research: 影子交易器落在 Hummingbot 上，并修掉 Bitget 连接器的换根延迟

1m 腿的滑点余量只有几个 bp，所以要测的必须是生产路径的滑点——换个运行时
测出来的数就不作数。框架因此从「滑点已知后再定」提前到测量阶段就定为
Hummingbot（Spot/Perp 连接器均 v2.0，Bitget 是 Foundation Partner）。

新增 research/live/。前置测量：

- bench_compute.py 本机算力，1m 单币 0.318s、三币串行 1.38s
- venue_parity.py Binance 与 Bitget 同根信号重合仅 14.6~42.6%
- signal_sensitivity.py 0.25bp 扰动就换掉一半信号
- aggregate_robustness.py 但总体期望不降——脆的是信号身份，不是 alpha
- bitget_baseline.py 因此改用 Bitget 原生基线定预算：余量 BTC -0.13bp、
  ETH +4.02bp、SOL +2.92bp。BTC 本就为负，只作延迟测量的参照物

运行时选型：

- parity_env.py 容器与本机信号逐一相同（下标、中枢数、checksum 全等），
  容器内 0.26s/币反而更快。故 chanlun 直接挂载进容器，不必另起信号服务。
  装进现有 .venv 那条路走不通：Hummingbot 要 numba>=0.61.2 与
  aiohttp<3.14，与本机 Python 3.14 冲突
- latency_ccxt.py / latency_hummingbot.py / latency_compare.py 初测显示
  Hummingbot 比 ccxt.pro 慢约 1030ms，90 根逐根配对里 80~97% 更慢
- probe_ws_action.py 否掉「丢弃 snapshot」的猜测：换根首条就是 update
- probe_hb_vs_raw.py 与 latency_attribute.py 四路归因——容器网络 2~18ms、
  Hummingbot 处理 -10~-30ms，1350~1480ms 全落在解析方式上
- probe_ws_payload.py 定位根因：Bitget 换根会推一条带两根的消息
  [上一根, 新一根]，而上游取 data["data"][0] 拿到的是上一根，新一根要等
  下一条单元素消息

修复：

- patched_candles.py 处理消息里的全部元素。不能简单改成 [-1]——那样上一根
  的收盘价会永远停在换根前约 1 秒的那次推送上，而信号对 0.25bp 都敏感
- verify_patch.py 60 根配对验证：拿回 1060~1090ms，与原始 WS 只差 5~14ms
  已贴理论下限，19 根已收盘 K 线 OHLCV 逐根未变。折算 ETH 省 0.54bp、
  SOL 省 0.42bp。此 bug 值得向上游反馈

影子交易器：

- shadow_hb.py 不下单，读连接器真实盘口按仓位吃单深度算成交价，与次根开盘价
  （回测 entry_delay=1 的口径）相减，分解成延迟漂移、盘口价差、深度冲击。
  盘口 10Hz 滚动缓冲 30 秒，把延迟变成自变量：每个信号记 0.5/1/2/5s 与实际
  算完时刻各一个滑点值，本机算得慢也不影响能读出的曲线
- shadow_signal.py 信号计算隔离到子进程。0.26s 是纯 CPU 且 chanlun 受 GIL
  限制，放进 asyncio 循环会把行情处理一起卡住
- shadow_report.py 首日延迟门槛与滑点曲线报表

不用 paper trade 测滑点：它的成交由 Hummingbot 自己的撮合模型模拟，
测出来是模型行为而非市场行为。

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

research/live/signal_sensitivity.py

@@ -0,0 +1,150 @@
+"""对照实验：信号集对微小数据差异有多敏感。
+
+venue_parity 量到 Bitget 与 Binance 的 1m 信号同根重合率只有 16%~41%，
+而两家的 close 中位差仅 0.3bp、P95 约 2.5bp。在断言「换交易所会换掉一批信号」
+之前，必须先排除另一种解释：**信号定义本身就对任何 2bp 级别的扰动极度敏感**。
+
+这两种解释的后果完全不同：
+  venue 差异   -> 换成 Bitget 自己的回测基线即可归因
+  内在脆弱     -> Binance 回测的那份逐笔清单根本不可复现，滑点无从对照
+
+做法：拿 Binance 原始数据当基线，注入不同幅度的 iid 噪声后重跑同一管线，
+看重合率随噪声幅度的衰减曲线。噪声 0 必须给出 100%，否则说明管线不确定。
+
+顺带单独测一档「tick 粗化」：把 Bitget SOL 的 0.001 精度四舍五入到 Binance
+的 0.01，看重合率是否回升——若回升，SOL 的低重合就主要是精度差异造成的。
+
+输出 out/signal_sensitivity.csv。
+"""
+from __future__ import annotations
+
+import argparse
+import os
+import sys
+import warnings
+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
+RESEARCH = HERE.parent
+sys.path.insert(0, str(RESEARCH))
+sys.path.insert(0, str(RESEARCH.parent))
+pd.set_option("display.width", 240)
+
+sys.path.insert(0, str(HERE))
+from venue_parity import overlap, pipeline  # noqa: E402
+
+SYMS = ("BTC", "ETH", "SOL")
+LEVELS = (0.0, 0.25, 0.5, 1.0, 2.0, 4.0)   # bp
+TICK = {"BTC": 0.1, "ETH": 0.01, "SOL": 0.01}
+
+
+def perturb(df: pd.DataFrame, bp: float, tick: float, seed: int) -> pd.DataFrame:
+    """给 OHLC 各自注入 iid 噪声，再修复 high/low 的包含关系并按 tick 归整。"""
+    if bp <= 0:
+        return df
+    out = df.copy()
+    rng = np.random.default_rng(seed)
+    sd = bp / 1e4
+    for c in ("open", "high", "low", "close"):
+        v = out[c].to_numpy(dtype=float)
+        out[c] = v * (1.0 + rng.normal(0.0, sd, size=len(v)))
+    o, h, l, c = (out[x].to_numpy(dtype=float) for x in ("open", "high", "low", "close"))
+    out["high"] = np.maximum.reduce([h, o, c])
+    out["low"] = np.minimum.reduce([l, o, c])
+    for x in ("open", "high", "low", "close"):
+        out[x] = np.round(out[x] / tick) * tick
+    return out
+
+
+def main() -> None:
+    ap = argparse.ArgumentParser()
+    ap.add_argument("--symbols", default="BTC,ETH,SOL")
+    ap.add_argument("--seeds", type=int, default=2)
+    ap.add_argument("--warmup", type=int, default=2000)
+    args = ap.parse_args()
+
+    from lib.data import load_local
+
+    syms = [s.strip() for s in args.symbols.split(",")]
+    period_ms = 60_000
+    print(f"[信号敏感性] {syms} · 噪声档 {LEVELS} bp · 每档 {args.seeds} 个种子\n",
+          flush=True)
+
+    rows = []
+    for sym in syms:
+        # 与 venue_parity 用同一段窗口，便于两组数字直接对照
+        cache = HERE / "cache" / f"bitget_{sym}_1m_30d.feather"
+        if not cache.exists():
+            print(f"{sym}: 缺 {cache.name}，先跑 venue_parity.py")
+            continue
+        bg = pd.read_feather(cache)
+        lo, hi = int(bg.timestamp.min()), int(bg.timestamp.max())
+
+        bn_l = load_local(f"{sym}/USDT:USDT", "1m")
+        bn_h = load_local(f"{sym}/USDT:USDT", "5m")
+        bn_l = bn_l[(bn_l.timestamp >= lo) & (bn_l.timestamp <= hi)].reset_index(drop=True)
+        bn_h = bn_h[(bn_h.timestamp >= lo) & (bn_h.timestamp <= hi)].reset_index(drop=True)
+
+        base = pipeline(bn_l, bn_h)
+        cut = bn_l["timestamp"].to_numpy()[min(args.warmup, len(bn_l) - 1)]
+        base = base[base.entry_ts >= cut]
+        base_f = base[base["h1_agree"] == 1]
+        print(f"── {sym}  基线 原始 {len(base)} 笔 / 过滤后 {len(base_f)} 笔",
+              flush=True)
+
+        for bp in LEVELS:
+            n_seeds = 1 if bp == 0 else args.seeds
+            acc = {"原始": [], "5m同向后": []}
+            cnt = {"原始": [], "5m同向后": []}
+            for k in range(n_seeds):
+                pert = pipeline(perturb(bn_l, bp, TICK[sym], 1000 + k), bn_h)
+                if pert.empty:
+                    continue
+                pert = pert[pert.entry_ts >= cut]
+                pert_f = pert[pert["h1_agree"] == 1]
+                for tag, a, b in (("原始", base, pert), ("5m同向后", base_f, pert_f)):
+                    o = overlap(a, b, period_ms)
+                    acc[tag].append(o["同根"])
+                    cnt[tag].append(o["b"])
+            for tag in ("原始", "5m同向后"):
+                if not acc[tag]:
+                    continue
+                rows.append({"品种": sym, "口径": tag, "噪声bp": bp,
+                             "基线笔数": len(base if tag == "原始" else base_f),
+                             "扰动后笔数": round(float(np.mean(cnt[tag])), 1),
+                             "同根重合": float(np.mean(acc[tag]))})
+            print(f"   噪声 {bp:>4.2f}bp: 原始 {np.mean(acc['原始']) * 100:5.1f}% · "
+                  f"过滤后 {np.mean(acc['5m同向后']) * 100:5.1f}%", flush=True)
+
+    if not rows:
+        print("无结果")
+        return
+
+    tb = pd.DataFrame(rows)
+    print("\n" + "=" * 100)
+    print("########## 噪声幅度 → 同根重合率 ##########")
+    piv = tb[tb["口径"] == "5m同向后"].pivot_table(
+        index="噪声bp", columns="品种", values="同根重合")
+    print((piv * 100).round(1).to_string())
+    print("  行是注入的 iid 噪声幅度（bp），值是与无噪声基线的同根重合率。")
+
+    print("\n########## 与 venue_parity 的实测对照 ##########")
+    print("  Bitget↔Binance 实测：close 中位差 0.05~0.33bp、P95 2.0~3.0bp，")
+    print("  过滤后同根重合 BTC 40.9% / ETH 25.0% / SOL 15.9%。")
+    print("  若上表在 1~2bp 档就掉到同一水平，说明主因是信号定义的内在脆弱，")
+    print("  而不是 Bitget 这家交易所特殊。")
+
+    out = RESEARCH / "out" / "signal_sensitivity.csv"
+    tb.to_csv(out, index=False)
+    print(f"\n产物写入 {out}")
+
+
+if __name__ == "__main__":
+    main()