fix: align ledger performance with signal window

README.md

@@ -19,12 +19,12 @@
 ## 模块
 
 - `alpha_factors` — 158 alpha 公式 + 24 基础算子（移植自 qlib alpha158）
-- `execution` — A 股长仓执行仿真（成本/滑点/现金约束）+ 逐日成交/拒绝/持仓/NAV 审计；T+1、涨跌停、成交量与价差提供独立约束函数
+- `execution` — A 股长仓执行仿真（成本/滑点/现金约束）+ 稀疏调仓/完整交易日 Ledger + 可投影成交与 NAV 审计；T+1、涨跌停、成交量与价差提供独立约束函数
 - `indicators` — 50+ 技术指标（MACD / KDJ / 布林 / ATR / ADX / 等）
 - `data_adapter` — 桥接 qtdb_pro 长表与新模块（rename / long-wide / 复权 / vwap 代理）
 - `backtest` — weight-based 多日仿真（rebalance_table / compute_nav / compare_to_benchmark）
 - `portfolio_construction` — 多期因子分数 → Top-K → 等权目标权重表
-- `research_pipeline` — 因子日 → 下一真实交易日 → 显式执行价 → 执行审计（防前视编排）
+- `research_pipeline` — 因子日 → 下一真实交易日 → 显式执行价 → 日末估值 → 成本后绩效（防前视编排）
 - `metrics` — 绩效（年化收益 / 波动率 / Sharpe / 最大回撤 / Calmar）
 - `factor_library` — 通用方法（turnover / winsorize / IC / OLS / jb_test）
 - `portfolio_decomp` — 组合分解（risk_parity / mean_variance / 因子归因）
@@ -60,9 +60,12 @@ ruff check src/ tests/    # lint
 ```python
 from quant_engine.alpha_factors import alpha_001, alpha_005, ALPHA158_REGISTRY
 from quant_engine.execution import (
-    ExecutionConfig, simulate_multi_day_with_audit, simulate_with_daily_data,
+    ExecutionConfig, simulate_daily_ledger_with_audit,
+    simulate_multi_day_with_audit, simulate_with_daily_data,
+)
+from quant_engine.research_pipeline import (
+    run_factor_backtest_research, run_factor_execution_research,
 )
-from quant_engine.research_pipeline import run_factor_execution_research
 from quant_engine.backtest import run_weight_backtest
 from quant_engine.indicators import macd, bollinger, kdj
 from quant_engine.data_adapter import (
@@ -103,6 +106,24 @@ factor_execution = run_factor_execution_research(
     initial_cash=1_000_000.0,
 )
 
+# 推荐研究入口：同一交易日历上显式区分 open 成交和 close 估值。
+# 因子日保持现金，下一交易日成交后的真实持仓才参与当日收盘收益。
+factor_backtest = run_factor_backtest_research(
+    factor_scores,
+    top_k=20,
+    execution_prices=open_prices,
+    valuation_prices=close_prices,
+    execution_price_field="open",
+    valuation_price_field="close",
+    initial_cash=1_000_000.0,
+    config=ExecutionConfig(),
+)
+print(factor_backtest.nav)
+print(factor_backtest.returns)
+print(factor_backtest.stats())
+print(factor_backtest.execution.ledger_frame)
+print(factor_backtest.execution.trades_frame)
+
 # run_weight_backtest 是低层算子：只接受收益区间开始前已经生效的持仓权重。
 # 不要把 signal-date 的 factor_scores/decision_weights 直接传给它。
 backtest = run_weight_backtest(

src/quant_engine/execution.py

@@ -10,6 +10,7 @@
 借鉴 hikyuu SG/MM/CN/PG 部件化思想（不引入 hikyuu 框架）：
 - ExecutionConfig：佣金 + 印花税 + 滑点 + 最小交易额 + 止损/止盈阈值
 - simulate_execution()：从目标权重 → 实际成交金额（应用成本/滑点）
+- simulate_daily_ledger_with_audit()：稀疏调仓 + 完整交易日收盘估值 Ledger
 - simulate_multi_day_with_audit()：目标权重差额调仓（成交/拒绝/持仓/NAV）
 - simulate_multi_day()：兼容的多日日末持仓快照入口
 - check_stop_loss_take_profit()：止损/止盈触发判定

src/quant_engine/research_pipeline.py

@@ -1,8 +1,10 @@
-"""可信研究链路：因子分数经交易日历滞后后进入执行审计。
+"""可信研究链路：因子分数经交易日历滞后后进入执行与日频 Ledger。
 
 本模块只编排现有组合构建与执行组件，不连接账户、券商或实盘订单。
 时间契约借鉴 Qlib 的 prediction/trade time 分离与 Backtrader 的 next-bar
 执行语义：signal_date 上形成的目标权重，默认最早在下一交易时点执行。
+完整回测链路进一步分离 execution price 与日末 valuation price，非调仓日也
+持续盯市，并从真实成交后持仓派生日收益和绩效。
 """
 
 from __future__ import annotations
@@ -300,6 +302,13 @@ def run_factor_backtest_research(
         execution_calendar,
         lag_sessions=lag_sessions,
     )
+    if decision_weights.empty:
+        execution_window = execution_snapshot.iloc[:0].copy()
+        valuation_window = valuation_snapshot.iloc[:0].copy()
+    else:
+        research_start = decision_weights.index[0]
+        execution_window = execution_snapshot.loc[research_start:].copy()
+        valuation_window = valuation_snapshot.loc[research_start:].copy()
 
     target_history: list[tuple[str, dict[str, float]]] = []
     execution_history: list[tuple[str, dict[str, float]]] = []
@@ -308,7 +317,7 @@ def run_factor_backtest_research(
         target_history.append(
             (date_label, {asset: float(weight) for asset, weight in weights.items()})
         )
-        prices = execution_snapshot.loc[execution_date]
+        prices = execution_window.loc[execution_date]
         execution_history.append(
             (date_label, {asset: float(price) for asset, price in prices.items()})
         )
@@ -318,7 +327,7 @@ def run_factor_backtest_research(
             str(pd.Timestamp(valuation_date)),
             {asset: float(price) for asset, price in prices.items()},
         )
-        for valuation_date, prices in valuation_snapshot.iterrows()
+        for valuation_date, prices in valuation_window.iterrows()
     ]
     execution = simulate_daily_ledger_with_audit(
         target_history,
@@ -329,8 +338,8 @@ def run_factor_backtest_research(
     )
     return FactorBacktestResult(
         factor_scores=factor_snapshot,
-        execution_prices=execution_snapshot,
-        valuation_prices=valuation_snapshot,
+        execution_prices=execution_window,
+        valuation_prices=valuation_window,
         schedule=schedule,
         execution_price_field=execution_field,
         valuation_price_field=valuation_field,