量因子该做成开关不是权重；前序因子不该进仓位

把 step49/50 两个分层结论做成仓位因子做组合层面评估，结果与分层表给人的印象不一致，两个因子的命运相反。方法上设了三道约束——分层结论转仓位规则最容易在这三处翻车： 1 阈值取整数（vr60 切 1/2/4）、权重取整数比，一个参数都不搜。观测到的四分位边界在不同时段并不一致（样本外 0.63/1.26/2.28/5.34、发现期 0.62/1.48/ 3.11/7.97），用样本分位数等于在同一批数据上既发现又调参 2 权重归一化到均值 1，各方案投出去的平均资金相同，均R 才可比 3 判据是四项一起看：均R / R夏普 / 最大回撤 / 峰值加权并发。只看均值必然误判全样本 3941 笔，假定滑点 5bp/taker 腿：盈亏平衡滑点 R夏普回撤R 峰值并发总R/峰值并发等权（现状） 16.7bp 0.420 17.3 7.00 371.4 仅量因子（加权） 18.2bp 0.442 12.7 7.98 367.4 仅前序因子 17.0bp 0.421 19.2 8.46 312.6 硬砍高量档（vr60≥4） 18.6bp 0.496 11.2 6.00 389.3 硬砍 + 前序权重 19.0bp 0.500 11.0 7.19 332.1 ① 前序因子不能做仓位。+6bp 余量在 5bp 滑点假设下只值约 0.011R，而这批信号按定义 100% 发生在别的币已有仓位时——加权就是在敞口最集中的时刻加杠杆。盈亏平衡只买到 +0.3bp，峰值并发 7.00→8.46、回撤 17.3→19.2，按峰值保证金归一后是净负的（371→313）。§3.31 里「可用于加仓位权重」那句作废。出路可能是改用放宽 ATR 门控兑现（多做几笔而非每笔做大），未测。 ② 量因子「不做」优于「少做」。硬砍付笔数 −22%、总R −10%，换回撤 −35% 和峰值并发 7→6。并发这一项单独就值：§3.31 已把峰值敞口列为扩币的前置约束。 ③ 优势的形态是削尾不是抬均值。均R 差在各滑点档几乎恒定（0.085→0.082），但基数在塌，所以相对优势随成本上升放大：15bp 处总R/回撤 2.57→11.86，靠的是回撤从 150.5 掉到 60.3。这两个因子买的是尾部风险，不是收益。可操作口径要用发现期：盈亏平衡滑点样本外 18.2bp、发现期只有 13.5bp（硬砍后 15.6bp），差距就是 2026 的 ATR 压缩。13.5 与 shadow_budget 的 15.19bp 同量级，互为印证。影子测量要对标 13.5 / 15.6，不是 18.6。开关先不上：只是 live 信号路径加一行，随时能加。等实测滑点出来再定——远低于 13.5bp 则等权就够，贴着 13.5bp 则这 2.1bp 就是生死线。 Co-authored-by: Cursor <cursoragent@cursor.com>
成交量假设方向是反的：高量入场毛R 0.794，低量 1.421
2026-08-28 05:08:34 +08:00 · 2026-08-28 05:08:03 +08:00
4 changed files with 486 additions and 3 deletions
@@ -333,15 +333,70 @@ ATR 混淆已排除：`有前序` 的 ATR 确实略高（中位 15.04 vs 13.13bp
 四分位分层后 **4/4 层同向**，层内余量差 3.29 / 8.39 / 5.16 / 4.14bp，与不分层
 的 +6.06 同量级。且毛R 本身是 ATR 归一化指标，其 +0.19 不可能是 ATR 假象。

-**可用方式**：这 16% 的信号能多容忍约 6bp 执行成本。可用于加仓位权重，
-或对这批放宽 ATR 门控——ATR 最低层里 `有前序` 余量仍有 14.92bp（对照 11.63），
-提示门控对它们可以更松。**但放宽门控尚未回测，先别改。**
+**可用方式**：这 16% 的信号能多容忍约 6bp 执行成本。
+
+> ⛔ **「加仓位权重」这条已被 step51 否掉，见 §3.39。** +6bp 余量在 5bp
+> 滑点假设下只值约 0.011R，而这批信号 100% 发生在别的币已有仓位时——
+> 加权后峰值并发 7.00 → 8.46、回撤 17.3 → 19.2，按峰值保证金归一是净负的。
+> 边际收益买不起它带来的集中度。
+>
+> 仍未测的出路是**放宽 ATR 门控**（多做几笔，而非每笔做大）：ATR 最低层里
+> `有前序` 余量仍有 14.92bp（对照 11.63），提示门控对它们可以更松。
+> **尚未回测，先别改。**

 > ⚠️ **「同分钟 vs 错开」是看过数据之后才划的切法，不是事先定的。**
 > 208 天、158 个簇，post-hoc 切分容易切出噪声。**拿它当仓位规则前必须换一段
 > 时间验证。** 目前可确定的只有「扎堆整体更好」（簇级也成立）；
 > 「好处全集中在错开那一档」尚待样本外确认。

+**❌ 信号根成交量：假设方向是反的，高量入场明显更差（step50）**
+
+用户假设「有资金的趋势才是好趋势」，预期开仓根成交量越大越好。
+成交量在信号根收盘时可知，符合上面那条纪律，是合法的可交易切法。
+同一批 3941 笔，按信号根相对成交量四分位：
+
+| vr60 分位（当根量 / 前 60 根均量） | 样本外毛R | 样本外余量 | 发现期毛R | 发现期余量 |
+|---|---|---|---|---|
+| 量最低（中位 0.63） | **1.421** | **27.18bp** | 1.192 | 20.91bp |
+| 量中低 | 1.187 | 20.37bp | 1.133 | 19.80bp |
+| 量中高 | 1.067 | 18.69bp | 0.841 | 13.30bp |
+| 量最高（中位 5.34） | 0.794 | 13.47bp | 0.634 | 7.94bp |
+
+**单调递减，且样本内外、两套量比基准（前 10 根 / 前 60 根）全部同向。**
+稳健性达到了 step49 那条的标准：**ATR 四分位 4/4 同向**（层内毛R 差
+−0.327 / −0.238 / −0.347 / −0.592），**逐时段 7/7 同向**。不是 ATR 换脸。
+
+机制在出场结构里，**伤害集中在止损命中率**：
+
+| vr60 分位 | 止盈% | 止损% | 超时% | 到 3ATR 减仓率 | 赢时均R | 亏时均R |
+|---|---|---|---|---|---|---|
+| 量最低 | 33.5 | 22.5 | 44.0 | 77.6% | 1.830 | −1.098 |
+| 量最高 | 26.1 | **45.3** | 28.6 | 60.9% | 1.651 | −1.106 |
+
+亏损幅度四档全是 −1.10（止损就是止损），赢时均R 只降 10%。**止损率翻倍**
+是全部损失来源。这里有个判别点：若只是「2 ATR 止损相对突然放大的波动太窄」
+的尺度错配，超时单应按原比例分流进止盈和止损两侧；实际是超时（−15.4pp）
+**和止盈（−7.4pp）一起**流进止损（+22.8pp）。**方向本身在变差，不只是止损太窄**，
+所以对策是回避而非放宽止损。
+
+为什么直觉会反：B4/S4 是**在突破根上进场**的。大量根意味着这一冲已经由别人
+的资金完成了，你在它的收盘价接手——高量不是「资金在推你」，是「你在给推
+完的人接盘」。用户的直觉在中长周期趋势跟随上成立，但这个入场点站在它的
+对面。**「有资金」要能获利，必须在资金到达之前进场，不是同时。**
+
+与 `有前序` 是两件独立的事，不是同一效应换个说法（相关性很弱：有前序组
+vr10 中位 1.76 vs 无前序 1.46）。2×2 交叉，最好的一档是两者叠加：
+
+| | 笔数 | 占比 | 毛R | 余量bp |
+|---|---|---|---|---|
+| 低量 × 有前序 | 253 | 6% | **1.398** | **31.00bp** |
+| 低量 × 无前序 | 1717 | 44% | 1.092 | 18.35bp |
+| 高量 × 有前序 | 382 | 10% | 1.074 | 19.62bp |
+| 高量 × 无前序 | 1589 | 40% | 0.988 | 16.39bp |
+
+> 尚未做的：把量比做成硬过滤（如砍掉最高四分位）要付 25% 的笔数，
+> 而 1m 本来就稀疏（10 币约 2.5 笔/天）。**先当仓位权重用，别当开关。**
+
 **TRX 应从币池剔除**：实盘口径 208 天只有 **5 笔**，ATR 门控几乎全刷掉
 （与 §5.3「2026 只剩 4.2%」一致）。实际可用是 10 个币，不是 11 个。
 逐币每天笔数：DOGE/AVAX/SOL 约 0.66，BTC/LTC 0.45，BNB 0.31，TRX 0.02。
@@ -624,6 +679,58 @@ ADA 也才 2.41bp。
 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。**

+### 3.39 因子化仓位：量因子该做成**开关**不是权重，前序因子根本不该进仓位（step51）
+
+用户提出把 §3.31 的两个分层结论（`有前序` +6bp 余量、低量根 +14bp 余量）
+做成仓位/杠杆因子。做了组合层面的评估，结论与分层表给人的印象**不一致**，
+两个因子的命运完全相反。
+
+**方法上刻意设的三道约束**（分层结论转仓位规则最容易翻车的地方）：
+
+1. **阈值取整数、权重取整数比，一个参数都不搜。** vr60 切在 1 / 2 / 4，
+   权重 1.5 / 1.25 / 0.75 / 0.5。观测到的四分位边界在不同时段并不一致
+   （样本外 0.63/1.26/2.28/5.34，发现期 0.62/1.48/3.11/7.97），
+   用样本分位数等于在同一批数据上既发现又调参。
+2. **权重归一化到均值 1**，各方案投出去的平均资金相同，均R 才可比。
+3. **判据是四项一起看**：均R / R夏普 / 最大回撤 / **峰值加权并发**。
+   只看均值必然误判——加权一定抬方差，且 `有前序` 按定义就发生在别的币
+   已有仓位时，给它加权就是在敞口最集中的时刻加杠杆。
+
+全样本 3941 笔，假定滑点 5bp/taker 腿：
+
+| 方案 | 盈亏平衡滑点 | R夏普 | 最大回撤R | 峰值并发 | 总R/峰值并发 |
+|---|---|---|---|---|---|
+| 等权（现状） | 16.7bp | 0.420 | 17.3 | 7.00 | 371.4 |
+| 仅量因子（加权） | 18.2bp | 0.442 | 12.7 | 7.98 | 367.4 |
+| **仅前序因子** | 17.0bp | 0.421 | **19.2** | **8.46** | **312.6** |
+| 两因子相乘 | 18.6bp | 0.446 | 14.3 | 9.48 | 314.6 |
+| **✅ 硬砍高量档（vr60 ≥ 4 不做）** | **18.6bp** | **0.496** | **11.2** | **6.00** | **389.3** |
+| 硬砍 + 前序权重 | 19.0bp | 0.500 | 11.0 | 7.19 | 332.1 |
+
+**① `有前序` 不能做仓位因子——它的边际收益买不起它带来的集中度。**
+盈亏平衡滑点只 +0.3bp，但峰值并发 7.00 → 8.46、回撤 17.3 → 19.2，
+**按峰值保证金归一后是净负的（371 → 313）**。原因是量纲：+6bp 余量在
+5bp 滑点假设下只值约 0.011R，而它 100% 发生在已有并发仓位的时刻。
+§3.31 说的「可用于加仓位权重」**到此作废**——那条余量优势是真的，
+但兑现方式不是仓位。（可能的出路是对这批放宽 ATR 门控，即多做几笔而非
+每笔做大，那条仍未测。）
+
+**② 量因子「不做」优于「少做」。** 加权版 R夏普 0.442、硬砍版 0.496；
+回撤 12.7 vs 11.2；峰值并发 7.98 vs **6.00**。硬砍付出笔数 −22%
+（3941 → 3061）、总R −10%，换来回撤 −35% 和并发 −14%。
+**并发下降这一点单独就值**：§3.31 已把峰值敞口列为扩币的前置约束，
+砍掉高量档等于同时松开这个约束。
+
+**③ 优势的形态是「削尾」不是「抬均值」。** 均R 差在各滑点档上几乎恒定
+（0.085 → 0.082），但**基数在塌**，所以相对优势随成本上升而放大：
+15bp 处总R/回撤 2.57 → 11.86（4.6 倍），因为回撤从 150.5 掉到 60.3。
+**这两个因子买的是尾部风险，不是收益。**
+
+⚠️ **可操作口径要用发现期的数，不是全样本。** 盈亏平衡滑点样本外 18.2bp、
+发现期只有 **13.5bp**（硬砍后 15.6bp）——差距就是 2026 的 ATR 压缩（§5.3）。
+发现期才代表当前波动环境。13.5bp 与 `shadow_budget.BUDGET_PORTFOLIO_2026`
+的 15.19bp 同量级，互为印证。**影子测量要对标的是 13.5 / 15.6，不是 18.6。**
+
 ### 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，
@@ -763,6 +870,7 @@ step41 首轮跑的是错误的 3/1bp（见 §1.3），已用实际费率重算
 | 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 |
+| **挑「信号根成交量大」的信号（有资金推的趋势）** | **方向完全相反**：vr60 四分位上毛R 单调 1.421→0.794、余量 27.18→13.47bp，样本内外 / 两套量比基准 / ATR 4 分位 4/4 / 逐时段 7/7 全部同向。止损率 22.5%→45.3% 翻倍，且**止盈率同时下降**（说明是方向变差，不是止损太窄）。根因：B4/S4 在突破根上进场，大量根 = 这一冲已经由别人的资金走完，你在收盘价接盘。**低量那一档才是好的**，可反向用作仓位权重 | step50 §3.31 |
 | 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 |

 ---
@@ -1600,6 +1708,14 @@ API 限流风险隔离三个好处。
 | 40 | 第四类买卖点的过滤消融（web 端原始 vs 过滤） |
 | 41 | **出场口径全扫**（SL × TP × MAX_BARS × 分批 × 剩余半仓止损位 + 真实费率模型）。TP=3 截早了；分批要做但止损保持原位；SL=1.0 最差 |
 | 42 | **1m 单独定出场**（同一张全网格，11 币 7 年 25476 笔）。1m 右尾是其他级别 2 倍，TP 不能混用；`SL2 分批→8ATR 留损2 48根` 在均R/R夏普/回撤/剔10%PF 四项全赢，滑点余量 11.06→20.12bp；`MAX_BARS=48` 反而不用改 |
+| 44 | **1m 过滤消融**：浅色信号毛R 只有深色的 1/6，差在质量不在成本，不能做 |
+| 45 | 重画审计脚本（时点重建，深色口径）——待跑 |
+| 46 | **引擎逐位对拍基线**（klu/klc/bi/seg/zs/信号/消费列哈希），重构安全网 |
+| 47 | **`available_ts` bis[2] A/B** → 作废，毛R 被打成零（§5.42） |
+| 48 | 多币开仓时间分布、并发、簇内顺序（首发是未来信息） |
+| 49 | **「有前序」样本外验证**（10 币 80 万根）→ 通过，余量 +6bp，6/6 时段同向 |
+| 50 | **信号根成交量**（用户假设「有资金的趋势才是好趋势」）→ **方向相反**，高量毛R 0.794 vs 低量 1.421，ATR 4/4 + 时段 7/7 同向；根因是在突破根上给别人接盘 |
+| 51 | **因子化仓位**（把 49/50 做成权重）→ 量因子该做成**开关**不是权重（硬砍 vs 加权：R夏普 0.496/0.442、并发 6.00/7.98）；**前序因子不该进仓位**，边际收益买不起集中度。优势形态是削尾不是抬均值 |

 输出都在 `research/out/`。**2026-08-27 清理过一轮**：step1~20 的输出（早期方法论
 已被推翻，含未来函数偏差）与旧口径备份一并删除，只留支撑当前结论的证据。
@@ -1688,3 +1804,14 @@ API 限流风险隔离三个好处。
      **这条是扩币的前置条件**——加币不分散，只把峰值敞口推得更高
 - [ ] 若要扩币：按 3.33 的两条标准筛（ATR 对门控 + 流动性），
      并留一批筛完不看、直接进实盘验证，以保住样本外的说服力
+- [x] **因子化仓位已评估完（step51，§3.39）**，结论与分层表给的印象相反：
+      量因子做成**开关**（vr60 ≥ 4 不做），前序因子**不进仓位**。
+      剩下两件事：
+- [ ] **决定要不要上「vr60 ≥ 4 不做」这个开关。** 收益是发现期盈亏平衡滑点
+      13.5 → 15.6bp、回撤 −35%、峰值并发 7 → 6；代价是笔数 −22%
+      （10 币已只有约 2.5 笔/天，砍完约 2.0）。**建议等影子测量出真实滑点
+      再定**——若实测远低于 13.5bp，等权就够用，没必要付这 22%；
+      若实测贴着 13.5bp，这 2.1bp 的余量就是生死线。**这个开关只在
+      live 信号路径加一行，随时可上，不必现在决定**
+- [ ] `有前序` 的余量优势改用**放宽 ATR 门控**兑现（多做几笔而非每笔做大）。
+      §3.31 已记，未回测
@@ -88,6 +88,11 @@ def collect(sym: str, rows: int) -> pd.DataFrame | None:
            "r": res[f"{cfg}_r"].to_numpy(),
            "c": res[f"{cfg}_c"].to_numpy(),
            "atr_pct": atr / close,
+            # 信号根的相对成交量。当根已收盘，开仓时可知，是合规的可交易信息。
+            # vr10 是引擎自带口径（前 10 根均量），vr60 换个基准做稳健性对照。
+            "vr10": cdf["volume_ratio"].to_numpy(float)[idx],
+            "vr60": (cdf["volume"] / cdf["volume"].rolling(60, min_periods=10).mean()
+                     ).to_numpy(float)[idx],
        })
    except Exception as e:
        print(f"  {sym} 失败: {e!r}", flush=True)
@@ -0,0 +1,190 @@
+"""Step 50：信号根的成交量是否预测质量 ——「有资金的趋势才是好趋势」。
+
+用户假设：开仓时刻的成交量越大，说明有真金白银在推，趋势更可信。
+
+这个假设满足 §3.31 立的纪律：信号根已收盘，其成交量在开仓那一刻可知，
+是合规的可交易信息，不像「我是簇里第几个」那样含未来。
+
+只测两件事，不做穷举（组合空间大，多测必出假阳性）：
+  主假设   相对成交量越高，毛R 与滑点余量越好
+  次假设   它与 §3.31 的「有前序信号」是同一件事，还是两件独立的事
+
+口径与 step48/49 一致。发现期（2026-01-30 起）与样本外分开报，
+主假设若只在其中一边成立就不算通过。
+"""
+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)
+
+SL = 2.0
+GATE_BP = 8.0
+WIN_MIN = 5
+OUT = HERE / "out" / "step50_volume.feather"
+IS_START = pd.Timestamp("2026-01-30", tz="Asia/Shanghai")
+
+
+def collect(sym: str, rows: int):
+    import warnings as _w
+    _w.filterwarnings("ignore")
+    sys.path.insert(0, str(HERE))
+    sys.path.insert(0, str(HERE.parent))
+    from step48_signal_timing import collect as _c
+    return _c(sym, rows)
+
+
+def prep(d: pd.DataFrame) -> pd.DataFrame:
+    from lib.exit_model import fee_of, taker_notional
+
+    d = d.sort_values("date").reset_index(drop=True)
+    t = d.date.values.astype("datetime64[m]").astype(np.int64)
+    d["prev"] = np.searchsorted(t, t, "left") - np.searchsorted(t, t - WIN_MIN, "left")
+    net = d.g.values - fee_of(d.r.values, d.c.values)
+    d["net"] = net
+    d["gR"] = d.g.values / (SL * d.atr_pct.values)
+    d["R"] = net / (SL * d.atr_pct.values)
+    d["tn"] = taker_notional(d.r.values, d.c.values)
+    return d
+
+
+def stat(g: pd.DataFrame, lab: str, denom: int) -> dict:
+    if len(g) < 25:
+        return {"分组": lab, "笔数": len(g), "备注": "样本不足"}
+    w, o = g.net[g.net > 0].sum(), -g.net[g.net <= 0].sum()
+    return {"分组": lab, "笔数": len(g), "占比": f"{len(g)/denom*100:.0f}%",
+            "胜率": f"{(g.net > 0).mean()*100:.1f}%",
+            "毛R": round(g.gR.mean(), 3), "净均R": round(g.R.mean(), 3),
+            "PF": round(w / o, 2) if o > 0 else np.inf,
+            "余量bp": round(g.net.mean() / g.tn.mean() * 1e4, 2)}
+
+
+def by_volume(d: pd.DataFrame, col: str, label: str) -> None:
+    x = d[d[col].notna() & np.isfinite(d[col])]
+    if len(x) < 200:
+        print(f"  {label}: 样本不足")
+        return
+    x = x.copy()
+    x["bin"] = pd.qcut(x[col], 4, labels=["量最低", "量中低", "量中高", "量最高"])
+    rows = [stat(g, str(b), len(x)) for b, g in x.groupby("bin", observed=True)]
+    t = pd.DataFrame(rows)
+    med = x.groupby("bin", observed=True)[col].median().round(2).to_dict()
+    t.insert(1, f"{col}中位", [med.get(b) for b in t["分组"]])
+    print(f"\n--- {label} ---")
+    print(t.to_string(index=False))
+
+
+def main() -> None:
+    ap = argparse.ArgumentParser()
+    ap.add_argument("--symbols", default="BTC,BNB,ETH,SOL,LINK,LTC,AVAX,XRP,DOGE,ADA")
+    ap.add_argument("--rows", type=int, default=800_000)
+    ap.add_argument("--workers", type=int, default=3)
+    ap.add_argument("--reuse", action="store_true")
+    args = ap.parse_args()
+
+    if args.reuse and OUT.exists():
+        d = pd.read_feather(OUT)
+    else:
+        syms = [s.strip() for s in args.symbols.split(",")]
+        print(f"[信号根成交量] {len(syms)} 币 × {args.rows} 根 1m\n", flush=True)
+        parts = []
+        with ProcessPoolExecutor(max_workers=args.workers) as ex:
+            fut = {ex.submit(collect, s, args.rows): s for s in syms}
+            for i, f in enumerate(as_completed(fut), 1):
+                r = f.result()
+                print(f"  [{i}/{len(syms)}] {fut[f]} {0 if r is None else len(r)}", flush=True)
+                if r is not None:
+                    parts.append(r)
+        if not parts:
+            print("无结果")
+            return
+        d = pd.concat(parts, ignore_index=True)
+        d.to_feather(OUT)
+
+    d["date"] = pd.to_datetime(d["date"])
+    d = prep(d[(d.htf == 1.0) & d.lad & (d.atr_bp >= GATE_BP)].copy())
+    oos, ins = d[d.date < IS_START], d[d.date >= IS_START]
+    print(f"\n实盘口径 {len(d)} 笔  |  样本外 {len(oos)}  发现期 {len(ins)}")
+
+    print("\n" + "=" * 104)
+    print("########## 主假设：相对成交量越高越好？ ##########")
+    for lab, part in (("样本外", oos), ("发现期", ins)):
+        print(f"\n===== {lab} =====")
+        by_volume(part, "vr10", f"{lab} / 量比 vs 前 10 根")
+        by_volume(part, "vr60", f"{lab} / 量比 vs 前 60 根（换基准对照）")
+
+    print("\n" + "=" * 104)
+    print("########## 次假设：成交量与「有前序」是不是同一件事 ##########")
+    x = d[d.vr10.notna() & np.isfinite(d.vr10)].copy()
+    x["高量"] = x.vr10 >= x.vr10.median()
+    x["有前序"] = x.prev >= 1
+    print("\n2×2（全样本）")
+    rows = []
+    for hv in (False, True):
+        for pv in (False, True):
+            g = x[(x.高量 == hv) & (x.有前序 == pv)]
+            rows.append(stat(g, f"{'高量' if hv else '低量'} × {'有前序' if pv else '无前序'}", len(x)))
+    print(pd.DataFrame(rows).to_string(index=False))
+
+    print("\n" + "=" * 104)
+    print("########## 混淆排查：量效应是不是 ATR 效应换了张脸 ##########")
+    y = d[d.vr60.notna() & np.isfinite(d.vr60)].copy()
+    y["atrQ"] = pd.qcut(y.atr_bp, 4, labels=["ATR-Q1", "Q2", "Q3", "Q4"])
+    rows = []
+    for q, g in y.groupby("atrQ", observed=True):
+        g = g.copy()
+        g["vq"] = pd.qcut(g.vr60, 2, labels=["低量", "高量"])
+        lo, hi = g[g.vq == "低量"], g[g.vq == "高量"]
+        if min(len(lo), len(hi)) < 25:
+            continue
+        rows.append({"ATR分位": str(q), "笔数": len(g),
+                     "低量毛R": round(lo.gR.mean(), 3), "高量毛R": round(hi.gR.mean(), 3),
+                     "毛R差": round(hi.gR.mean() - lo.gR.mean(), 3),
+                     "低量余量": round(lo.net.mean() / lo.tn.mean() * 1e4, 2),
+                     "高量余量": round(hi.net.mean() / hi.tn.mean() * 1e4, 2),
+                     "方向": "低量更好" if lo.gR.mean() > hi.gR.mean() else "高量更好"})
+    print(pd.DataFrame(rows).to_string(index=False))
+
+    print("\n########## 逐时段稳定性（与 step49 同一根标尺）##########")
+    y["半年"] = y.date.dt.to_period("2Q").astype(str)
+    rows = []
+    for p, g in y.groupby("半年", observed=True):
+        if len(g) < 120:
+            continue
+        g = g.copy()
+        g["vq"] = pd.qcut(g.vr60, 2, labels=["低量", "高量"])
+        lo, hi = g[g.vq == "低量"], g[g.vq == "高量"]
+        rows.append({"时段": p, "笔数": len(g),
+                     "低量毛R": round(lo.gR.mean(), 3), "高量毛R": round(hi.gR.mean(), 3),
+                     "低量余量": round(lo.net.mean() / lo.tn.mean() * 1e4, 2),
+                     "高量余量": round(hi.net.mean() / hi.tn.mean() * 1e4, 2),
+                     "方向": "低量更好" if lo.gR.mean() > hi.gR.mean() else "高量更好"})
+    t = pd.DataFrame(rows)
+    print(t.to_string(index=False))
+    if len(t):
+        print(f"\n{len(t)} 个时段中 {(t.方向 == '低量更好').sum()} 个低量更好")
+
+    print("\n两者的相关性")
+    print(f"  有前序组 vr10 中位 {x[x.有前序].vr10.median():.2f}"
+          f"  vs 无前序组 {x[~x.有前序].vr10.median():.2f}")
+    print(f"  高量组里有前序占 {x[x.高量].有前序.mean()*100:.1f}%"
+          f"  vs 低量组 {x[~x.高量].有前序.mean()*100:.1f}%")
+
+
+if __name__ == "__main__":
+    main()
@@ -0,0 +1,161 @@
+"""Step 51：把 §3.31 的两个分层结论做成仓位因子，看组合层面到底有没有变好。
+
+已知（都用开仓时可知的信息）：
+  step49  `有前序`（过去 5 分钟别的币先发过）→ 滑点余量 +6bp，6/6 时段同向
+  step50  信号根低量（vr60 小）→ 余量 +14bp，ATR 4/4 + 时段 7/7 同向
+
+但「分层看着好」到「加权之后组合更好」不是一回事，中间有三个坎：
+
+  1. 两个结论是分开切出来的，相乘等于假设正交且效应可乘。没验过。
+  2. 加权必然抬高方差。均R 涨了但 R夏普 可能不涨，那就白做。
+  3. `有前序` 按定义就是「别的币已有仓位时」，给它加权 = 在敞口最集中的
+     时刻再加杠杆。§3.31 已经把峰值并发列为扩币的前置约束，这里直接顶上去。
+
+所以本步的判据不是均R，是这四项一起看：**均R / R夏普 / 最大回撤 / 峰值加权并发**。
+
+阈值刻意取整数（vr60 的 1、2、4），权重取整数比，**一个参数都不搜**。
+观测到的四分位边界在不同时段并不一致（样本外 0.63/1.26/2.28/5.34、
+发现期 0.62/1.48/3.11/7.97），用样本分位数等于在同一批数据上既发现又调参。
+
+主检验是滑点敏感性：这两个因子的优势主要在**余量**而非毛R，
+所以真正该看的是「假定执行成本越高，加权方案是否衰减得越慢」。
+若只在 slip=0 处好、随成本上升优势消失，那这两个因子就不值得做进仓位。
+"""
+from __future__ import annotations
+
+import argparse
+import sys
+import warnings
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+warnings.filterwarnings("ignore")
+
+HERE = Path(__file__).resolve().parent
+sys.path.insert(0, str(HERE))
+sys.path.insert(0, str(HERE.parent))
+pd.set_option("display.width", 340)
+
+SL = 2.0
+GATE_BP = 8.0
+IS_START = pd.Timestamp("2026-01-30", tz="Asia/Shanghai")
+SLIPS = (0.0, 5.0, 10.0, 15.0, 20.0)   # bp / taker 腿
+
+
+def w_vol(vr: np.ndarray) -> np.ndarray:
+    """量比越低给越多。整数阈值 1/2/4，权重 6:5:3:2（均值约 1）。"""
+    w = np.full(len(vr), 1.0)
+    w[vr < 1.0] = 1.5
+    w[(vr >= 1.0) & (vr < 2.0)] = 1.25
+    w[(vr >= 2.0) & (vr < 4.0)] = 0.75
+    w[vr >= 4.0] = 0.5
+    w[~np.isfinite(vr)] = 1.0        # 前 60 根不足时不表态
+    return w
+
+
+def w_prev(prev: np.ndarray) -> np.ndarray:
+    return np.where(prev >= 1, 1.4, 1.0)
+
+
+def w_cut(vr: np.ndarray) -> np.ndarray:
+    """硬砍最高量那一档。用来看「不做」和「少做」差多少。"""
+    w = np.ones(len(vr))
+    w[np.isfinite(vr) & (vr >= 4.0)] = 0.0
+    return w
+
+
+def peak_concurrent(d: pd.DataFrame, w: np.ndarray) -> float:
+    """扫描线求峰值同时在场的加权敞口（单位：等权仓位数）。"""
+    t0 = d.date.values.astype("datetime64[m]").astype(np.int64)
+    t1 = t0 + d.hold.values
+    ev = np.concatenate([np.stack([t0, w], 1), np.stack([t1, -w], 1)])
+    ev = ev[np.lexsort((ev[:, 1], ev[:, 0]))]
+    return float(np.max(np.cumsum(ev[:, 1])))
+
+
+def evaluate(d: pd.DataFrame, w: np.ndarray, slip_bp: float) -> dict:
+    """slip_bp 只加在 taker 腿上——止盈是限价，不吃滑点。"""
+    from lib.exit_model import fee_of, taker_notional
+
+    tn = taker_notional(d.r.values, d.c.values)
+    net = d.g.values - fee_of(d.r.values, d.c.values) - slip_bp * 1e-4 * tn
+    R = net / (SL * d.atr_pct.values)
+
+    m = w > 0
+    if m.sum() < 50:
+        return {}
+    ww = w[m] / w[m].mean()          # 归一化：各方案投出去的平均资金相同
+    wR = ww * R[m]
+    eq = np.cumsum(wR)
+    dd = float(np.max(np.maximum.accumulate(eq) - eq))
+    return {
+        "笔数": int(m.sum()),
+        "均R": round(float(wR.mean()), 3),
+        "R夏普": round(float(wR.mean() / wR.std()), 3),
+        "总R": round(float(eq[-1]), 1),
+        "最大回撤R": round(dd, 1),
+        "总R/回撤": round(eq[-1] / dd, 2) if dd > 0 else np.inf,
+        "余量bp": round(float((ww * net[m]).sum() / (ww * tn[m]).sum() * 1e4), 2),
+        "峰值并发": round(peak_concurrent(d[m], ww), 2),
+    }
+
+
+def run(d: pd.DataFrame, label: str) -> pd.DataFrame:
+    vr, pv = d.vr60.values, d.prev.values
+    schemes = {
+        "等权（现状）": np.ones(len(d)),
+        "仅量因子": w_vol(vr),
+        "仅前序因子": w_prev(pv),
+        "两因子相乘": w_vol(vr) * w_prev(pv),
+        "硬砍高量档": w_cut(vr),
+    }
+    rows = []
+    for slip in SLIPS:
+        for name, w in schemes.items():
+            r = evaluate(d, w, slip)
+            if r:
+                rows.append({"时段": label, "滑点bp": slip, "方案": name, **r})
+    return pd.DataFrame(rows)
+
+
+def main() -> None:
+    ap = argparse.ArgumentParser()
+    ap.add_argument("--src", default=str(HERE / "out" / "step50_volume.feather"))
+    args = ap.parse_args()
+
+    from step50_volume import prep
+
+    d = pd.read_feather(args.src)
+    d["date"] = pd.to_datetime(d["date"])
+    d = prep(d[(d.htf == 1.0) & d.lad & (d.atr_bp >= GATE_BP)].copy())
+    oos, ins = d[d.date < IS_START], d[d.date >= IS_START]
+    print(f"实盘口径 {len(d)} 笔  |  样本外 {len(oos)}  发现期 {len(ins)}")
+
+    for lab, part in (("样本外", oos), ("发现期", ins), ("全样本", d)):
+        t = run(part, lab)
+        print("\n" + "=" * 118)
+        print(f"########## {lab} ##########")
+        for slip in SLIPS:
+            g = t[t.滑点bp == slip].drop(columns=["时段", "滑点bp"])
+            print(f"\n--- 假定滑点 {slip:.0f}bp / taker 腿 ---")
+            print(g.to_string(index=False))
+
+    print("\n" + "=" * 118)
+    print("########## 判据：优势是否随执行成本上升而扩大 ##########")
+    t = run(d, "全样本")
+    base = t[t.方案 == "等权（现状）"].set_index("滑点bp")
+    rows = []
+    for name in t.方案.unique():
+        if name == "等权（现状）":
+            continue
+        g = t[t.方案 == name].set_index("滑点bp")
+        rows.append({"方案": name, **{
+            f"{int(s)}bp处均R差": round(g.loc[s, "均R"] - base.loc[s, "均R"], 3)
+            for s in SLIPS}})
+    print(pd.DataFrame(rows).to_string(index=False))
+
+
+if __name__ == "__main__":
+    main()