research: 一类反手(step57)，六年五币双向全正，PF 2.3~3.0

用户问一类二类的识别是不是错了。查下来是代码没写错、信号该反着用。

先排除一个错误猜测：check_bi_div 只比 MACD 面积、不检查创新极值，等于把
缠论背驰定义丢了一半。看着像致命缺陷，实测 93% 的离开笔本来就创了新极值，
解释不了 PF 0.2。

真正的线索是胜率方向：B1 胜率 18.6%，而 SL2/TP3 随机入场约 40%，远低于
随机说明样本带信息只是指反了。拿相反方向重跑出场（路径依赖，不能取负号），
5m/15m 上 PF 2.35~3.03、t +10~+13。

step57 三关全过：5 币全正、前后半段 2.81/2.81 与 2.55/2.51 几乎不变、
2021~2026 连续六年全正、多空两边都正。余量 15m 33~76bp，B4 只有约 3bp。

机理是滞后把信号变成了相反的交易：信号在 leave_bi.sure_time 发出，中位滞后
8~9 根，此时价格已从低点反弹 1.68 ATR。引擎想说抄底，它给的时间戳对应的却是
反弹已走完——在下跌趋势里于此处做空是标准的顺势回调入场。与 B4 的突破延续
是不同的入场原型，可能互补。

三项验证未做完前不许上实盘：因果性（中枢右边缘已知会重画，需流式回放）、
消融（是不是反弹就做空都赚）、与 B4 的重叠度。

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

research/step55_bsp12_probe.py

@@ -151,6 +151,15 @@ def collect(sym: str, rows: int, tf: str = "1m") -> pd.DataFrame | None:
             return None
         for k in ("g", "r", "c", "b"):
             r[k] = res[f"{cfg}_{k}"].to_numpy()
+        # 反向对照：胜率远低于随机说明信号带信息但可能指反了。出场是路径依赖的，
+        # 不能把 g 取负号了事，必须拿相反方向重跑一遍
+        flip = pd.DataFrame({"entry_idx": r.i_sure.values,
+                             "direction": -r.dir.values})
+        rf = walk_exits(cdf, flip, [SL], [RUNNER], [MAXB], scale_at=SCALE_AT,
+                        runners=(RUNNER,), runner_stops=(RSTOP,))
+        if len(rf) == len(r):
+            for k in ("g", "r", "c", "b"):
+                r["f_" + k] = rf[f"{cfg}_{k}"].to_numpy()
         r["atr_pct"] = atr[r.i_sure.values] / cl[r.i_sure.values]
         return r
     except Exception as e:
@@ -258,6 +267,31 @@ def profit(d: pd.DataFrame) -> None:
     print("\n⚠️ B3 是口径校验锚：HANDOFF §4 记的是 PF 0.66 / 胜率 27.4%。"
           "这里若明显更好，先怀疑接错了再信 B1/B2。")
 
+    if "f_g" not in x.columns:
+        return
+    print("\n" + "=" * 100)
+    print("########## 六、反向对照：信号是「指反了」还是「没有边」 ##########")
+    print("胜率 18.6% 远低于 SL2/TP3 的随机基准约 40%，说明样本带信息。若只是"
+          "方向标反了，\n反手做应显著为正；若反手也不赚，那就是入场时点本身"
+          "已经过期，两边都吃滑点。")
+    y = x.copy()
+    y["fnet"] = y.f_g.values - fee_of(y.f_r.values, y.f_c.values)
+    y["fgR"] = y.f_g.values / (SL * y.atr_pct.values)
+    rows = []
+    for name, g in y.groupby("type"):
+        if len(g) < 40:
+            continue
+        w, o = g.fnet[g.fnet > 0].sum(), -g.fnet[g.fnet <= 0].sum()
+        rows.append({
+            "类型(反手)": name, "笔数": len(g),
+            "胜率": f"{(g.fnet > 0).mean()*100:.1f}%",
+            "毛R": round(g.fgR.mean(), 3),
+            "PF": round(w / o, 2) if o > 0 else np.inf,
+            "t值": round(g.fgR.mean() / (g.fgR.std(ddof=1) / np.sqrt(len(g))),
+                        2),
+        })
+    print(pd.DataFrame(rows).to_string(index=False))
+
 
 def main() -> None:
     ap = argparse.ArgumentParser()