否掉 bis[2]：修右边缘重画会把 alpha 打成零，重画是必付代价

§5.41 发现 available_ts 取「中枢最后一笔」是右边缘重画的根因，改取「第三笔」能把重画率从 6.5% 压到 1.2%，当时据此判断它是「唯一可能同时改善收益与稳定性」的改动。那个判断只测了稳定性，过早了。 8 个样本外币 × 30 万根 1m，两组共用同一个 TF_DF，只切 available_ts 的取法。实盘口径（深色 ∧ ATR≥8bp，955 vs 989 笔）：毛 R 0.933 → -0.000 净均 R 0.798 → -0.147 PF 3.22 → 0.80 滑点余量 15.07 → -2.20 bp 判决依据是毛 R 那一行：扣任何费用之前 edge 就没了，所以不是成本、门控或出场参数的问题，是信号本身不再有预测力。逐币 8/8 全部变差。滞后确实降了（2.16 → 2.01），但换来的是另一批交易——两组重合度只有约 30%。原因是中枢没发育完就下注，支撑/压力还没立住。「等中枢最后一笔」那段等待不是可以优化掉的延迟，它就是 alpha 本身。由此得一条一般规则：任何以「让信号更早确定」为目标的改动，先测毛 R，不能只看重画率和滞后。开关 AVAIL_BI_INDEX 保留只为可复现该 A/B，默认 -1 维持现行口径。环境变量在调用时解析而非 import 时——fork 启动的子进程会继承已 import 的模块，import 时读会固化成父进程的值。顺带交叉验证：现行口径本次算出滑点余量 15.07bp，与用优化前代码算的同组同期 15.19bp 吻合。 Co-authored-by: Cursor <cursoragent@cursor.com>
2026-08-28 04:05:01 +08:00
parent 0b4d7693b8
commit d2fcb27d01
5 changed files with 1157 additions and 13 deletions
@@ -44,6 +44,27 @@ import pandas as pd
 from chanlun.core.ChanEnum import Chan_FX_TYPE
 # 中枢的「可用时刻」取第几笔的确认时间。
 #   -1  = 最后一笔（历史默认）。中枢每吸收一根K线，最后一笔就可能后移，
 #         于是 available_ts 跟着漂——这是右边缘重画的根因（见 HANDOFF §5.41）。
 #    2  = 第三笔。三笔重叠即中枢成立，此后不再变，理论上更早也更稳。
 # ⛔ step47 已判定 bis[2] 作废（毛 R 0.933 → −0.000，见 HANDOFF §5.42）。
 # 开关保留只为可复现那次 A/B，**不要改默认值**。
 import os as _os
 AVAIL_BI_INDEX = -1
 def _resolve_avail_bi(avail_bi: int | None) -> int:
    """优先级：显式入参 > 环境变量 CHAN_AVAIL_BI > 模块默认。
    环境变量在调用时读取而非 import 时——ProcessPoolExecutor 在 fork 启动方式下
    子进程会继承已 import 的模块，import 时读就固化成父进程的值了。
    """
    if avail_bi is not None:
        return avail_bi
    return int(_os.environ.get("CHAN_AVAIL_BI", AVAIL_BI_INDEX))
 def timestamps_ms(src: pd.DataFrame) -> np.ndarray:
    """取毫秒时间戳。研究侧的 df 自带 timestamp，web 侧的不一定，故按 date 回退。
@@ -69,7 +90,7 @@ def ensure_timestamp(df: pd.DataFrame) -> pd.DataFrame:
    return out
-def build_htf_zones(df_htf: pd.DataFrame, tf: str, chan=None) -> pd.DataFrame:
+def build_htf_zones(df_htf: pd.DataFrame, tf: str, chan=None, avail_bi: int | None = None) -> pd.DataFrame:
    """算 pure 笔中枢，返回带生效时间的区间表。
    available_ts —— 该中枢最早可被使用的时间戳（其确认时刻）。
@@ -82,26 +103,28 @@ def build_htf_zones(df_htf: pd.DataFrame, tf: str, chan=None) -> pd.DataFrame:
    zs_list = chan.cal_bi_zs_list_pure(chan.bi_list)
    # 用引擎自己的 dataframe 对齐，避免调用方传入的 df 与引擎内部行数不一致
    src = chan.dataframe if getattr(chan, "dataframe", None) is not None else df_htf
-    return zones_from_zs_list(zs_list, src)
+    return zones_from_zs_list(zs_list, src, avail_bi=avail_bi)
-def zones_from_zs_list(zs_list, src: pd.DataFrame) -> pd.DataFrame:
+def zones_from_zs_list(zs_list, src: pd.DataFrame, avail_bi: int | None = None) -> pd.DataFrame:
    """把已算好的 pure 笔中枢转成区间表。
    调用方手工跑过 cal_bi_zs_list_pure 时走这里，免得再算一遍（web 的 analyze_chan
    就是这种用法）。
    """
    ts_of = dict(zip(src["date"].dt.strftime("%Y-%m-%d %H:%M:%S"), timestamps_ms(src)))
    # 中枢可用时刻取第几笔。在循环外解析一次，别让每个中枢都去读一遍环境变量。
    i = _resolve_avail_bi(avail_bi)
    rows = []
    for zs in zs_list:
        bis = getattr(zs, "bi_list", [])
        if not bis:
            continue
-        # 中枢可用时刻：构成它的最后一笔被确认之时
+        # 笔数不够时退回最后一笔（i=2 需要至少 3 笔才成立）
-        last_bi = bis[-1]
+        key_bi = bis[i] if (i == -1 or len(bis) > i) else bis[-1]
-        sure_key = str(getattr(last_bi, "sure_time", "") or "")
+        sure_key = str(getattr(key_bi, "sure_time", "") or "")
-        end_key = str(getattr(last_bi, "end_time", "") or "")
+        end_key = str(getattr(key_bi, "end_time", "") or "")
        avail = ts_of.get(sure_key) or ts_of.get(end_key)
        if avail is None:
            continue
@@ -267,13 +267,39 @@ push = z_above if direction == 1 else z_below
 #### 3.33 扩币的筛选标准（两条方向相反的约束）
-1. **ATR 分布对门控阈值**（当前 8bp）——小市值币波动大，这条更容易过
+1. **ATR 分布对门控阈值**（当前 8bp）——够不够扛住固定成本
-2. **流动性 / 盘口价差**——决定滑点能否压进预算，小市值币更难过
+2. **流动性 / 盘口价差**——滑点能否压进预算
-**两条方向相反，所以最优区间在中间，不在两端。** 现有 11 币正好演示：
+**两条都是及格线，不是「越高越好」的排序依据。**
-BTC ATR 中位 2026 仅 6.5bp、门控刷掉 58.5%、预算 8.58bp 垫底（**大市值输在
+
-波动不够**）；TRX 2026 门控后只剩 4.2% 的信号，当前环境基本不能做。
+⚠️ **「那就做 ATR 最大的」是错的**，两个方向都不支持：
-最好的是中间那批：ADA 22.28、DOGE 18.55、XRP 17.04。
+
 **币内**（每个币按自己的 ATR 分位）——严格单调，高 ATR 时刻更差：
 | 币内 ATR 分位 | 净均R | R夏普 |
 |---|---|---|
 | 最低 20% | **1.040** | **0.690** |
 | 40-60% | 0.982 | 0.655 |
 | 最高 20% | **0.878** | 0.599 |
 ATR 飙升往往意味着行情已走过头，噪声大、容易反抽。
 （但不必加上限门控：最高分位的 0.878 仍然是好交易，砍掉只是白丢机会。）
 **跨币**——看似正相关（ATR vs 净均R r=+0.684），但**剔除 BTC 后掉到 +0.469**，
 且其余 9 币的净均R 区间只有 0.935~1.024（极差 0.089）。BTC 自己 0.787，
 明显低于所有其他币。BTC 差更可能因为它是最大最有效的市场、结构性机会少，
 把它的低 ATR 与低 R 读成因果是过度拟合一个点。
 **ATR 唯一真正提供的是 bp 余量**（r=+0.85，剔 BTC 后仍 +0.85）。
 但这是**机械关系**——余量按定义随 ATR 缩放。它有用（滑点大致固定在 bp，
 余量高就能扛更多滑点），但不代表 ATR 高的币「更赚」。
 ⚠️ **追高 ATR 还会撞上这份数据看不见的流动性墙。** 现有 11 币全是头部流动性；
 高 ATR 通常意味着小市值、盘口更薄，多出来的余量很可能被滑点吃回去。
 把在头部币上成立的关系外推到另一个流动性区间，是最容易翻车的那类外推。
 现有 11 币的实际情况：BTC ATR 中位 2026 仅 6.5bp、门控刷掉 58.5%、
 预算 8.58bp 垫底；TRX 2026 门控后只剩 4.2% 的信号，当前环境基本不能做。
 筛选很便宜：拉候选币 1m 数据，只算 ATR 分位数与盘口价差，**不必跑策略**
 就能排掉大半。
@@ -282,6 +308,152 @@ BTC ATR 中位 2026 仅 6.5bp、门控刷掉 58.5%、预算 8.58bp 垫底（**
 全部为正」。若新币是在同一份历史上筛出来的，它们就不再是样本外。
 要保持这个性质，得留一批筛完不看、直接进实盘验证。
 #### 3.34 组合最优解：选币的杠杆很小，币数的杠杆在前 6 个
 穷举每个 N 的最优子集（1m，门控后，固定日历，只扣手续费不扣滑点）：
 | 币数 | 最优子集夏普 | 增量 | 年化R | 若信号独立应有 | 捕获比例 |
 |---|---|---|---|---|---|
 | 1 | 9.94 | — | 323 | 9.94 | 100% |
 | 2 | 13.15 | +3.21 | 611 | 14.06 | 94% |
 | 4 | 16.93 | +1.61 | 1174 | 19.88 | 85% |
 | 6 | 18.87 | +0.78 | 1672 | 24.35 | 77% |
 | **8** | **19.87** | +0.38 | 2188 | 28.11 | 71% |
 | 11 | 20.22 | +0.02 | 2690 | 32.97 | **61%** |
 **三条结论：**
 1. **边际收益在 6~8 币后归零。** 8→11 只换来 +0.35 夏普（+1.8%），
   但年笔数多 500+，成本与运维复杂度是实打实的。
 2. ~~**具体选哪几个几乎不重要。**~~ 165 个 8 币组合：最好 19.87（ADA/AVAX/
   DOGE/ETH/LINK/LTC/SOL/XRP）、最差 17.61、中位 18.66，极差 2.26（12%）。
   ⚠️ **这一条已被 §3.37 推翻**——它忽略了盘口冲击。计入后币间差距是 5 倍，
   且排序近乎翻转（AVAX 从必选变成必剔，BTC 反而可用）。**选币很重要。**
 3. **相关性吃掉近 40% 的分散化收益**——捕获比例从 100% 单调降到 61%。
   与 3.31 的「92.7% 同向」一致：加币是加机会，不是加分散。
 ⚠️ **并发保证金不是瓶颈，此前的担心是错的。**（早前按事件平均算出 0.92，
 高估了——事件在繁忙时段聚集。时间加权才是对的口径。）
 | | 时间加权均并发 | 有仓时间占比 | 有仓时均并发 | p99 | 最大 |
 |---|---|---|---|---|---|
 | 全样本 11 币 | 0.15 | 12.3% | 1.24 | 2 | 9 |
 | 2026 11 币 | 0.11 | 9.1% | 1.26 | 2 | 8 |
 **资金 88% 的时间闲置**，扩币在保证金维度有大把余地。峰值 9 仍要按 3.31
 的同向假设做限额，但那是尾部风控，不是容量约束。
 ⚠️ **上表夏普只扣手续费、未扣滑点，绝对值虚高（年化 20 不可信），
 只能用于相对比较。** 真正的约束是实测滑点 vs 预算——见 5.3 与 3.35。
 按杠杆排序：**滑点是生死（100%）＞ 币数 1→6（+90%）＞ 选哪几个（±12%，基本是噪声）**。
 #### 3.36 成本模型的已知缺口：滑点被当成了常数，但它是仓位的函数 ⚠️
 **全文所有预算数字都假设滑点是固定 bp，与下单规模无关。这是错的**
 （用户 2026-08-28 指出）。且这个错误不是随机的——它系统性偏袒低 ATR 端。
 固定分数下单意味着 **名义额 = 风险额 / (2·ATR)，即仓位 ∝ 1/ATR**，
 而预算（bp）∝ ATR。**两者方向相反：**
 | ATR 桶 bp | 中位杠杆 | 中位名义额（10万本金、每笔冒1%） | 预算 bp |
 |---|---|---|---|
 | 8-12 | 5.0x | **$502,029** | **13.7** |
 | 12-16 | 3.6x | $362,362 | 19.5 |
 | 16-22 | 2.7x | $269,999 | 23.1 |
 | 22-30 | 2.0x | $198,172 | 29.3 |
 | >30 | 1.3x | **$129,065** | **52.1** |
 **低 ATR = 单子最大 + 预算最小 + 滑点随单子变大 = 三重挨打。**
 所以按固定 bp 算出的逐币/分桶预算，**系统性低估了低 ATR 端的劣势**。
 ✅ **ATR 门控因此比原论证更有价值**：被刷掉的信号中位杠杆 **8.9x、p90 17.6x**
 （保留的是中位 3.2x、p90 5.3x）——门控砍掉的正是最大的单子。
 这比「固定成本占比高」是更强的理由。
 **三条待办（都属于「数据回来前不做、回来后会后悔」）：**
 1. **影子交易要记录信号时刻的盘口快照（≥10 档），不只是成交价。**
   有深度就能离线算任意仓位的冲击成本——**一次测量回答所有资金量级**，
   否则换个规模就得重测。若用极小量或 paper 测，得到的只是
   `价差/2 + 漂移` 这个下界，必然乐观。
 2. **资金容量要算出来，不要等实盘暴露。** 预算 20bp 蕴含一个资金上限。
   中位名义额 $32 万、p90 $53 万，在 ADA/LINK/AVAX 的 1m 永续盘口上不是零头。
 3. **maker 腿的仓位问题是成交率，不是冲击。** 回测假设 3 ATR 与 8 ATR
   的限价单全额成交。$30 万挂单可能只部分成交，**而部分成交会改变分批出场
   的收益结构**（§3.5 的结论建立在全额成交上）。需在影子数据里验证。
 #### 3.37 计入盘口冲击后，币种排序几乎翻转 —— §3.34「选哪几个不重要」作废 ⚠️
 Bitget USDT 永续实时盘口（2026-08-28 01:30 HKT，5 次快照取中位）。
 **净预算 = 回测预算 − $300k 单边吃单冲击**（$300k ≈ 10万本金 × 中位杠杆 3.2x）：
 | 币 | 价差bp | ask深度 | $300k冲击 | 回测预算 | **净预算** | 冲击占预算 |
 |---|---|---|---|---|---|---|
 | SOL | 0.09 | $3.3M | 2.82 | 28.3 | **25.5** | 10% |
 | DOGE | 1.12 | $13.5M | 4.35 | 28.5 | **24.1** | 15% |
 | ETH | 0.04 | $19.4M | 0.27 | 20.8 | **20.5** | 1% |
 | XRP | 0.68 | $14.9M | 4.82 | 24.5 | **19.7** | 20% |
 | BTC | 0.01 | $4.5M | 0.26 | 14.6 | **14.3** | 2% |
 | LINK | 0.84 | $2.8M | 12.20 | 26.2 | 14.0 | 47% |
 | ADA | 4.62 | $6.3M | 9.70 | 23.5 | 13.8 | 41% |
 | LTC | 1.99 | $3.2M | 11.13 | 23.6 | 12.5 | 47% |
 | AVAX | 1.33 | $3.0M | 23.65 | 29.0 | **5.3** | **82%** |
 **§3.34 的「165 个 8 币组合极差仅 12%、选哪几个不重要」是错的**——那个结论
 完全建立在忽略流动性上。计入冲击后币间差距是 **5 倍**（25.5 vs 5.3）。
 **排序近乎翻转，根因是 ATR 与流动性负相关**，所以按预算（∝ATR）排出的序
 恰好是按流动性排的逆序：
 - **AVAX 原始预算最高（29.0）、净预算最低（5.3）**。它在最优 8 币里入选频率
  95%，实际最该剔除。5 次快照 22.3~24.7bp，不是抽样噪声
 - LINK / ADA / LTC（入选频率 95%/95%/70%）净预算全掉到 12~14
 - **BTC 此前判为「中性」，实际净预算 14.3，反而优于 LINK/ADA/LTC**——
  原始预算最低但冲击几乎为零
 这就是 §3.33 定性警告过的「流动性墙」，现已量化，且比预想严重。
 ✅ **真正的结论：可用币种是资金量的函数，不存在固定的最优币表。**
 按 $100k 名义额（≈$32k 本金）重算，净预算回到 ADA 18.0 / LINK 17.2 /
 LTC 16.5 / AVAX 11.6——除 AVAX 外全部健康。**扩币前先定本金。**
 **当前运行点：本金 < $2k（用户 2026-08-28 确认，目的是先跑通流程）。**
 在这个规模上 **§3.37 的重排序不适用**——单笔仅 $6.4k，冲击占预算 1~8%
 （连 AVAX 也只有 8%），**9 个币全部可用，§3.34 的「选哪几个不重要」重新成立**。
 分水岭在 **$20k~$50k 本金**：以上才需要收缩到 SOL/DOGE/ETH/XRP/BTC
 （这 5 个在 $2k~$200k 全区间冲击 ≤21%，是与资金量无关的安全核心）。
 冲击占预算比例（按本金，杠杆 3.2x）：
 | 币 | $2k | $10k | $20k | $50k | $100k |
 |---|---|---|---|---|---|
 | BTC / ETH | 0% | 0% | 0% | 0% | 0~2% |
 | SOL | 1% | 3% | 4% | 5% | 6% |
 | XRP / DOGE | 5~6% | 9~10% | 12% | 15% | 16~17% |
 | LINK | 4% | 11% | 16% | **31%** | **46%** |
 | LTC | 12% | 22% | **30%** | **41%** | **57%** |
 | ADA | 20% | **28%** | **29%** | **38%** | **51%** |
 | AVAX | 8% | **28%** | **43%** | **70%** | **91%** |
 ✅ **小资金无操作性障碍**：Bitget 最小下单量在 $300 本金都不卡，
 半仓取整误差最差 2.4%（ETH @ $500），其余 <1%。
 ⚠️ **但 $2k 跑通 ≠ 验证了策略容量。** 小资金下有两处系统性偏乐观、且不可外推：
 (a) 冲击≈0，测出的滑点只剩 `价差/2 + 延迟漂移`，几乎必然通过 15.19bp，
 但不能推出 $50k 也通过；(b) **maker 腿成交率也是假的好**——$3.2k 挂单几乎
 必然全成，$150k 不一定，而 §3.5 分批出场的收益结构全建立在全额成交上。
 **→ 这正是「记录盘口快照」的价值：它是唯一能让小资金数据回答大资金问题的东西。**
 只记成交价的话，每上一个资金台阶都得重测一遍。
 $2k 阶段真正该盯的只有两件：**延迟与漂移**（与规模无关，结论长期有效）、
 **中枢阶梯 + ATR 门控必须在线上生效**（否则测的是另一批信号，与回测不可比）。
 ⚠️ **三条保留**：(1) 单一时段快照，盘口有日内周期，需跨时段采样；
 (2) **信号恰在波动放大时触发，那时盘口更薄——上表是乐观下界**；
 (3) 只算了入场 taker 腿，止损/超时同为 taker，maker 腿则是成交率问题。
 第 (2) 条意味着这批静态数字**不能替代影子数据**，只是把「该测什么、该剔谁」
 提前定下来了。
 ### 3.35 跨 venue：信号身份不迁移，但总体期望迁移（live 前置测量）
 **回测全部跑在 Binance 数据上，实盘要在 Bitget 成交。** 服务器侧的
@@ -314,6 +486,39 @@ BTC 5.87 vs 6.09、ETH 10.02 vs 12.06、SOL 8.92 vs 9.87bp。
 ⚠️ 上面那批数字用的是 `毛均收益 − 6.0bp`、只有同向过滤、`TP=3.0`，
 **不能直接当预算用**，正确的逐币预算见 `lib/shadow_budget.py` 与 5.3。
 ### 3.38 浅色信号（未过双过滤）在 1m 上不能做——差在毛质量，不在成本（step44）
 用户观察「图上很多浅色 b4/s4 的入场价看着也很有优势」。step40 做过同类消融但
 只覆盖 15m/30m 且用旧口径（5bp 平摊、1.5/3.0/48），1m 从未验证。
 `research/step44_filter_ablation_1m.py`，8 币 × 30 万根，当前最优 1m 出场
 （SL2.0 / 3ATR 减半 / runner 8ATR / rstop 留原位 / 48 根），真实费率，
 ATR ≥ 8bp 门控后共 2302 笔：
 | 口径 | 笔数 | 胜率 | 毛R | 净均R | 剔10%PF | 滑点余量bp |
 |---|---|---|---|---|---|---|
 | **深色**（同向 ∧ 阶梯） | 955 | 68.3% | **0.933** | 0.798 | 2.35 | **15.07** |
 | **浅色**（任一不过） | 1347 | 44.3% | **0.155** | 0.009 | 0.74 | **0.10** |
 | — 只过阶梯 | 445 | 52.1% | 0.419 | 0.279 | 1.03 | 4.18 |
 | — 只过同向 | 265 | 38.1% | **−0.029** | −0.176 | 0.59 | **−2.15** |
 | — 两个都不过 | 637 | 41.4% | 0.046 | −0.103 | 0.62 | −1.64 |
 **关键是「毛R」列——那是扣任何成本之前的数字。** 浅色 0.155 vs 深色 0.933，
 **差 6 倍**。所以不存在「信号本来不错、被手续费吃掉」这回事：浅色的跟随性
 本来就差。浅色扣完手续费只剩 **0.10bp**，任何滑点都会让它亏；逐币 8 个里
 4 个已为负（ETH −1.98 / LTC −2.93 / DOGE −1.05 / XRP −0.14），最好的
 ADA 也才 2.41bp。
 **为什么肉眼看着有优势**：(1) 入场价确实是好的，信号标的是真实局部结构；
 (2) 但价格不跟随，毛R 0.155 覆盖不了 2 ATR 的止损——**入场点好 ≠ 价格继续
 朝你走**；(3) 44.3% 的胜率意味着近一半确实走对，扫图时看到的就是这些，
 走错的当时形态一样好看。
 ⚠️ **新发现：1m 上阶梯过滤远比同向过滤重要，与 30m 相反。**
 只过阶梯 +4.18bp，只过同向 **−2.15bp 且毛R 为负**；而 30m 上同向单独就能把
 PF 从 1.59 提到 1.85（§4 step30）。**两个过滤器的相对价值随级别翻转，
 不要跨级别套用滤网结论。**
 ### 3.4 alpha 的来源（step32 消融）
 逐条拆掉 `fast_bsp3` 的条件后发现：**alpha 完全来自缠论中枢的上下文定位，
@@ -451,6 +656,8 @@ step41 首轮跑的是错误的 3/1bp（见 §1.3），已用实际费率重算
 | 同一中枢重复入场（二次、三次） | 质量骤降，**只做首次** | step25 |
 | 缠论引擎原生 `find_all_bsp` 的 B3/S3 | 统计上呈逆势、显著亏损：胜率 27.4%（低于 SL1.5/TP3.0 的随机基准 33%）、PF 0.66、t −18.76。**不是滞后造成的**——同一组过滤器把 B4 从 1.59 提到 2.26，对它无效（0.66→0.71），且入场后移 1~4 根只是平滑衰减。它几乎不筛（627 个中枢发 625 个信号），把「价格早已离开、再没回来」的历史区间也当信号发出来。B4/S4 因此单独立类，不是它的提前版 | step30/31 |
 | 刷交易额换 VIP 费率 | 成本收益不划算，见 5.3。**但前提已变**：该结论算于「原始 taker 6bp、全 taker、TP=3.0、无门控」，四个前提现在全不成立（实际 2/0.8bp、混合费率、分批出场、有 ATR 门控）。已在返 50% 的档位上，继续压缩的空间本就有限，但**若要重估需重跑，不要直接引用旧结论** | step23 |
 | **按 ATR 从大到小选币 / 追高 ATR 时刻** | 门控之上 ATR 高不加分。**币内严格单调递减**：ATR 最低 20% 分位净均R 1.040，最高 20% 只有 0.878。跨币看似正相关（r=+0.684）但**剔除 BTC 后掉到 +0.469**，其余 9 币极差仅 0.089。ATR 唯一真正给的是 bp 余量（机械关系）。且追高 ATR 会撞上流动性墙——现有 11 币全是头部流动性，外推到小市值币时多出的余量会被滑点吃回去。**ATR 是及格线不是排序键** | §3.33 |
 | **`available_ts` 改取 `bis[2]`（中枢成立即可用）以消除右边缘重画** | 重画确实从 6.5% 降到 1.2%、滞后 2.16→2.01，**但 alpha 被打成零**：实盘口径毛 R 0.933 → **−0.000**（扣费前就没了 edge），PF 3.22→0.80，余量 15.07→−2.20bp，8/8 币全变差。中枢没发育完就下注，支撑/压力还没立住。**「等中枢最后一笔」就是 alpha 本身，重画是必付代价。**推论：任何以「让信号更早确定」为目标的改动，先测毛 R，不要只看重画率和滞后 | step47 §5.42 |
 | 线段（`Chan_XD`）做大级别 | 滞后太大，且中枢极少 | 早期，用户也这么说 |
 ---
@@ -707,6 +914,106 @@ step41 首轮跑的是错误的 3/1bp（见 §1.3），已用实际费率重算
 比 15m/30m 的 step38 结果还干净（那里有 0.7% 假阳性）。耗时对窗口严格线性
 （约 0.105ms/根），所以没有任何理由带更长的历史。
 ⚠️ **「假阳性 0%」是 n=180 的结果，不足以排除 0.5% 量级的重画**
 （2026-08-28 更正）。若真实率为 0.5%，180 笔里期望仅出现 0.9 次——
 **0% 与 0.5% 在该样本量下无法区分**。
 实测反例：web 端 BTC 1m（10 万根窗口），同一份数据分别截到本地 22:25 与
 02:08 两个视角，212 个信号中 **1 个消失**（08-27 22:19 的 B4，约 0.47%），
 与 15m/30m 的 0.7% 同量级。用户在界面上先看到、后消失，即此现象。
 **缓解事实：消失的那个 `htf_agree=False, ladder_ok=False`，是浅色 b4，
 本就不交易。** 真正要回答的是「**双过滤通过的深色信号会不会重画**」——
 step39 报的「同向过滤也成立 100%」同样基于 n=180，同样不足以排除低频事件。
 ⚠️ **step39 的「假阳性」测法本身是无效的**：它从全序列随机抽非信号点，看时点
 重建会不会凭空冒信号。1m 信号密度约 474 根 1 个，180 个随机点期望只撞上
 0.38 个——**测出 0% 几乎不含信息量**。重画只发生在「差一点就成型」的结构附近，
 不在随机点上。
 #### 5.41 重画的根因：`available_ts` 取的是中枢**结束**而非**形成** ⚠️⚠️
 代码审计（比逐根跑数据快得多）：`find_fast_bsp3` 给定 `zones` 后严格因果
 （只用 `close[j]` / `high[j-1]`），加未来K线动不了已成型的入场点。
 **重画只可能来自 `zones` 表被修订。**
 `zones_from_zs_list` 里：
 ```python
 last_bi = bis[-1]                      # ← 中枢的最后一笔
 avail = ts_of.get(sure_key) or ...     # available_ts = 它的确认时刻
 ```
 **用户 2026-08-28 指出的缠论定义问题**：中枢**形成**只需三笔有重叠区间；
 **结束**才需要「离开且不返回的笔」确认。判信号只需形成，不必等结束。
 而 `bis[-1]` 只有中枢走完才知道是哪一笔——**取的是结束时刻**。
 实测（BTC 1m，30 万根，1651 个中枢）：
 | 中枢笔数 | 占比 |
 |---|---|
 | 恰好 3 笔 | 25.5% |
 | **>3 笔** | **74.5%**（中位 5、均值 8.1、最大 89） |
 **「最后一笔确认」比「第三笔确认」晚：中位 62 分钟、p75 142、p90 247、最大 1739。**
 1m 上 62 分钟就是 62 根 K 线。
 **三个后果：**
 1. **这就是重画源。** 中枢每吸收一笔，`bis[-1]` 就后移一次。300 时点抽样、
   3284 个「当时已生效」的中枢：完全一致 84.4%，**确认时刻被改 6.5%
   （推后 198 个 vs 提前 17 个，中位 +100 分钟、p90 +413）**，中枢消失 9.0%，
   阶梯翻转 2.6%。用户看到的 08-27 22:19 B4 消失即此。
 2. **它解释了 docstring 里那个 34%。** 「627 个中枢只认 212 个（34%），被拒的
   多数是『中枢确认时价格早已离开、此后再没回来』」——**「价格早已离开」不是
   市场现象，是这个定义造出来的**：中枢正是被离开笔终结的，所以扫描起点天然
   落在离开之后；代码又要求 `was_inside`，于是只能等价格**再次回到中枢再突破
   一次**。那 66% 多半不是没机会，是第一次离开时还没开始看。
 3. **方向对回测有利、对实盘不利。** 全量的 `available_ts` 系统性更晚 →
   回测扫描起点比实盘晚 → **回测偏保守，不是被高估**；但实盘会产出更多、更早
   的信号，这部分质量不在回测统计里。
 **关键性质：`bis[2]` 是不变量，`bis[-1]` 不是。** 用户 2026-08-28 补充的
 判断——「只有没确认的才会重画，确认的都不会」——与实测一致：6.5% 的改动
 **不是已确认的笔被推翻**，而是中枢又吸收了新笔、`bis[-1]` 变成了另一根笔。
 原来那根笔本身没变。而中枢一旦由三笔构成，第三笔就固定，不随延伸改变。
 **A/B 实测（BTC 1m，300 时点，3284 个已生效中枢）：**
 | 口径 | 完全一致 | 确认时刻被改 | 中枢消失 | 改动中位 |
 |---|---|---|---|---|
 | 现行 `bis[-1]`（中枢结束） | 84.4% | **6.5%** | 9.0% | +100 分 |
 | 改用 `bis[2]`（中枢形成） | 89.7% | **1.2%** | 9.0% | +16 分 |
 **`bis[2]` 把该重画源压到 1/5。** 两种口径全量中枢数都是 1651——纯粹改变
 「何时可用」，不增删中枢。
 **改成「第三笔确认」的预期收益**：消除该重画源（第三笔确认后不再变）、
 符合缠论定义、滞后大幅下降（§3.2 已证滞后是收益第一驱动）。
 ⚠️ **剩下 9.0% 的「中枢消失」两种口径完全相同，是另一个源，与笔确认无关**，
 且在改用 `bis[2]` 后成为主要重画来源。最可能是**窗口左边界效应**：2000 根窗口
 截断笔结构，造出全量视角里不存在的中枢。
 ⚠️⚠️ **由此牵出一个此前未记录的口径差：回测用全量历史建中枢，实盘用 2000 根
 窗口。** 若那 9% 确由左边界造成，则它不是重画，而是**回测与实盘看到的中枢集合
 本就不同**——比重画更根本。**待查。**
 ⚠️ **但不要直接改。** 这会换掉整个信号总体，本文档所有数字都绑定当前实现。
 反向风险明确：中枢形成即可用意味着会去做「仍在形成中」的中枢的突破，
 价格可能再回来——**信号变多但质量可能变差**。必须 A/B 实测。
 > ⛔ **A/B 已跑完（step47，2026-08-28）：`bis[2]` 作废，不要再试。**
 > 详见 §5.42。它把重画压到 1/5 的同时，把毛 R 从 0.933 打到 −0.000——
 > **alpha 归零，不是成本问题。** 下面这段「待办」保留仅作推理记录。
 **（已完成）`available_ts = bis[2].sure_time` vs `bis[-1].sure_time` 的完整 A/B**
 （信号数、滞后、PF、剔10%PF、滑点预算），以及深色信号的
 大样本重画审计（脚本已写：`research/step45_repaint.py`）。
 对实盘的影响有限但真实：实盘会比回测多开极少量的仓，这部分质量不在回测统计里。
 **但出场（止损/止盈/超时）不依赖信号是否仍在图上，不会出现「信号消失、仓位卡住」。**
 **这一步顺带解决了一个更重要的问题**：1m 的回测口径本身是可信的，
 `is_sure` 回撤对 1m 同样没有影响。**1m 现在唯一的风险就剩执行成本。**
@@ -721,10 +1028,164 @@ step41 首轮跑的是错误的 3/1bp（见 §1.3），已用实际费率重算
 用 **WebSocket 订阅**而非轮询 REST 拉 K 线，并尽快把实盘迁到境外 VPS。
 否则测到的滑点全是代理的账。
 #### 5.42 A/B 判决：`bis[2]` 把 alpha 打成零，重画是必付代价（step47）⛔
 8 个样本外币 × 30 万根 1m，两组共用同一个 TF_DF，只切 `available_ts` 的取法。
 实盘口径（深色 ∧ ATR≥8bp）：
 | | `bis[-1]` 现行 | `bis[2]` 中枢成立 |
 |---|---|---|
 | 笔数 | 955 | 989 |
 | 滞后 | 2.16 | 2.01 |
 | 胜率 | 68.3% | 40.2% |
 | **毛 R** | **0.933** | **−0.000** |
 | 净均 R | 0.798 | −0.147 |
 | R 夏普 | 0.532 | −0.107 |
 | PF | 3.22 | 0.80 |
 | 剔10% PF | 2.35 | 0.55 |
 | 滑点余量 | **15.07bp** | **−2.20bp** |
 **判决依据是「毛 R 0.933 → −0.000」这一行**：扣任何费用之前 edge 就没了，
 所以不是成本、不是门控、不是出场参数的问题，是信号本身不再有预测力。
 逐币 8/8 全部变差，只有 BTC 勉强为正（0.617 → 0.116）。
 **为什么**：`bis[2]` 只要三笔重叠就认为中枢可用，此时中枢尚未发育，
 支撑/压力还没立住。`bis[-1]` 那段「等待」不是可以优化掉的延迟——**它就是 alpha 本身**。
 由此得到一条一般性结论，值得推广到别的"降延迟"想法上：
 > 右边缘重画不是 bug，是这个信号质量的**必付代价**。任何以「让信号更早确定」
 > 为目标的改动，都要先测毛 R，**不能只测重画率或滞后**。
 > §5.41 只测了稳定性就给出「唯一能同时改善收益与稳定性」的判断，是过早的。
 顺带交叉验证：现行口径本次算出滑点余量 **15.07bp**，与 §5.3 里 2026 组合口径的
 15.19bp 基本吻合——两条独立路径得到同一个数，该预算值可信。
 脚本 `research/step47_avail_bi_ab.py`；开关在 `chanlun/analysis/fast_bsp.py`
 的 `AVAIL_BI_INDEX`（环境变量 `CHAN_AVAIL_BI`），**默认 −1，保持现行口径**。
 ### 5.5 增量更新已验证：一致且快 12 倍（2026-08-28）
 `pipeline/builders/incremental.py` 此前一直标着「需重新验证」。已验完。
 **一致性：400 根、每 20 根与全量重算对拍一次（共 20 次），
 笔数 / 中枢 zg·zd / 信号 entry_idx 全部相同，无漂移。**
 **耗时（本机 arm64 单线程，1m 2000 根窗口）：**
 | 环节 | 增量 | 全量重算 | |
 |---|---|---|---|
 | TF_DF / `append_bar` | 14.0ms | 192.5ms | |
 | 中枢 + `find_fast_bsp3` | 7.6ms | 10.1ms | |
 | **1m 侧合计** | **21.7ms** | 202.6ms | 9.3x |
 | 5m 侧（`append_bar` 7.1 + 分型线 2.9） | 10.0ms/次 | 84.4ms | 每 5 根一次 → 摊 **2.0ms** |
 | **完整一根** | **≈24ms** | **286ms** | **≈12x** |
 ⚠️ **必须定期重建窗口，否则增量的优势会被自己吃掉。**
 `append_bar` 不是 O(1)——`pd.concat`、`add_indicators`、`cal_bi_list` 三处
 仍是全量 O(n)，而 dataframe 只增不减：
 | | 1200 根后行数 | 中位 | 前100根 → 后100根 |
 |---|---|---|---|
 | 不裁剪 | 3200 | 16.3ms | 13.9 → **19.4（+40%）** |
 | **每 500 根重建** | 2199 | 14.4ms | 14.2 → **14.0（持平）** |
 `IncrementalBuilderMixin` 没有裁剪接口，做法是**每约 500 根用最近 2000 根
 重新 `init_stream`**。单次约 192ms，摊到每根 0.4ms，可忽略。
 **下一个数量级的线索（用户 2026-08-28 指出）**：`add_indicators`
 算了很多本策略用不到的指标。它在 `append_bar` 里是**每根全表重算**的，
 所以浪费不是一次性的，而是每分钟一次、且随窗口长度线性放大。
 改它会动到 `dataframe` 的列集合，web 与回测都依赖，需整体评估。
 > 后续实测（见 §5.6）**推翻了这条线索的份量**：`add_indicators` 只占全量
 > 构建的 1.3%，talib 是向量化 C，便宜。真正的浪费在 `ChanKLU.set_indicators`
 > 和 `ChanKLC.cal_all_ema_status`。方向对（确实有大量无用计算），位置错了。
 **这是延迟这块唯一有数量级收益的方向**：`find_fast_bsp3` 本身只占 0.75ms
 （全链路的 0.3%），优化信号代码毫无意义；95% 的时间花在 TF_DF 从头重建
 2000 根上，而实盘每分钟只新增 1 根——**重算了 1999 根没变的东西**。
 > 服务器侧实测 1m 那条腿 695ms（本机同口径 202.6ms，慢 3.4x）。若两条腿
 > 同比例，那边完整链路约 980ms，**已超 §6 定的 800ms lag 告警线，且尚未计
 > 任何网络耗时**。改用增量后应降至约 82ms。⚠️ 该外推假设两条腿慢的比例一致，
 > 服务器侧应直接实测一次完整链路。
 >
 > **§5.6 优化后本机复测（同口径 2001 根、单线程、从头算一遍）**：
 >
 > | 口径 | 优化前 | 现在 full | 现在 lean |
 > |---|---|---|---|
 > | 1m 腿 | 202.6ms | **71.8ms** | **50.0ms** |
 > | 完整链路（两腿+信号+过滤） | 286ms | **178.4ms** | **120.5ms** |
 > | 增量 `append_bar` | 24ms/根 | — | **13.6ms/根** |
 >
 > 按 3.4x 换算到服务器：完整链路 980ms → 约 **611ms(full) / 413ms(lean)**，
 > **即使完全不上增量也已落回 800ms 告警线以内**；上增量约 46ms。
 > ⚠️ 但 3.4x 是在**优化前的代码**上量的。优化把工作从逐行 Python 对象操作挪到
 > numpy 批量操作，若服务器慢在 CPU 主频则比值成立，若慢在内存带宽则未必。
 > **服务器侧必须直接实测，不要只信这个换算。**
 > 为什么这一步必要：step38 只验证了 15m/30m，从没验证 1m。而窗口 4000 根
 > 对 15m 是 41 天、对 1m 只有 2.8 天，中枢的左边界效应完全不是一个量级。
 > 窗口同时牵动两头：太短则中枢被截断信号不符，太长则算得慢延迟大滑点高。
 ### 5.6 引擎提速 2.6~3.6x，逐位一致（2026-08-28）
 先建了 `step46_engine_parity.py` 作为安全网：对 5 个用例（BTC 1m/5m、ETH 5m、
 SOL 15m、XRP 30m，各 2 万根）固化 klc/笔/中枢/信号/被消费列的哈希。
 **没有它不要碰引擎**——行为变化是静默的，不报错、不崩，只是信号悄悄换一批，
 而 HANDOFF 全部数字都绑在当前实现上。
 三处改动，每处都过了对拍：
 | 改动 | 原因 | 效果 |
 |---|---|---|
 | `cal_kl_data` 预取 ndarray，不再 `df.iloc[i]` | 每根新建 40 列 Series + 在其上做几十次逐键查找 | 这一处就占构建的 **96%**，2 万根 1946ms → 824ms |
 | `ChanKLC.cal_all_ema_status` 改惰性 | 每 KLC 立即重算，占 25%，而**全仓无任何读取方** | 调用 14322 → 2248 次 |
 | 删 `get_klc_list` 里的 `ema_up_list/ema_down_list` | 累加一整轮后直接丢弃，纯死代码 | — |
 另外加了 `TF_DF(..., lean=True)`：只构建到中枢，跳过线段/走势中枢/整套 MACD
 状态机（这些只服务 `bsp_list` 和 web 展示，笔与中枢不依赖）。
 **已验证 lean 与 full 的笔/中枢/信号在 5 个用例上完全一致。**
 结果（2 万根 5m）：**full 1946 → 754ms（2.6x），lean → 543ms（3.6x）**。
 增量路径在两种模式下都仍与全量逐位一致；web API 全字段正常（full 模式一字未动）。
 验证做了四层，每改一处都重跑：
 1. **对拍基线**（上表所列全部哈希项），full 模式三处改动后全部一致
 2. **lean ≡ full**：笔/中枢/信号在 5 个用例上完全相同
 3. **增量路径**：`init_stream` + `append_bar` 追加 150~200 根 vs 全量重建，
   lean/full 两种模式都逐位一致
 4. **web 冒烟**：真实 HTTP 请求，`bsp_list` 168 / `seg_list` 177 / `zs_list` 17 /
   `klc_trend` 齐全
 **大样本对拍（20 万根 × 5 用例）**：用 `git stash` 切回改动前的原始代码存基线，
 再切回优化版对拍，**逐位一致**。这是真正的改前/改后比对，不是自己跟自己比。
 同一批工作量 **99.9s → 43.3s（full 模式 2.3x）**，与 2 万根时的 2.6x 一致，
 说明提速不随规模衰减。复现：
 ```bash
 git stash push -- chanlun/
 python step46_engine_parity.py --save  --rows 200000 --out step46_baseline_big.json
 git stash pop
 python step46_engine_parity.py --check --rows 200000 --out step46_baseline_big.json
 ```
 关键认识订正：
 - **缩放是线性的，不是 O(n²)**。中途一度量到"数据 6 倍、耗时 44 倍"，是我自己
  开的 `tracemalloc` 污染了计时。干净重测每翻倍 ×2.06~2.20，16 万根 lean 4.2s。
 - **`add_indicators` 只占 1.3%**，删无用指标在这里几乎省不到时间。
  它有 11 个列（`bbup365`/`bblow30`/`bbp302` 等）Python 与前端都无人读取，
  但它们不进 KLU，唯一成本是 web 响应体积（约占 45 列中的 11 列）。
 - 实盘延迟已不是瓶颈：`append_bar` 约 32ms/根，对 800ms 告警线有 25 倍余量。
  **继续优化只对研究吞吐有意义。**
 剩余热点（lean、8 万根口径）：`cal_trend` 与 `set_indicators_from` 各约 0.36~0.59s。
 `cal_trend` 不能跳过——`bi.py:221` 读 `klc.trend`，笔的计算依赖它；
 它带序列状态（`last_trend` + 近 5 根窗口），向量化风险高，收益约 20%，暂不做。
 ---
 ## 6. 接下来要做的事（按优先级）
@@ -1076,6 +1537,21 @@ API 限流风险隔离三个好处。
 - [x] **确认交易所与框架** → Bitget + Hummingbot，先只上 1m
 - [x] **测执行延迟** → 上游连接器 bug 已定位并修好，补丁后 lag 506~642ms、
      无条件漂移 0.50~0.87bp，占预算 6%。见 §6 第 2 步
 - [ ] **实盘信号计算改用增量**（§5.5，已验证一致且快 12x：286ms → 24ms）。
      **配套必须做窗口裁剪**：每约 500 根用最近 2000 根重新 `init_stream`，
      否则 `append_bar` 的 O(n) 部分会让耗时持续爬升（1200 根后 +40%）
 - [ ] **`available_ts` 改用 `bis[2]`（中枢形成）而非 `bis[-1]`（中枢结束）的
      完整 A/B** —— ✅ **已完成，结论是不换**（step47，见 §5.42）。
      当时预判的「反向风险：会去做仍在形成中的中枢的突破，质量可能变差」
      **正是实际发生的事**，且比预期严重：毛 R 0.933 → −0.000，8/8 币全变差。
      **这条已关闭，不要重开。**
 - [ ] **查那 9.0% 的「中枢消失」是不是窗口左边界效应**（§5.41）。若是，则
      「回测用全量历史建中枢、实盘用 2000 根窗口」是比重画更根本的口径差。
      注意这条与 `bis[2]` 无关，**没有被 step47 否掉**，仍然要查
 - [ ] **深色信号大样本重画审计**，脚本已写：`research/step45_repaint.py`
      （逐根时点重建，替换掉 step39 那个随机抽点的无效测法）。
      §5.42 之后这条的意义变了：不再是为了「修掉重画」，而是为了**量化实盘
      会多开多少仓、那部分的质量如何**——重画本身已确认是必付代价
 - [ ] **写 V2 controller + 盘口缓冲，跑影子测量**（当前第一件事）。
      字段与统计口径见 §6 第 3 步，**三条硬要求别漏**：只统计过滤后的信号根、
      条件漂移与无条件漂移分开报、出场腿按 maker/taker 分开统计
@@ -0,0 +1,188 @@
 """Step 44：1m 上「浅色信号（未过双过滤）到底能不能做」。
 用户观察：图上很多浅色 b4/s4 的入场价看着也很有优势。这在 1m 上必须实测——
 入场点「看着漂亮」和「扣完成本还剩正收益」之间隔着很大距离，而 1m 的固定成本
 相对 ATR 特别重，正是最容易把视觉上的优势吃干净的级别。
 step40 做过同类消融，但只覆盖 15m/30m，且用旧口径（5bp 平摊成本、SL/TP/超时
 1.5/3.0/48）。1m 的成本压力与之完全不是一个量级，结论不能外推。
 本步按当前最优 1m 口径复核：
  出场   SL 2.0 / 3 ATR 减半 / runner 目标 8 ATR / runner 止损留在原位 / 48 根超时
  成本   taker 2bp、maker 0.8bp，滑点只加在 taker 腿（见 lib/exit_model）
  门控   ATR >= 8bp
 把信号按两个过滤标志切成四桶，看浅色那三桶扣费后是正是负。
 """
 from __future__ import annotations
 import argparse
 import os
 import sys
 import warnings
 from concurrent.futures import ProcessPoolExecutor, as_completed
 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
 sys.path.insert(0, str(HERE))
 sys.path.insert(0, str(HERE.parent))
 pd.set_option("display.width", 340)
 LTF, HTF = "1m", "5m"
 SL, SCALE_AT, RUNNER, RSTOP, MAXB = 2.0, 3.0, 8.0, 2.0, 48
 GATE_BP = 8.0
 def collect(sym: str, rows: int) -> pd.DataFrame | None:
    import warnings as _w
    _w.filterwarnings("ignore")
    sys.path.insert(0, str(HERE))
    sys.path.insert(0, str(HERE.parent))
    from chanlun import TF_DF
    from chanlun.analysis.fast_bsp import (
        add_zone_ladder, attach_htf_agree, attach_zone_ladder,
        build_htf_zones, find_fast_bsp3, htf_fx_timeline,
    )
    from lib.data import fetch_ohlcv
    from lib.exit_model import cfg_name, walk_exits
    try:
        df = fetch_ohlcv(f"{sym}/USDT:USDT", LTF, rows)
        if df is None or len(df) < 50_000:
            return None
        chan = TF_DF(df, 1, LTF)
        cdf = chan.dataframe
        zones = add_zone_ladder(build_htf_zones(cdf, LTF, chan=chan).reset_index(drop=True))
        if zones.empty:
            return None
        sig = find_fast_bsp3(cdf, zones)
        if sig.empty:
            return None
        df_h = fetch_ohlcv(f"{sym}/USDT:USDT", HTF, 10 ** 9)
        chan_h = TF_DF(df_h, 1, HTF)
        tl = htf_fx_timeline(chan_h, chan_h.dataframe)
        sig = attach_htf_agree(sig, cdf, tl)
        sig = attach_zone_ladder(sig, zones)
        res = walk_exits(cdf, sig, [SL], [RUNNER], [MAXB],
                         scale_at=SCALE_AT, runners=(RUNNER,), runner_stops=(RSTOP,))
        cfg = cfg_name(SL, RUNNER, MAXB, RSTOP)
        need = [f"{cfg}_g", f"{cfg}_r", f"{cfg}_c", f"{cfg}_b"]
        if any(c not in res.columns for c in need):
            return None
        idx = sig["entry_idx"].to_numpy().astype(int)
        atr = cdf["atr"].to_numpy(float)[idx]
        close = cdf["close"].to_numpy(float)[idx]
        out = res[need].copy()
        out.columns = ["g", "r", "c", "b"]
        out["sym"] = sym
        out["atr_pct"] = atr / close
        out["htf_agree"] = sig["htf_agree"].to_numpy()
        out["ladder_ok"] = sig["ladder_ok"].to_numpy()
        out["date"] = cdf["date"].to_numpy()[idx]
        return out
    except Exception as e:
        print(f"  {sym} 失败: {e!r}", flush=True)
        return None
 def describe(g: pd.DataFrame, label: str) -> dict:
    from lib.exit_model import FEE_MAKER, FEE_TAKER, TP, fee_of, taker_notional
    if len(g) < 40:
        return {"口径": label, "笔数": len(g), "备注": "样本不足"}
    gross = g["g"].to_numpy()
    reason, scaled = g["r"].to_numpy(), g["c"].to_numpy()
    fee = fee_of(reason, scaled)
    net = gross - fee                      # 未扣滑点：留出的就是滑点余量
    R = net / (SL * g["atr_pct"].to_numpy())
    gR = gross / (SL * g["atr_pct"].to_numpy())
    w, o = net[net > 0], -net[net <= 0].sum()
    q = np.quantile(net[net > 0], 0.90) if (net > 0).any() else 0.0
    t10 = net[(net > 0) & (net <= q)].sum()
    tn = taker_notional(reason, scaled)
    return {
        "口径": label, "笔数": len(g),
        "胜率": f"{(net > 0).mean() * 100:.1f}%",
        "毛R": round(gR.mean(), 3),
        "净均R": round(R.mean(), 3),
        "R夏普": round(R.mean() / R.std(ddof=1), 3),
        "PF": round(w.sum() / o, 2) if o > 0 else np.inf,
        "剔10%PF": round(t10 / o, 2) if o > 0 else np.inf,
        "滑点余量bp": round(net.mean() / tn.mean() * 1e4, 2),
    }
 def main() -> None:
    ap = argparse.ArgumentParser()
    ap.add_argument("--symbols", default="BTC,ETH,SOL,XRP,DOGE,LINK,ADA,LTC")
    ap.add_argument("--rows", type=int, default=300_000)
    ap.add_argument("--workers", type=int, default=4)
    args = ap.parse_args()
    syms = [s.strip() for s in args.symbols.split(",")]
    print(f"[1m 过滤器消融] {len(syms)} 币 × {args.rows} 根，"
          f"出场 SL{SL}/减半{SCALE_AT}/runner{RUNNER}/rstop{RSTOP}/{MAXB}根\n", flush=True)
    parts = []
    with ProcessPoolExecutor(max_workers=args.workers) as ex:
        futs = {ex.submit(collect, s, args.rows): s for s in syms}
        for i, f in enumerate(as_completed(futs), 1):
            r = f.result()
            if r is None:
                print(f"  [{i}/{len(syms)}] {futs[f]} 跳过", flush=True)
                continue
            parts.append(r)
            print(f"  [{i}/{len(syms)}] {futs[f]} 信号 {len(r)}", flush=True)
    if not parts:
        print("无结果")
        return
    d = pd.concat(parts, ignore_index=True)
    d["a_bp"] = d["atr_pct"] * 1e4
    d.to_feather(HERE / "out" / "step44_ablation_1m.feather")
    for gate_lab, dd in (("未加门控", d), (f"ATR >= {GATE_BP:g}bp", d[d.a_bp >= GATE_BP])):
        print("\n" + "=" * 118)
        print(f"########## {gate_lab}（共 {len(dd)} 笔）##########")
        dark = (dd["htf_agree"] == 1.0) & dd["ladder_ok"]
        rows = [
            describe(dd, "全部信号"),
            describe(dd[dark], "深色：同向 ∧ 阶梯"),
            describe(dd[~dark], "浅色：任一不过"),
            describe(dd[(dd["htf_agree"] == 1.0) & ~dd["ladder_ok"]], "  只过同向"),
            describe(dd[(dd["htf_agree"] != 1.0) & dd["ladder_ok"]], "  只过阶梯"),
            describe(dd[(dd["htf_agree"] != 1.0) & ~dd["ladder_ok"]], "  两个都不过"),
        ]
        print(pd.DataFrame([r for r in rows if r]).to_string(index=False))
    print("\n########## 逐币：浅色是正是负（ATR 门控后）##########")
    dd = d[d.a_bp >= GATE_BP]
    rows = []
    for s, g in dd.groupby("sym"):
        dark = (g["htf_agree"] == 1.0) & g["ladder_ok"]
        a, b = describe(g[dark], "深"), describe(g[~dark], "浅")
        rows.append({"币": s,
                     "深色笔数": a.get("笔数"), "深色净均R": a.get("净均R"),
                     "深色余量bp": a.get("滑点余量bp"),
                     "浅色笔数": b.get("笔数"), "浅色净均R": b.get("净均R"),
                     "浅色余量bp": b.get("滑点余量bp")})
    print(pd.DataFrame(rows).to_string(index=False))
    print("\n注：余量为「扣手续费后、可用于吸收滑点的 bp」。"
          "低于实测滑点即为亏损，不是「小赚」。")
 if __name__ == "__main__":
    main()
@@ -0,0 +1,262 @@
 """Step 43：重画率——实时看到过的信号，有多少后来消失了。
 step39 也报过「假阳性」，但那个测法是无效的：它从全序列随机抽非信号点，
 看时点重建会不会凭空冒信号。1m 上信号密度约 474 根 1 个，180 个随机点里
 本来就只期望撞上 0.38 个，测出 0% 几乎不含信息量。
 重画不发生在随机点上，只发生在「差一点就成型」的结构附近。所以要
 **逐根**做时点重建，把「当根确实出现了信号」的位置全收集起来，
 再看它们在全量视角里还在不在。
  实时信号   窗口只喂到第 T 根，重建后信号恰好落在第 T 根（实盘会下单的那些）
  重画       该信号在全量重建里不存在（图上后来消失，但实盘已经开了仓）
  漏看       全量有、实时当根没有（step39 已验证 ~0，这里顺带复核）
 只有**深色信号**（h1_agree ∧ ladder_ok）才会真下单，所以分层报告：
 浅色重画无所谓，深色重画才影响实盘。
 """
 from __future__ import annotations
 import argparse
 import os
 import sys
 import time
 import warnings
 from concurrent.futures import ProcessPoolExecutor, as_completed
 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
 sys.path.insert(0, str(HERE))
 sys.path.insert(0, str(HERE.parent))
 pd.set_option("display.width", 320)
 LTF, HTF = "1m", "5m"
 WINDOW = 2000          # step39 证明 1m 在 2000 根就饱和，实盘也用这个
 HTF_WINDOW = 800       # 5m 侧窗口，同 step39
 MAX_ROWS = 1_200_000
 def _load(sym: str):
    from chanlun import TF_DF
    from lib.data import fetch_ohlcv
    from lib.fx_signal import extract_fx_signals, signals_to_frame
    from lib.nested_bsp import htf_fx_timeline
    pair = f"{sym}/USDT:USDT"
    df_l = fetch_ohlcv(pair, LTF, MAX_ROWS)
    df_h = fetch_ohlcv(pair, HTF, 10 ** 9)
    chan_l = TF_DF(df_l, 1, LTF)
    cdf = chan_l.dataframe
    chan_h = TF_DF(df_h, 1, HTF)
    hdf = chan_h.dataframe
    tl = htf_fx_timeline(signals_to_frame(extract_fx_signals(chan_h, hdf)), hdf)
    return chan_l, cdf, hdf, tl
 def _full_signals(chan_l, cdf, tl):
    """全量视角的信号集（带两个过滤器）。"""
    from chanlun.analysis.fast_bsp import attach_zone_ladder
    from lib.fast_bsp3 import find_fast_bsp3
    from lib.nested_bsp import attach_htf_context
    from lib.nested_level import build_htf_zones
    zones = build_htf_zones(cdf, LTF, chan=chan_l).reset_index(drop=True)
    if zones.empty:
        return pd.DataFrame()
    sig = find_fast_bsp3(cdf, zones)
    if sig.empty:
        return pd.DataFrame()
    sig = attach_htf_context(sig, cdf, tl, "h1")
    sig = attach_zone_ladder(sig, zones)
    sig["ts"] = cdf["timestamp"].to_numpy()[sig["entry_idx"].astype(int)]
    return sig
 def scan_chunk(task: tuple) -> dict:
    """逐根时点重建，只记录信号恰好落在当根的位置。"""
    import warnings as _w
    _w.filterwarnings("ignore")
    sys.path.insert(0, str(HERE))
    sys.path.insert(0, str(HERE.parent))
    from chanlun import TF_DF
    from chanlun.analysis.fast_bsp import attach_zone_ladder
    from lib.fast_bsp3 import find_fast_bsp3
    from lib.fx_signal import extract_fx_signals, signals_to_frame
    from lib.nested_bsp import attach_htf_context, htf_fx_timeline
    from lib.nested_level import build_htf_zones
    sym, lo, hi = task
    try:
        chan_l, cdf, hdf, _tl_full = _load(sym)
        ltf_ts = cdf["timestamp"].to_numpy()
        htf_ts = hdf["timestamp"].to_numpy()
        hi = min(hi, len(cdf))
        lo = max(lo, WINDOW)
        hits, t0 = [], time.perf_counter()
        for T in range(lo, hi):
            sl = cdf.iloc[T - WINDOW + 1: T + 1].reset_index(drop=True)
            z = build_htf_zones(sl, LTF)
            if z.empty:
                continue
            z = z.reset_index(drop=True)
            sig = find_fast_bsp3(sl, z)
            if sig.empty:
                continue
            last = len(sl) - 1
            row = sig[sig["entry_idx"].astype(int) == last]
            if row.empty:
                continue
            # 只在真的出信号时才算过滤器——信号稀疏，这部分开销可忽略
            h_end = int(np.searchsorted(htf_ts, ltf_ts[T], side="right"))
            agree = np.nan
            if h_end >= HTF_WINDOW:
                hsl = hdf.iloc[h_end - HTF_WINDOW: h_end].reset_index(drop=True)
                ch = TF_DF(hsl, 1, HTF)
                tl_p = htf_fx_timeline(
                    signals_to_frame(extract_fx_signals(ch, ch.dataframe)), ch.dataframe)
                got = attach_htf_context(row.copy(), sl, tl_p, "h1")
                agree = float(got["h1_agree"].iloc[0] == 1)
            lad = attach_zone_ladder(row.copy(), z)
            hits.append({
                "sym": sym, "T": int(T), "ts": int(ltf_ts[T]),
                "direction": int(row["direction"].iloc[0]),
                "h1_agree": agree,
                "ladder_ok": bool(lad["ladder_ok"].iloc[0]),
            })
        return {"sym": sym, "lo": lo, "hi": hi, "n_bars": hi - lo,
                "hits": pd.DataFrame(hits), "secs": time.perf_counter() - t0}
    except Exception as e:
        return {"sym": sym, "error": repr(e)[:300]}
 def main() -> None:
    ap = argparse.ArgumentParser()
    ap.add_argument("--symbols", default="BTC,ETH,SOL,DOGE,XRP,LINK")
    ap.add_argument("--bars", type=int, default=30000, help="每币逐根扫描的根数")
    ap.add_argument("--workers", type=int, default=10)
    ap.add_argument("--chunk", type=int, default=2500)
    args = ap.parse_args()
    syms = [s.strip() for s in args.symbols.split(",")]
    out_dir = HERE / "out"
    out_dir.mkdir(exist_ok=True)
    # 先拿各币全量信号做基准，同时确定扫描区间
    print(f"[重画审计] {len(syms)} 币 × 每币 {args.bars} 根逐根重建，"
          f"窗口 {WINDOW}\n", flush=True)
    full_map, tasks = {}, []
    for s in syms:
        try:
            chan_l, cdf, hdf, tl = _load(s)
            full = _full_signals(chan_l, cdf, tl)
            full_map[s] = full
            hi = len(cdf) - 1
            lo = max(WINDOW, hi - args.bars)
            for a in range(lo, hi, args.chunk):
                tasks.append((s, a, min(a + args.chunk, hi)))
            print(f"  {s}: 全量 {len(cdf)} 根，全量信号 {len(full)}，"
                  f"扫描 [{lo}, {hi})", flush=True)
        except Exception as e:
            print(f"  {s}: 载入失败 {e!r}", flush=True)
    est = sum(t[2] - t[1] for t in tasks) * 0.202 / args.workers
    print(f"\n共 {len(tasks)} 个分块，预计 {est / 60:.0f} 分钟\n", flush=True)
    res, done = [], 0
    with ProcessPoolExecutor(max_workers=args.workers) as ex:
        futs = {ex.submit(scan_chunk, t): t for t in tasks}
        for f in as_completed(futs):
            r = f.result()
            done += 1
            if "error" in r:
                print(f"  [{done}/{len(tasks)}] {r['sym']} 出错 {r['error']}", flush=True)
                continue
            res.append(r)
            print(f"  [{done}/{len(tasks)}] {r['sym']} [{r['lo']},{r['hi']}) "
                  f"实时信号 {len(r['hits'])} 个，{r['secs']:.0f}s", flush=True)
    if not res:
        print("无结果")
        return
    live = pd.concat([r["hits"] for r in res if len(r["hits"])], ignore_index=True)
    live.to_feather(out_dir / "step43_live_signals.feather")
    n_bars = sum(r["n_bars"] for r in res)
    # 对齐：实时信号的时间戳是否出现在全量信号集里
    rows = []
    for s, g in live.groupby("sym"):
        full = full_map.get(s)
        fts = set(full["ts"].astype(int).tolist()) if full is not None and len(full) else set()
        g = g.copy()
        g["survived"] = g["ts"].isin(fts)
        rows.append(g)
    live = pd.concat(rows, ignore_index=True)
    live["dark"] = (live["h1_agree"] == 1.0) & live["ladder_ok"]
    print("\n" + "=" * 100)
    print(f"########## 1. 总体（扫描 {n_bars} 根）##########")
    n, sv = len(live), int(live["survived"].sum())
    print(f"  实时出现过的信号 {n} 个，全量视角仍在 {sv} 个，"
          f"重画 {n - sv} 个 = {(n - sv) / max(n, 1) * 100:.2f}%")
    print("\n########## 2. 按过滤器分层（只有深色会真下单）##########")
    rows = []
    for lab, m in (("深色（双过滤通过）", live["dark"]),
                   ("浅色（未通过）", ~live["dark"])):
        gg = live[m]
        if not len(gg):
            continue
        k = int((~gg["survived"]).sum())
        # Wilson 95% 上界，样本小的时候点估计没意义
        from math import sqrt
        nn, p = len(gg), k / len(gg)
        z = 1.96
        hi_b = (p + z * z / (2 * nn) + z * sqrt(p * (1 - p) / nn + z * z / (4 * nn * nn))) / (1 + z * z / nn)
        rows.append({"分层": lab, "实时信号": nn, "重画": k,
                     "重画率": f"{p * 100:.2f}%", "95%上界": f"{hi_b * 100:.2f}%"})
    print(pd.DataFrame(rows).to_string(index=False))
    print("\n########## 3. 分币种 ##########")
    rows = []
    for s, g in live.groupby("sym"):
        d = g[g["dark"]]
        rows.append({"币": s, "实时信号": len(g), "其中深色": len(d),
                     "深色重画": int((~d["survived"]).sum()) if len(d) else 0,
                     "全部重画": int((~g["survived"]).sum())})
    print(pd.DataFrame(rows).to_string(index=False))
    print("\n########## 4. 漏看（全量有、实时当根没有）复核 ##########")
    for s, g in live.groupby("sym"):
        full = full_map.get(s)
        if full is None or not len(full):
            continue
        lo = min(r["lo"] for r in res if r["sym"] == s)
        hi = max(r["hi"] for r in res if r["sym"] == s)
        inrange = full[(full["entry_idx"] >= lo) & (full["entry_idx"] < hi)]
        seen = set(g["ts"].astype(int).tolist())
        miss = int((~inrange["ts"].astype(int).isin(seen)).sum())
        print(f"  {s}: 扫描区间内全量信号 {len(inrange)}，实时当根未出现 {miss} 个"
              f"（{miss / max(len(inrange), 1) * 100:.1f}%）")
    print("\n########## 结论 ##########")
    d = live[live["dark"]]
    if len(d):
        k = int((~d["survived"]).sum())
        print(f"  深色信号 {len(d)} 个，重画 {k} 个。")
        print("  重画的仓位是真实成交的，但出场（止损/止盈/超时）不依赖信号是否还在图上，")
        print("  所以不会卡仓；影响仅限于「实盘比回测多开的这部分，质量不在回测统计里」。")
 if __name__ == "__main__":
    main()
@@ -0,0 +1,195 @@
 """Step 47：中枢可用时刻取 bis[-1] 还是 bis[2] —— 按收益判，不按重画率判。
 §5.41 发现 available_ts 取「中枢最后一笔」是右边缘重画的根因，改取「第三笔」
 （中枢成立即固定）能把重画率从 6.5% 压到 1.2%。但那只测了稳定性。
 小样本预检（60k 根 × 5 个币/周期）显示这不是一次「稳定性修补」：
  信号数 +17% ~ +44%，而两组的**重合度只有约 30%**。
  即 bis[2] 丢掉了原信号的多数，又换进来一批新的。
 换句话说它是另一个策略，不是同一个策略的低延迟版。所以判据必须是扣费后的
 净 R / PF / 滑点预算，重画率只能作为次要参考。
 口径与 step44 一致（当前 1m 最优）：
  出场   SL 2.0 / 3 ATR 减半 / runner 目标 8 ATR / runner 止损留原位 / 48 根超时
  成本   taker 2bp、maker 0.8bp，滑点只加在 taker 腿
  门控   ATR >= 8bp
  过滤   深色（同向 ∧ 阶梯）——实盘只做这一档，见 §3.38
 两组共用同一个 TF_DF，只切 available_ts 的取法，确保差异只来自这一处。
 """
 from __future__ import annotations
 import argparse
 import os
 import sys
 import warnings
 from concurrent.futures import ProcessPoolExecutor, as_completed
 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
 sys.path.insert(0, str(HERE))
 sys.path.insert(0, str(HERE.parent))
 pd.set_option("display.width", 340)
 LTF, HTF = "1m", "5m"
 SL, SCALE_AT, RUNNER, RSTOP, MAXB = 2.0, 3.0, 8.0, 2.0, 48
 GATE_BP = 8.0
 VARIANTS = (("bis[-1] 现行", -1), ("bis[2] 中枢成立", 2))
 def collect(sym: str, rows: int) -> pd.DataFrame | None:
    import warnings as _w
    _w.filterwarnings("ignore")
    sys.path.insert(0, str(HERE))
    sys.path.insert(0, str(HERE.parent))
    from chanlun import TF_DF
    from chanlun.analysis.fast_bsp import (
        add_zone_ladder, attach_htf_agree, attach_zone_ladder,
        build_htf_zones, find_fast_bsp3, htf_fx_timeline,
    )
    from lib.data import fetch_ohlcv
    from lib.exit_model import cfg_name, walk_exits
    try:
        df = fetch_ohlcv(f"{sym}/USDT:USDT", LTF, rows)
        if df is None or len(df) < 50_000:
            return None
        # lean：只需要笔/中枢/信号，跳过线段与 MACD 状态机（见 §5.6，已验证等价）
        chan = TF_DF(df, 1, LTF, lean=True)
        cdf = chan.dataframe
        df_h = fetch_ohlcv(f"{sym}/USDT:USDT", HTF, 10 ** 9)
        chan_h = TF_DF(df_h, 1, HTF, lean=True)
        tl = htf_fx_timeline(chan_h, chan_h.dataframe)
        idx_all, parts = None, []
        for label, avail_bi in VARIANTS:
            zones = build_htf_zones(cdf, LTF, chan=chan, avail_bi=avail_bi)
            if zones.empty:
                continue
            zl = add_zone_ladder(zones.reset_index(drop=True))
            sig = find_fast_bsp3(cdf, zl)
            if sig.empty:
                continue
            sig = attach_zone_ladder(attach_htf_agree(sig, cdf, tl), zl)
            res = walk_exits(cdf, sig, [SL], [RUNNER], [MAXB],
                             scale_at=SCALE_AT, runners=(RUNNER,), runner_stops=(RSTOP,))
            cfg = cfg_name(SL, RUNNER, MAXB, RSTOP)
            need = [f"{cfg}_g", f"{cfg}_r", f"{cfg}_c", f"{cfg}_b"]
            if any(c not in res.columns for c in need):
                continue
            idx = sig["entry_idx"].to_numpy().astype(int)
            atr = cdf["atr"].to_numpy(float)[idx]
            close = cdf["close"].to_numpy(float)[idx]
            out = res[need].copy()
            out.columns = ["g", "r", "c", "b"]
            out["sym"] = sym
            out["variant"] = label
            out["atr_pct"] = atr / close
            out["lag"] = sig["lag"].to_numpy()
            out["entry_idx"] = idx
            out["htf_agree"] = sig["htf_agree"].to_numpy()
            out["ladder_ok"] = sig["ladder_ok"].to_numpy()
            parts.append(out)
        return pd.concat(parts, ignore_index=True) if parts else None
    except Exception as e:
        print(f"  {sym} 失败: {e!r}", flush=True)
        return None
 def describe(g: pd.DataFrame, label: str) -> dict:
    from lib.exit_model import fee_of, taker_notional
    if len(g) < 40:
        return {"口径": label, "笔数": len(g), "备注": "样本不足"}
    gross = g["g"].to_numpy()
    reason, scaled = g["r"].to_numpy(), g["c"].to_numpy()
    net = gross - fee_of(reason, scaled)     # 未扣滑点：剩下的就是滑点余量
    denom = SL * g["atr_pct"].to_numpy()
    R, gR = net / denom, gross / denom
    w, o = net[net > 0], -net[net <= 0].sum()
    q = np.quantile(net[net > 0], 0.90) if (net > 0).any() else 0.0
    t10 = net[(net > 0) & (net <= q)].sum()
    tn = taker_notional(reason, scaled)
    return {
        "口径": label, "笔数": len(g),
        "滞后": round(float(g["lag"].mean()), 2),
        "胜率": f"{(net > 0).mean() * 100:.1f}%",
        "毛R": round(gR.mean(), 3),
        "净均R": round(R.mean(), 3),
        "R夏普": round(R.mean() / R.std(ddof=1), 3),
        "PF": round(w.sum() / o, 2) if o > 0 else np.inf,
        "剔10%PF": round(t10 / o, 2) if o > 0 else np.inf,
        "滑点余量bp": round(net.mean() / tn.mean() * 1e4, 2),
    }
 def main() -> None:
    ap = argparse.ArgumentParser()
    ap.add_argument("--symbols", default="BTC,ETH,SOL,XRP,DOGE,LINK,ADA,LTC")
    ap.add_argument("--rows", type=int, default=300_000)
    ap.add_argument("--workers", type=int, default=3)
    args = ap.parse_args()
    syms = [s.strip() for s in args.symbols.split(",")]
    print(f"[available_ts A/B] {len(syms)} 币 × {args.rows} 根 {LTF}\n"
          f"出场 SL{SL}/减半{SCALE_AT}/runner{RUNNER}/rstop{RSTOP}/{MAXB}根，"
          f"ATR 门控 {GATE_BP:g}bp\n", flush=True)
    parts = []
    with ProcessPoolExecutor(max_workers=args.workers) as ex:
        futs = {ex.submit(collect, s, args.rows): s for s in syms}
        for i, f in enumerate(as_completed(futs), 1):
            r = f.result()
            if r is None:
                print(f"  [{i}/{len(syms)}] {futs[f]} 跳过", flush=True)
                continue
            parts.append(r)
            n = r.groupby("variant").size().to_dict()
            print(f"  [{i}/{len(syms)}] {futs[f]} {n}", flush=True)
    if not parts:
        print("无结果")
        return
    d = pd.concat(parts, ignore_index=True)
    d["a_bp"] = d["atr_pct"] * 1e4
    d.to_feather(HERE / "out" / "step47_avail_bi.feather")
    dark = (d["htf_agree"] == 1.0) & d["ladder_ok"]
    for lab, dd in (("全部信号", d), ("深色（实盘口径）", d[dark])):
        for gate_lab, ddd in (("未门控", dd), (f"ATR>={GATE_BP:g}bp", dd[dd.a_bp >= GATE_BP])):
            print("\n" + "=" * 118)
            print(f"########## {lab} / {gate_lab} ##########")
            print(pd.DataFrame([describe(ddd[ddd.variant == v], v)
                                for v, _ in [(a, b) for a, b in VARIANTS]]).to_string(index=False))
    print("\n########## 逐币（深色 + 门控）##########")
    dd = d[dark & (d.a_bp >= GATE_BP)]
    rows = []
    for s, g in dd.groupby("sym"):
        r = {"币": s}
        for v, _ in VARIANTS:
            x = describe(g[g.variant == v], v)
            tag = "现行" if "-1" in v else "新"
            r[f"{tag}_笔数"] = x.get("笔数")
            r[f"{tag}_净均R"] = x.get("净均R")
            r[f"{tag}_余量bp"] = x.get("滑点余量bp")
        rows.append(r)
    print(pd.DataFrame(rows).to_string(index=False))
    print("\n判据：净均R 与滑点余量bp 同时不劣于现行，才值得换。"
          "\n信号数变多本身不是好处——重合度只有约 30%，换的是另一批交易。")
 if __name__ == "__main__":
    main()