research: 低滞后+质量过滤组合失败，过滤器符号翻转，一类线关闭

把 step62 的 ext_run 质量过滤接到 step56 的低滞后版上——两者各解决一半约束，
是唯一同时处理滞后和识别精度的路径。

失败，且失败方式本身是判据：过滤器符号反了。5m 上延伸度分档在滞后版是
Q1 0.12 / Q4 0.46（越延伸越好），在低滞后版是 Q1 0.58 / Q4 0.33（越短越好）。
叠加后 PF 从 0.37 掉到 0.30~0.33，比不过滤更差。div 同样翻转。

同一批信号、同一个特征，换个入场时点最优方向就反过来，说明这些过滤效果是
入场时点的交互产物而非信号的稳定属性，继续挑阈值就是拟合噪声。

一类线六次独立进攻全部止步 1.0 以下：引擎原生 0.24、反手 0.92（因果回放后）、
实时重写 0.41、结构止损 0.36、用未来函数选样 0.83、质量过滤 0.54、
低滞后+过滤 0.33。第五项尤其说明问题——即使选样做到完美也只到 0.83。

判定关闭。病根是入场价已在结构底上方 2.9 ATR、实盘再晚 15 根，来自「等笔确认」
机制本身而非参数。识别可以优化（精度能翻倍），但识别从来不是瓶颈。

fast_bsp1 顺带补 ext_atr 字段，用 ATR 归一才与 step62 的 ext_run 同口径。

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

research/lib/fast_bsp1.py

@@ -118,6 +118,7 @@ def find_fast_bsp1(
     high = df["high"].to_numpy(float)
     low = df["low"].to_numpy(float)
     hist = df["macdhist"].to_numpy(float)
+    atr = df["atr"].to_numpy(float)
     n = len(df)
     rows = []
 
@@ -198,11 +199,17 @@ def find_fast_bsp1(
                 note("√成交")
 
             edge = zd if d == -1 else zg
+            # 延伸度用 ATR 归一，才和 step62 的 ext_run 同口径 —— 那里实测它是
+            # 唯一单调区分「趋势末端 vs 趋势中途」的特征（命中率 12%→44%）。
+            # 用相对边界的百分比会混入价格水平，不同币之间不可比。
+            a_ext = atr[ext_idx]
             rows.append({
                 "entry_idx": entry_idx, "direction": -d,
                 "bo_idx": bo_idx, "ext_idx": ext_idx,
                 "lag": entry_idx - ext_idx,
                 "div": div_at,
+                "ext_atr": (abs(ext - edge) / a_ext
+                            if np.isfinite(a_ext) and a_ext > 0 else np.nan),
                 "depth": abs(ext - edge) / edge,
                 "zg": zg, "zd": zd,
                 "width_pct": (zg - zd) / close[bo_idx],