research: 一类线重开——病根是选样×止损的交互，不是没机会

用户问「修改 B1/B2 的识别规则呢」，查下来推翻了 §3.399 的关闭结论。

step65 先量机会本身：直接取 seg_list（不经过检测器），线段中位幅度 11.4 ATR，
扣掉 2.9 ATR 确认成本还剩 8.5，是止损的 4.26 倍，93% 的线段装得下。
五币四级别一致。**滞后不是瓶颈**，与原先预期相反。

但这与 §3.397 矛盾（空间在却拿不到），step66 给出解答：之前六次进攻每次只动
一半。完美选样配 2ATR 止损是 0.70/0.83，无选样配结构止损是 0.36，
**两个一起是 2.29(5m)/4.11(15m)**，胜率 36%→63% / 44%→70%。是交互不是叠加。

机制来自 MFE/MAE：真底那批逆向行程中位仅 2.24 ATR，2 ATR 止损打掉了 51~58%
的好单；非真底那批逆向行程中位 4.76，放宽只是亏更多。固定 2 ATR 同时做错两件事。

⚠️ 上界含两个未来函数（线段端点选样、sure_time 入场），是靶子不是策略。

顺带证伪一个我自己的猜测：step58 首轮用 r_scale=True 把 3.9 ATR 止损对应的
runner 目标推到 15.6 ATR（比整段行情还长）。加 --abs-targets 改绝对目标重跑，
PF 仍是 0.36，与 r_scale 版完全相同。首轮结论正确，只是理由错了。

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

research/step58_struct_stop.py

@@ -117,6 +117,12 @@ def main() -> None:
     ap = argparse.ArgumentParser()
     ap.add_argument("--tf", default="5m")
     ap.add_argument("--rows", type=int, default=200_000)
+    # step65 发现线段中位幅度只有 11.4 ATR，而 r_scale 会把 3.9 ATR 的结构止损
+    # 对应的 runner 目标推到 15.6 ATR —— 比整段行情还长，永远打不到。
+    # 本脚本首轮全程用了 r_scale=True，等于「放宽止损」和「目标够不着」同时生效，
+    # 两个效应互相抵消，那轮的结论无效。绝对目标才是与 11.4 ATR 相容的口径。
+    ap.add_argument("--abs-targets", action="store_true",
+                    help="目标位用绝对 ATR（3/8）而非按止损等比放大")
     args = ap.parse_args()
 
     d = pd.read_feather(SRC)
@@ -149,7 +155,7 @@ def main() -> None:
         df = fetch_ohlcv(f"{sym}/USDT:USDT", args.tf, args.rows)
         cache[(sym, args.tf)] = TF_DF(df, 1, args.tf).dataframe
 
-    print("目标随止损等比放大，恒定 1.5R 减半 / 4R 收尾，与实盘的 2/3/8 同构。")
+    print(f"目标位口径：{'绝对 3/8 ATR（装得进 11.4 ATR 的线段）' if args.abs_targets else '随止损等比放大（恒定 1.5R/4R）'}")
     for flip in (False, True):
         for label, margin in [("固定2ATR", None), ("结构+0.25", 0.25),
                               ("结构+0.5", 0.5), ("结构+1.0", 1.0),
@@ -166,7 +172,7 @@ def main() -> None:
                 # 入场价另一侧同样宽度处，否则两组比的不是同一个东西
                 sl = (np.full(len(x), 2.0) if margin is None
                       else (x.to_ext.values + margin))
-                res = simulate(cdf, t, sl)
+                res = simulate(cdf, t, sl, r_scale=not args.abs_targets)
                 ok = res.g.notna().values
                 gs.append(res.g[ok])
                 rs.append(res.r[ok])