feat(data): 为数据同步添加事务支持和同步日志

- Storage/ThreadSafeStorage 添加事务支持（begin/commit/rollback）
- 新增 SyncLogManager 记录所有同步任务的执行状态
- 集成事务到 StockBasedSync、DateBasedSync、QuarterBasedSync
- 在 sync_all 和 sync_financial 调度中心添加日志记录
- 新增测试验证事务和日志功能

src/experiment/regression.py

@@ -101,14 +101,14 @@ EXCLUDED_FACTORS = [
     'GTJA_alpha005',
     'GTJA_alpha036',
     'GTJA_alpha027',
-    'GTJA_alpha053',
+    'GTJA_alpha044',
     'GTJA_alpha073',
     'GTJA_alpha104',
     'GTJA_alpha103',
-    'GTJA_alpha087',
+    'GTJA_alpha105',
     'GTJA_alpha092',
+    'GTJA_alpha087',
     'GTJA_alpha085',
-    'GTJA_alpha044',
     'GTJA_alpha062',
     'GTJA_alpha124',
     'GTJA_alpha133',
@@ -203,23 +203,37 @@ print("\n" + "=" * 80)
 print("开始训练")
 print("=" * 80)
 
-# 步骤 1: 股票池筛选
-print("\n[步骤 1/6] 股票池筛选")
+# 步骤 1: 应用过滤器（ST股票过滤等）
+print("\n[步骤 1/7] 应用数据过滤器")
+print("-" * 60)
+filtered_data = data
+if st_filter:
+    print("  应用 ST 股票过滤器...")
+    data_before = len(filtered_data)
+    filtered_data = st_filter.filter(filtered_data)
+    data_after = len(filtered_data)
+    print(f"  过滤前记录数: {data_before}")
+    print(f"  过滤后记录数: {data_after}")
+    print(f"  删除 ST 股票记录数: {data_before - data_after}")
+else:
+    print("  未配置 ST 过滤器，跳过")
+
+# 步骤 2: 股票池筛选
+print("\n[步骤 2/7] 股票池筛选")
 print("-" * 60)
 if pool_manager:
     print("  执行每日独立筛选股票池...")
-    filtered_data = pool_manager.filter_and_select_daily(data)
-    print(f"  筛选前数据规模: {data.shape}")
-    print(f"  筛选后数据规模: {filtered_data.shape}")
-    print(f"  筛选前股票数: {data['ts_code'].n_unique()}")
-    print(f"  筛选后股票数: {filtered_data['ts_code'].n_unique()}")
-    print(f"  删除记录数: {len(data) - len(filtered_data)}")
+    pool_data_before = len(filtered_data)
+    filtered_data = pool_manager.filter_and_select_daily(filtered_data)
+    pool_data_after = len(filtered_data)
+    print(f"  筛选前数据规模: {pool_data_before}")
+    print(f"  筛选后数据规模: {pool_data_after}")
+    print(f"  删除记录数: {pool_data_before - pool_data_after}")
 else:
-    filtered_data = data
     print("  未配置股票池管理器，跳过筛选")
 # %%
-# 步骤 2: 划分训练/验证/测试集（正确的三分法）
-print("\n[步骤 2/6] 划分训练集、验证集和测试集")
+# 步骤 3: 划分训练/验证/测试集（正确的三分法）
+print("\n[步骤 3/7] 划分训练集、验证集和测试集")
 print("-" * 60)
 if splitter:
     # 正确的三分法：train用于训练，val用于验证/早停，test仅用于最终评估
@@ -251,8 +265,8 @@ else:
     test_data = filtered_data
     print("  未配置划分器，全部作为训练集")
 # %%
-# 步骤 3: 数据质量检查（必须在预处理之前）
-print("\n[步骤 3/7] 数据质量检查")
+# 步骤 4: 数据质量检查（必须在预处理之前）
+print("\n[步骤 4/7] 数据质量检查")
 print("-" * 60)
 print("  [说明] 此检查在 fillna 等处理之前执行，用于发现数据问题")
 
@@ -269,8 +283,8 @@ check_data_quality(test_data, feature_cols, raise_on_error=True)
 print("  [成功] 数据质量检查通过，未发现异常")
 
 # %%
-# 步骤 4: 训练集数据处理
-print("\n[步骤 4/7] 训练集数据处理")
+# 步骤 5: 训练集数据处理
+print("\n[步骤 5/7] 训练集数据处理")
 print("-" * 60)
 fitted_processors = []
 if processors:
@@ -296,7 +310,7 @@ for col in feature_cols[:5]:  # 只显示前5个特征的缺失值
     if null_count > 0:
         print(f"      {col}: {null_count} ({null_count / len(train_data) * 100:.2f}%)")
 # %%
-# 步骤 4: 训练模型
+# 步骤 5: 训练模型
 print("\n[步骤 5/7] 训练模型")
 print("-" * 60)
 print(f"  模型类型: LightGBM")
@@ -318,7 +332,7 @@ print("\n  开始训练...")
 model.fit(X_train, y_train)
 print("  训练完成！")
 # %%
-# 步骤 5: 测试集数据处理
+# 步骤 6: 测试集数据处理
 print("\n[步骤 6/7] 测试集数据处理")
 print("-" * 60)
 if processors and test_data is not train_data:
@@ -334,7 +348,7 @@ if processors and test_data is not train_data:
 else:
     print("  跳过测试集处理")
 # %%
-# 步骤 6: 生成预测
+# 步骤 7: 生成预测
 print("\n[步骤 7/7] 生成预测")
 print("-" * 60)
 X_test = test_data.select(feature_cols)