最显著那个，默认它是噪声，
除非能在另一个总体上复现。

实践结论不变且更硬：不加任何时间维度的过滤，mom60≥7 仍是唯一值得上的开关。

复核走 --long，复用 step41 已有 feather，未重跑采集。

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

research/step54_session.py

@@ -299,11 +299,90 @@ def decision(d: pd.DataFrame, cuts: dict) -> None:
     print(pd.DataFrame(rows).to_string(index=False))
 
 
+SRC41 = HERE / "out" / "step41_exit_tp.feather"
+# step41 的分批出场配置名，与实盘完全一致：SL 2 / 减半 3（scale_at 默认）/
+# runner 8 / runner 止损 2 / 48 根。见 lib.exit_model.cfg_name
+CFG41 = "s2_so8_k2_m48"
+
+
+def long_history() -> None:
+    """用 5m/15m/30m 的 7 年数据复核时段与星期几。
+
+    为什么要这一步：1m 只能追到 18.5 个月（3941 笔），而时段结论是"没效果"，
+    **没效果最怕的就是样本不够**。step41 那份跨 2019-09 → 2026-08，5m 单周期
+    就有 5434 笔，且过滤口径相同（`h1_agree==1 & push` 就是深色），出场配置
+    也能对上实盘那套。若长样本上仍然测不出时段效应，"无效"才站得住。
+
+    ⚠️ 口径差一处：这里没加 ATR≥8bp 门控。§3.5 实测该门控在这些周期上几乎
+    不触发（30m 0%、15m 0.16%、5m 2.6%），所以影响可忽略，但要记着。
+    """
+    from lib.exit_model import fee_of, taker_notional
+
+    d = pd.read_feather(SRC41)
+    d["date"] = pd.to_datetime(d["date"])
+    g, r, c = (d[f"{CFG41}_{k}"].to_numpy() for k in ("g", "r", "c"))
+    d["net"] = g - fee_of(r, c)
+    d["gR"] = g / (SL * d.atr_pct.values)
+    d["R"] = d.net / (SL * d.atr_pct.values)
+    d["tn"] = taker_notional(r, c)
+    d["atr_bp"] = d.atr_pct * 1e4
+    utc = d.date.dt.tz_convert("UTC")
+    d["utc_h"], d["utc_dow"] = utc.dt.hour, utc.dt.dayofweek
+
+    print("\n" + "#" * 100)
+    print("########## 长样本复核：5m/15m/30m × 7 年 ##########")
+    print(f"{len(d)} 笔 · {d.symbol.nunique()} 币 · "
+          f"{d.date.min():%Y-%m} → {d.date.max():%Y-%m}"
+          f"（{(d.date.max()-d.date.min()).days} 天）")
+    print(f"出场配置 {CFG41}（= 实盘的 2/3/8/2/48）· 深色已过滤 · 无 ATR 门控")
+
+    for tf in ("5m", "15m", "30m"):
+        x = d[d.ltf == tf].copy()
+        if len(x) < 300:
+            continue
+        x["seg"] = label_session(x.utc_h, SESSIONS)
+        print(f"\n--- {tf}（{len(x)} 笔）时段 ---")
+        rows = []
+        for n, _, _ in SESSIONS:
+            s = x[x.seg == n]
+            ins, oos = s[s.group == "样本内"], s[s.group == "样本外"]
+            row = stat(s, n, len(x))
+            row["样本内毛R"] = round(ins.gR.mean(), 3) if len(ins) >= 30 else None
+            row["样本外毛R"] = round(oos.gR.mean(), 3) if len(oos) >= 30 else None
+            rows.append(row)
+        print(pd.DataFrame(rows).to_string(index=False))
+        permutation(x, SESSIONS, n_iter=10_000)
+
+        we = (x.utc_dow >= 5).to_numpy()
+        print(f"\n--- {tf} 工作日 vs 周末 ---")
+        print(pd.DataFrame([stat(x[~we], "工作日", len(x)),
+                            stat(x[we], "周末", len(x))]).to_string(index=False))
+        perm_binary(x, we, f"{tf} 周末 vs 工作日", n_iter=10_000)
+
+    print("\n--- 三周期合并（每笔等权）---")
+    d["seg"] = label_session(d.utc_h, SESSIONS)
+    print(pd.DataFrame([stat(d[d.seg == n], n, len(d))
+                        for n, _, _ in SESSIONS]).to_string(index=False))
+    permutation(d, SESSIONS, n_iter=10_000)
+    we = (d.utc_dow >= 5).to_numpy()
+    print(pd.DataFrame([stat(d[~we], "工作日", len(d)),
+                        stat(d[we], "周末", len(d))]).to_string(index=False))
+    perm_binary(d, we, "合并 周末 vs 工作日", n_iter=10_000)
+    perm_binary(d, (d.utc_dow == 6).to_numpy(), "合并 周日 vs 其余",
+                n_iter=10_000)
+
+
 def main() -> None:
     ap = argparse.ArgumentParser()
     ap.add_argument("--src", default=str(SRC))
+    ap.add_argument("--long", action="store_true",
+                    help="只跑 5m/15m/30m 的 7 年长样本复核")
     args = ap.parse_args()
 
+    if args.long:
+        long_history()
+        return
+
     from step50_volume import prep
 
     d = pd.read_feather(args.src)