币池可配，实测十币的排队代价；标出漂移的 tick 地板

加 --syms（start.sh 传 SYMS），默认仍是三币。TRX 不进十币池：实盘口径 208 天
只有 5 笔，ATR 门控几乎全刷掉。

十币实测（对比三币）：

  queue_ms        2 → 169ms（P90 519ms，每刻最大排队中位 533ms）
  inner_ms      144 → 196ms（CPU 争抢也拖慢了纯计算）
  lag_signal_ms 621 → 958ms；同一收盘时刻最后算完的币中位 1376ms

排队从可忽略变成主项，与「10 币 × 196ms ÷ 2 核 ≈ 640ms 突发」吻合。这也是
之前「加核没用」那个结论唯一会翻转的场景：CPU 占用率只有约 3%，问题纯粹是
所有币同一秒收盘的突发，加核压的是并行度而非单币耗时。

但 800ms 哨兵不受影响——它喂的是 t_data − kline_ts（数据腿），十币下逐币
154~532ms 全在线内。加币不碰那道闸。

另外发现一个会被静默误读的东西：ADA/AVAX/DOGE/LINK/LTC 的漂移中位精确等于
半个 tick 且在四个延迟点上完全相同。那不是漂移，是中价的最小变动量——ADA 半
tick 就有 2.34bp。拿这个数去比预算会误判某币不可做。shadow_report 加了
tick_floor() 标注；方向上安全（真实漂移只会更小，这些是上界）。

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

research/live/shadow_report.py

@@ -149,6 +149,36 @@ def book_quality(sig: pd.DataFrame, drf: pd.DataFrame) -> None:
           f"不改变曲线形状，但要确认没有异常长尾")
 
 
+def tick_floor(drf: pd.DataFrame) -> None:
+    """标出哪些币的漂移只是 tick 量化的地板，不是真实漂移。
+
+    中价的最小变动是半个 tick，所以 tick 相对价格粗的币（ADA 半 tick 就有
+    2.34bp、LTC 1.00bp），漂移中位会**精确等于半 tick** 且在所有延迟点上
+    完全相同。这很容易被读成「ADA 漂移 2.34bp」，实际是「测不到更细」。
+
+    方向上是安全的——真实漂移只会更小，所以这些数是上界。但必须标出来，
+    否则会拿一个测量地板去和预算做比较，然后误判某个币不可做。
+    """
+    if drf.empty or "mid" not in drf.columns:
+        return
+    print("\n  ── tick 地板检查")
+    hit = False
+    for sym, g in drf.groupby("sym"):
+        mid = g["mid"].median()
+        # 同一币在各延迟点的漂移若几乎不变，就是被量化了
+        by = g.groupby("delay_label")["drift_bp_long"].apply(
+            lambda x: x.abs().median())
+        if len(by) < 3 or not np.isfinite(mid) or mid <= 0:
+            continue
+        spread = by.max() - by.min()
+        if spread < 0.02 and by.median() > 0.2:
+            hit = True
+            print(f"    {sym:<6}漂移在各延迟点恒为 {by.median():.2f}bp"
+                  f" → 半 tick 地板，真实漂移低于此值")
+    if not hit:
+        print("    没有币落在 tick 地板上，漂移数值可直接读")
+
+
 def drift_split(sig: pd.DataFrame, drf: pd.DataFrame) -> None:
     """条件漂移 vs 无条件漂移。两者的差就是「系统性追价」的大小。"""
     print("\n\n########## 三、条件漂移 vs 无条件漂移 ##########")
@@ -173,6 +203,7 @@ def drift_split(sig: pd.DataFrame, drf: pd.DataFrame) -> None:
               f"{cm - um:>9.2f}")
     if len(cond) and len(cond[cond["delay_label"] == "1.0s"]) < MIN_N:
         print(f"\n  条件侧样本不足 {MIN_N}，差值还读不出方向")
+    tick_floor(drf)
 
 
 def slippage_curve(sig: pd.DataFrame) -> None: