refactor(experiment): 重构模型保存机制，支持 processors 持久化

- 模型保存路径改为 models/{model_type}/ 目录结构 - save_model_with_factors 新增 fitted_processors 参数 - 新增 load_processors 函数加载处理器状态 - Storage 查询排序优化：ORDER BY ts_code, trade_date
2026-03-19 21:06:11 +08:00
parent 0a29506f45
commit ccd42082c2
8 changed files with 1705 additions and 81 deletions
--- a/docs/factor_lookback_consistency_20260319.md
+++ b/docs/factor_lookback_consistency_20260319.md
@@ -0,0 +1,441 @@
+# 因子回看一致性测试问题报告
+
+**测试日期：** 2026-03-19
+**测试文件：** `tests/debug/test_lookback_consistency.py::test_simple_factor_consistency`
+**测试结果：** FAILED - 33个因子不一致
+
+---
+
+## 1. 测试概述
+
+### 1.1 测试目的
+
+验证不同 LOOKBACK_DAYS（回看窗口）设置下，同一预测日期范围的因子值是否一致。如果结果不一致，可能存在以下问题：
+
+1. **数据泄露**：因子计算使用了超出合理回看期的历史数据
+2. **设计缺陷**：某些因子天然依赖更长的历史数据（如累积和因子）
+3. **边界效应**：滚动窗口在数据边界处的处理差异
+
+### 1.2 测试配置
+
+| 参数 | 值 | 说明 |
+|-----|-----|-----|
+| LOOKBACK_2Y | 1095天 (3年) | 较短回看窗口 |
+| LOOKBACK_3Y | 1460天 (4年) | 较长回看窗口 |
+| PREDICT_START | 20250101 | 预测起始日期 |
+| PREDICT_END | 20250131 | 预测结束日期 |
+| 2Y实际数据范围 | 20220102 - 20250131 | 3年数据 |
+| 3Y实际数据范围 | 20210102 - 20250131 | 4年数据 |
+
+### 1.3 测试结果摘要
+
+```
+数据集形状:
+  2Y 回看: (96761, 241)
+  3Y 回看: (96761, 241)
+
+总因子数: 191
+一致因子数: 158
+不一致因子数: 33 (17.3%)
+```
+
+---
+
+## 2. 不一致因子详细分类
+
+### 2.1 分类标准
+
+| 类别 | 标准 | 风险等级 |
+|-----|-----|---------|
+| 浮点精度差异 | max_diff < 1e-6 | 低 - 可忽略 |
+| 边界效应差异 | 1e-6 <= max_diff < 0.01 | 中 - 需关注 |
+| 数值显著差异 | 0.01 <= max_diff < 0.1 | 高 - 需修复 |
+| 严重不一致 | max_diff >= 0.1 或 inf/nan | 极高 - 必须修复 |
+
+### 2.2 严重不一致因子（必须修复）
+
+| 因子名称 | 最大差异 | 平均差异 | 差异数据点 | 问题类型 |
+|---------|---------|---------|-----------|---------|
+| GTJA_alpha005 | inf | inf | 2170 | -inf值产生 |
+| GTJA_alpha113 | 0.803 | 0.108 | 95337 | 累积和历史依赖 |
+| GTJA_alpha115 | 0.989 | 0.0014 | 83182 | ts_rank差异传播 |
+| GTJA_alpha138 | 0.857 | 0.108 | 21689 | ts_decay_linear+ts_rank |
+| GTJA_alpha140 | 0.999 | 0.029 | 7535 | min_/max_边界 |
+| GTJA_alpha146 | 3.719 | 0.0058 | 81526 | 复杂嵌套公式 |
+| GTJA_alpha148 | 1.000 | 1e-5 | 1 | cs_rank+ts_min边界 |
+| GTJA_alpha176 | inf | inf | 74 | 除零/无穷大 |
+
+#### 2.2.1 GTJA_alpha005（-inf值问题）
+
+```
+差异数据点示例:
+  idx=56: 2Y=-0.0000000262, 3Y=-inf, diff=inf
+  idx=57: 2Y=-0.0000000262, 3Y=-inf, diff=inf
+  idx=58: 2Y=-0.4564354646, 3Y=-inf, diff=inf
+```
+
+**问题分析：**
+- 3Y模式下产生-inf值，说明存在除零或对负数取对数
+- DSL中可能包含 `log` 或 `sqrt` 操作
+
+#### 2.2.2 GTJA_alpha113（累积和历史依赖）
+
+```
+差异数据点示例:
+  idx=0: 2Y=0.1848, 3Y=0.9883, diff=0.8035
+  idx=1: 2Y=-0.1146, 3Y=-0.9890, diff=0.8744
+  idx=2: 2Y=0.1098, 3Y=0.9783, diff=0.8684
+```
+
+**问题分析：**
+- 包含 `ts_delay(close, 5)` 导致数据偏移
+- `ts_corr(close, vol, 2)` 只有2日窗口，对边界敏感
+
+#### 2.2.3 GTJA_alpha138（复杂嵌套）
+
+```
+差异数据点示例:
+  idx=3: 2Y=0.9808, 3Y=0.8380, diff=0.1429
+  idx=4: 2Y=0.9782, 3Y=0.8354, diff=0.1429
+  idx=5: 2Y=0.9738, 3Y=0.6880, diff=0.2857
+  idx=6: 2Y=0.9780, 3Y=0.4066, diff=0.5714
+  idx=7: 2Y=0.5586, 3Y=0.1300, diff=0.4286
+```
+
+**问题分析：**
+- 5层嵌套：`cs_rank → ts_decay_linear → ts_delta → ts_rank → ts_corr → ts_rank`
+- `ts_decay_linear` 使用 `numpy.convolve`，结果依赖输入序列长度
+- `ts_rank` 使用 `sliding_window_view`，对数据起始点敏感
+
+#### 2.2.4 GTJA_alpha176（无穷大值）
+
+```
+差异数据点示例:
+  idx=948: 2Y=-0.9146, 3Y=-0.9146, diff=0.0000000001
+  idx=949: 2Y=-0.8809, 3Y=-0.8809, diff=0.0000000002
+  (差异本身很小，但3Y模式下产生了inf值)
+```
+
+**问题分析：**
+- 存在除零操作导致inf值
+- 需要添加epsilon保护
+
+---
+
+### 2.3 数值显著差异因子（需修复）
+
+| 因子名称 | 最大差异 | 平均差异 | 差异数据点 | 可能原因 |
+|---------|---------|---------|-----------|---------|
+| GTJA_alpha016 | 0.021 | 2.3e-6 | 336 | cs_rank嵌套 |
+| GTJA_alpha032 | 0.605 | 3.9e-5 | 8341 | ts_sum嵌套cs_rank |
+| GTJA_alpha077 | 0.580 | 0.00013 | 36577 | cs_rank+ts_decay_linear |
+| GTJA_alpha091 | 0.204 | 4.2e-6 | 2147 | cs_rank嵌套max_ |
+| GTJA_alpha121 | 0.296 | 0.00457 | 2412 | ts_rank嵌套ts_corr |
+| GTJA_alpha130 | 0.613 | 2.9e-5 | 358 | ts_rank+ts_decay_linear |
+| GTJA_alpha141 | 0.629 | 0.00011 | 28256 | cs_rank+ts_corr |
+
+---
+
+### 2.4 边界效应差异因子（需关注）
+
+| 因子名称 | 最大差异 | 平均差异 | 差异数据点 | 问题类型 |
+|---------|---------|---------|-----------|---------|
+| GTJA_alpha042 | 0.00027 | 1.8e-7 | 214 | ts_std嵌套 |
+| GTJA_alpha062 | 1.0e-6 | 0.0 | 579 | ts_corr嵌套 |
+| GTJA_alpha064 | 0.501 | 0.00022 | 74838 | ts_decay_linear嵌套 |
+| GTJA_alpha070 | 2.3e-6 | 8.1e-9 | 58440 | ts_std(amount) |
+| GTJA_alpha074 | 0.00837 | 8.5e-7 | 241 | cs_rank+ts_corr |
+| GTJA_alpha104 | 0.00028 | 2.7e-8 | 381 | ts_delta+ts_std |
+| GTJA_alpha119 | 0.160 | 1.5e-5 | 4051 | cs_rank+ts_decay_linear |
+
+---
+
+### 2.5 浮点精度差异因子（可忽略）
+
+| 因子名称 | 最大差异 | 平均差异 | 差异数据点 |
+|---------|---------|---------|-----------|
+| volatility_5 | 4.3e-9 | 0.0 | 906 |
+| volatility_ratio | 6.0e-10 | 0.0 | 96 |
+| volatility_squeeze_5_60 | 2.0e-10 | 0.0 | 16 |
+| turnover_deviation | 2.0e-9 | 0.0 | 37 |
+| GTJA_alpha083 | 9.3e-5 | 1.9e-9 | 2 |
+| GTJA_alpha139 | 2.0e-10 | 0.0 | 12 |
+| GTJA_alpha179 | 1.9e-4 | 5.9e-9 | 4 |
+| GTJA_alpha191 | 5.6e-9 | 0.0 | 1010 |
+
+---
+
+### 2.6 NaN模式不一致因子（需关注）
+
+| 因子名称 | 2Y NaN数 | 3Y NaN数 | 差异 |
+|---------|---------|---------|------|
+| GTJA_alpha005 | 704 | 600 | -104 |
+| GTJA_alpha028 | 87678 | 89155 | +1477 |
+| GTJA_alpha111 | 29410 | 35516 | +6106 |
+| GTJA_alpha113 | 294 | 282 | -12 |
+| GTJA_alpha164 | 29410 | 35516 | +6106 |
+
+---
+
+## 3. 根因分析
+
+### 3.1 问题分类
+
+#### 3.1.1 设计缺陷型（无法修复，只能排除）
+
+以下因子天然依赖从数据起始点开始的累积计算，**不应该**在不同回看期下产生相同结果：
+
+| 因子 | DSL公式 | 问题 |
+|-----|--------|-----|
+| GTJA_alpha165 | `ts_sumac(close-ts_mean(close,48))` | 累积和从数据起点开始 |
+| GTJA_alpha183 | `ts_sumac(close-ts_mean(close,24))` | 累积和从数据起点开始 |
+
+> 注：本次测试中这两个因子未出现，但之前测试中差异巨大（14万级别）
+
+#### 3.1.2 数值稳定性问题（需要修复）
+
+| 问题类型 | 相关因子 | 修复方案 |
+|---------|---------|---------|
+| 除零导致inf | GTJA_alpha005, GTJA_alpha176 | 添加epsilon保护 |
+| 负数取对数 | GTJA_alpha005 | 检查log输入是否为正 |
+| 负数取平方根 | 待查 | 检查sqrt输入 |
+
+#### 3.1.3 滚动窗口边界效应（需要优化）
+
+以下模式会导致不同回看期下边界数据点不同：
+
+```python
+# ts_rank 实现
+def rank_calc(s: pl.Series) -> pl.Series:
+    values = s.to_numpy()
+    n = len(values)
+    windows = np.lib.stride_tricks.sliding_window_view(values, window)
+    # 从第 window 个元素开始产生有效值
+    # 不同起始点导致滑动窗口内容不同
+```
+
+```python
+# ts_decay_linear 实现
+# 使用 numpy.convolve，输出依赖输入序列长度
+```
+
+#### 3.1.4 cs_rank截面排名差异（需要优化）
+
+`cs_rank` 对截面数据进行排名，不同回看期下：
+- 有效数据点数量不同
+- 排名时的百分位数分母不同
+
+---
+
+## 4. 修复建议
+
+### 4.1 立即修复（高优先级）
+
+#### 4.1.1 排除问题因子
+
+将以下因子加入排除列表：
+
+```python
+EXCLUDED_FACTORS = [
+    # 设计缺陷 - 累积和因子
+    "GTJA_alpha165",  # ts_sumac 累积和历史依赖
+    "GTJA_alpha183",  # ts_sumac 累积和历史依赖
+    
+    # 数值稳定性问题
+    "GTJA_alpha005",  # 产生-inf值
+    "GTJA_alpha176",  # 产生inf值
+]
+```
+
+#### 4.1.2 修复数值稳定性
+
+**修复位置：** `src/factors/translator.py`
+
+```python
+# 为除法操作添加 epsilon 保护
+def _safe_divide(numerator, denominator, epsilon=1e-10):
+    return numerator / (denominator + epsilon)
+
+# 为 log 函数添加输入检查
+def _safe_log(x, epsilon=1e-10):
+    return log(x + epsilon)  # 确保输入为正
+
+# 为 sqrt 函数添加输入检查  
+def _safe_sqrt(x, epsilon=1e-10):
+    return sqrt(abs(x))  # 确保输入非负
+```
+
+### 4.2 中期优化（中优先级）
+
+#### 4.2.1 优化 ts_rank 边界处理
+
+**当前问题：**
+- `sliding_window_view` 从第 `window` 个元素开始产生有效值
+- 不同起始点导致初始NaN数量不同
+
+**优化方案：**
+```python
+# 使用动态起始点对齐
+def ts_rank_aligned(expr, window):
+    # 确保不同回看期产生相同起始点
+    pass
+```
+
+#### 4.2.2 优化 cs_rank 排名基准
+
+**当前问题：**
+- 排名时使用滑动窗口内的元素
+- 不同回看期下窗口内元素不同
+
+**优化方案：**
+```python
+def cs_rank_aligned(expr):
+    # 使用固定的排名基准
+    # 例如：固定使用当日全部股票进行排名
+    pass
+```
+
+### 4.3 长期改进（低优先级）
+
+#### 4.3.1 建立因子分类体系
+
+```python
+class FactorCategory(Enum):
+    """因子分类"""
+    TIME_SERIES_ROLLING = "ts_rolling"      # 滚动窗口型（对回看期不敏感）
+    TIME_SERIES_CUMULATIVE = "ts_cumulative" # 累积型（对回看期敏感）
+    CROSS_SECTIONAL = "cs_rank"             # 截面型（对回看期敏感）
+    HYBRID = "hybrid"                         # 混合型
+```
+
+#### 4.3.2 增强一致性测试
+
+```python
+def test_factor_consistency_threshold():
+    """测试因子一致性阈值"""
+    THRESHOLDS = {
+        "float_precision": 1e-6,   # 浮点精度差异可接受
+        "boundary_effect": 0.01,    # 边界效应差异需关注
+        "significant": 0.1,         # 显著差异需修复
+    }
+```
+
+---
+
+## 5. 影响评估
+
+### 5.1 对模型训练的影响
+
+| 风险等级 | 因子数量 | 影响 |
+|---------|---------|-----|
+| 低 | 8 | 浮点精度差异，不影响训练 |
+| 中 | 16 | 边界效应，可能轻微影响 |
+| 高 | 8 | 显著不一致，会影响模型 |
+| 极高 | 1 | inf/nan值，必须修复 |
+
+### 5.2 对回测的影响
+
+**关键问题：**
+- 训练时使用3年回看，预测时用4年回看 → 因子值不一致
+- 可能导致回测结果与实盘表现不符
+
+**建议：**
+- 训练和预测使用相同的LOOKBACK_DAYS配置
+- 或在模型中记录回看期设置
+
+---
+
+## 6. 测试代码分析
+
+### 6.1 测试逻辑
+
+```python
+def compute_simple_factors(lookback_days: int) -> pl.DataFrame:
+    actual_start = get_lookback_start_date(PREDICT_START, lookback_days)
+    # 从 actual_start 开始加载数据
+    # 计算因子
+    # 过滤到 PREDICT_START 之后的日期
+    return data
+```
+
+### 6.2 比较逻辑
+
+```python
+def compare_factor_values(data_2y, data_3y, feature_cols):
+    # 使用 np.allclose(valid_2y, valid_3y, rtol=1e-10, atol=1e-10)
+    # rtol=1e-10 相对容差
+    # atol=1e-10 绝对容差
+```
+
+### 6.3 断言
+
+```python
+assert results["inconsistent_factors"] == 0, (
+    f"发现 {results['inconsistent_factors']} 个简单因子在不同 LOOKBACK_DAYS 下结果不一致"
+)
+```
+
+---
+
+## 7. 结论
+
+### 7.1 关键发现
+
+1. **33个因子（17.3%）在不同回看期下结果不一致**
+2. **其中8个因子存在严重差异（max_diff >= 0.1 或 inf/nan）**
+3. **问题根源包括：设计缺陷、数值稳定性、边界效应**
+
+### 7.2 修复优先级
+
+| 优先级 | 因子 | 行动 |
+|-------|-----|-----|
+| P0 | GTJA_alpha005, GTJA_alpha176 | 排除（产生inf值） |
+| P1 | GTJA_alpha113, GTJA_alpha138, GTJA_alpha140, GTJA_alpha146 | 修复数值稳定性 |
+| P2 | 其他16个显著差异因子 | 优化滚动窗口处理 |
+| P3 | 8个浮点精度因子 | 可忽略 |
+
+### 7.3 后续步骤
+
+1. **立即**：更新 `SELECTED_FACTORS` 排除问题因子
+2. **本周**：修复 `translator.py` 中的数值稳定性问题
+3. **本月**：建立因子分类和一致性测试体系
+
+---
+
+## 附录：完整不一致因子列表
+
+| 序号 | 因子名称 | 最大差异 | 平均差异 | 差异数据点 | 风险等级 |
+|-----|---------|---------|---------|-----------|---------|
+| 1 | volatility_5 | 4.3e-09 | 0.0 | 906 | 低 |
+| 2 | volatility_ratio | 6.0e-10 | 0.0 | 96 | 低 |
+| 3 | volatility_squeeze_5_60 | 2.0e-10 | 0.0 | 16 | 低 |
+| 4 | turnover_deviation | 2.0e-09 | 0.0 | 37 | 低 |
+| 5 | GTJA_alpha005 | inf | inf | 2170 | 极高 |
+| 6 | GTJA_alpha016 | 0.021 | 2.3e-06 | 336 | 高 |
+| 7 | GTJA_alpha032 | 0.605 | 3.9e-05 | 8341 | 高 |
+| 8 | GTJA_alpha042 | 0.00027 | 1.8e-07 | 214 | 中 |
+| 9 | GTJA_alpha062 | 1.0e-06 | 0.0 | 579 | 中 |
+| 10 | GTJA_alpha064 | 0.501 | 0.00022 | 74838 | 高 |
+| 11 | GTJA_alpha070 | 2.3e-06 | 8.1e-09 | 58440 | 中 |
+| 12 | GTJA_alpha074 | 0.00837 | 8.5e-07 | 241 | 中 |
+| 13 | GTJA_alpha077 | 0.580 | 0.00013 | 36577 | 高 |
+| 14 | GTJA_alpha083 | 9.3e-05 | 1.9e-09 | 2 | 低 |
+| 15 | GTJA_alpha090 | 0.021 | 1.5e-06 | 416 | 高 |
+| 16 | GTJA_alpha091 | 0.204 | 4.2e-06 | 2147 | 高 |
+| 17 | GTJA_alpha104 | 0.00028 | 2.7e-08 | 381 | 中 |
+| 18 | GTJA_alpha105 | nan | nan | 591 | 极高 |
+| 19 | GTJA_alpha113 | 0.803 | 0.108 | 95337 | 极高 |
+| 20 | GTJA_alpha114 | nan | nan | 11 | 极高 |
+| 21 | GTJA_alpha115 | 0.989 | 0.0014 | 83182 | 极高 |
+| 22 | GTJA_alpha119 | 0.160 | 1.5e-05 | 4051 | 高 |
+| 23 | GTJA_alpha121 | 0.296 | 0.00457 | 2412 | 高 |
+| 24 | GTJA_alpha130 | 0.613 | 2.9e-05 | 358 | 高 |
+| 25 | GTJA_alpha138 | 0.857 | 0.108 | 21689 | 极高 |
+| 26 | GTJA_alpha139 | 2.0e-10 | 0.0 | 12 | 低 |
+| 27 | GTJA_alpha140 | 0.999 | 0.029 | 7535 | 极高 |
+| 28 | GTJA_alpha141 | 0.629 | 0.00011 | 28256 | 高 |
+| 29 | GTJA_alpha146 | 3.719 | 0.0058 | 81526 | 极高 |
+| 30 | GTJA_alpha148 | 1.000 | 1.0e-05 | 1 | 极高 |
+| 31 | GTJA_alpha176 | inf | inf | 74 | 极高 |
+| 32 | GTJA_alpha179 | 0.00019 | 5.9e-09 | 4 | 低 |
+| 33 | GTJA_alpha191 | 5.6e-09 | 0.0 | 1010 | 低 |
--- a/docs/factor_lookback_consistency_analysis.md
+++ b/docs/factor_lookback_consistency_analysis.md
@@ -0,0 +1,310 @@
+# 因子计算一致性问题分析报告
+
+## 概述
+
+本报告分析 LOOKBACK_DAYS 设置对因子计算结果的影响。测试对比了两种回看窗口设置（3年 vs 4年）下，同一预测日期范围（2025年1月）的因子计算结果一致性。
+
+**测试配置：**
+- LOOKBACK_DAYS: 1095天（3年） vs 1460天（4年）
+- 预测日期范围: 2025年1月（20250101 - 20250131）
+- 数据形状: (96761, 243)
+- 测试因子数: 191个
+
+## 测试结果分类
+
+### 第一类：微小数值差异（浮点精度/边界效应）
+
+**特征：** 最大差异在 1e-10 到 0.6 之间，平均差异接近 0
+
+| 因子名称 | 最大差异 | 平均差异 | 差异数据点 | 分析 |
+|---------|---------|---------|-----------|------|
+| volatility_5 | 4.3e-09 | 0.0 | 906 | 5日标准差，浮点精度问题 |
+| volatility_ratio | 6.0e-10 | 0.0 | 96 | 波动率比率，累积误差 |
+| volatility_squeeze_5_60 | 2.0e-10 | 0.0 | 16 | 挤压比率 |
+| turnover_deviation | 2.0e-09 | 0.0 | 37 | 换手率偏离度 |
+| GTJA_alpha016 | 0.021 | 2.3e-06 | 336 | cs_rank 嵌套 |
+| GTJA_alpha032 | 0.605 | 3.9e-05 | 8341 | ts_sum 嵌套 cs_rank |
+| GTJA_alpha042 | 0.00027 | 1.8e-07 | 214 | ts_std 嵌套 |
+| GTJA_alpha062 | 1.0e-06 | 0.0 | 579 | ts_corr 嵌套 |
+| GTJA_alpha064 | 0.501 | 0.00022 | 74838 | ts_decay_linear 嵌套 |
+| GTJA_alpha070 | 2.3e-06 | 8.1e-09 | 58440 | ts_std(amount) |
+| GTJA_alpha074 | 0.00837 | 8.5e-07 | 241 | cs_rank + ts_corr |
+| GTJA_alpha077 | 0.580 | 0.00013 | 36577 | cs_rank + ts_decay_linear |
+| GTJA_alpha083 | 9.3e-05 | 1.9e-09 | 2 | cs_rank + ts_cov |
+| GTJA_alpha090 | 0.021 | 1.5e-06 | 416 | 类似 alpha016 |
+| GTJA_alpha091 | 0.204 | 4.2e-06 | 2147 | cs_rank 嵌套 max_ |
+| GTJA_alpha104 | 0.00028 | 2.7e-08 | 381 | ts_delta + ts_std |
+| GTJA_alpha105 | NaN | NaN | 591 | ts_corr 导致 NaN |
+| GTJA_alpha119 | 0.160 | 1.5e-05 | 4051 | cs_rank + ts_decay_linear |
+| GTJA_alpha121 | 0.296 | 0.00457 | 2412 | ts_rank 嵌套 ts_corr |
+| GTJA_alpha130 | 0.613 | 2.9e-05 | 358 | ts_rank + ts_decay_linear |
+| GTJA_alpha139 | 2.0e-10 | 0.0 | 12 | ts_corr 导致 |
+| GTJA_alpha141 | 0.629 | 0.00011 | 28256 | cs_rank + ts_corr |
+| GTJA_alpha148 | 1.0 | 1.0e-05 | 1 | cs_rank + ts_min 边界 |
+| GTJA_alpha179 | 0.00019 | 5.9e-09 | 4 | cs_rank + ts_corr |
+| GTJA_alpha191 | 5.6e-09 | 0.0 | 1010 | ts_corr + ts_mean |
+
+**诊断：** 这类差异主要是由以下原因导致的数值精度问题：
+1. **滚动窗口边界效应**：不同起始点的数据导致滚动窗口的初始值略有差异
+2. **累积误差传播**：多层嵌套计算（如 cs_rank(ts_decay_linear(...))）放大了微小差异
+3. **浮点运算顺序**：Polars 的并行计算可能导致运算顺序不同
+
+### 第二类：NaN 模式不一致（数据边界问题）
+
+| 因子名称 | 2Y NaN数 | 3Y NaN数 | 差异 | 分析 |
+|---------|---------|---------|------|------|
+| GTJA_alpha005 | 704 | 600 | -104 | ts_max(ts_corr(ts_rank(...))) |
+| GTJA_alpha028 | 87678 | 89155 | +1477 | 多层 ts_sma 嵌套 |
+| GTJA_alpha111 | 29410 | 35516 | +6106 | ts_sma 条件计算 |
+| GTJA_alpha113 | 294 | 282 | -12 | ts_sum(ts_delay(...)) |
+| GTJA_alpha164 | 29410 | 35516 | +6106 | 类似 alpha111 |
+
+**诊断：** NaN 数量不一致表明：
+1. **历史数据不足**：某些因子（如 ts_corr(window=2)）在数据起始阶段会产生 NaN
+2. **条件计算差异**：包含 `if_` 语句的因子在不同数据量下条件分支执行不同
+3. **ts_delay 负偏移**：alpha113 包含 `ts_delay(close, 5)`，数据边界处的延迟计算行为不同
+
+### 第三类：严重数值不一致（高风险）
+
+| 因子名称 | 最大差异 | 平均差异 | 差异数据点数 | 可能原因 |
+|---------|---------|---------|-------------|---------|
+| GTJA_alpha005 | Inf | NaN | 2170 | -inf 值导致 |
+| GTJA_alpha113 | 0.803 | 0.108 | 21689 | 累积和历史依赖 |
+| GTJA_alpha114 | 0.028 | - | 11 | 除法边界问题 |
+| GTJA_alpha115 | 0.989 | 0.0014 | 83182 | ts_rank 差异传播 |
+| GTJA_alpha138 | 0.857 | 0.108 | 21689 | ts_decay_linear + ts_rank |
+| GTJA_alpha140 | 0.999 | 0.029 | 7535 | min_/max_ 边界 |
+| GTJA_alpha146 | 3.719 | 0.0058 | 81526 | 复杂嵌套公式 |
+| GTJA_alpha165 | 146950 | 498.7 | 81531 | **ts_sumac 累积和历史依赖** |
+| GTJA_alpha176 | Inf | Inf | 74 | 除零或无穷大 |
+| GTJA_alpha183 | 98612 | 232.2 | 81531 | **ts_sumac 累积和历史依赖** |
+
+**高风险因子详细分析：**
+
+#### 1. GTJA_alpha165 和 GTJA_alpha183（最严重）
+
+**DSL 定义：**
+```
+alpha165: max_(ts_sumac(close-ts_mean(close,48)))-min_(ts_sumac(close-ts_mean(close,48)))/ts_std(close,48)
+alpha183: max_(ts_sumac(close-ts_mean(close,24)))-min_(ts_sumac(close-ts_mean(close,24)))/ts_std(close,24)
+```
+
+**问题根源：**
+- `ts_sumac()` 是累积求和函数，依赖于从数据起始点到当前点的所有历史值
+- 3年回看 vs 4年回看意味着不同的起始点，导致累积和完全不同
+- 当回看窗口超过因子所需的历史数据时，这类因子**不应该**有相同的值
+
+**验证：**
+- alpha165 使用 48 日移动平均，但 `ts_sumac` 依赖整个历史序列
+- 这是**设计问题**，不是数据泄露
+
+#### 2. GTJA_alpha113（NaN 模式 + 数值差异）
+
+**DSL 定义：**
+```
+(-1 * ((cs_rank((ts_sum(ts_delay(close, 5), 20) / 20)) * ts_corr(close, vol, 2)) * cs_rank(ts_corr(ts_sum(close, 5), ts_sum(close, 20), 2))))
+```
+
+**问题分析：**
+- 包含 `ts_delay(close, 5)` 导致数据偏移
+- `ts_corr(close, vol, 2)` 只有 2 日窗口，对边界敏感
+- 不同回看期导致有效数据点数量不同
+
+#### 3. GTJA_alpha138
+
+**DSL 定义：**
+```
+((cs_rank(ts_decay_linear(ts_delta((((low * 0.7) + ((amount / vol) *0.3))), 3), 20)) - ts_rank(ts_decay_linear(ts_rank(ts_corr(ts_rank(low, 8), ts_rank(ts_mean(vol,60), 17), 5), 19), 16), 7)) * -1)
+```
+
+**问题分析：**
+- 5层嵌套：cs_rank → ts_decay_linear → ts_delta → ts_rank → ts_corr → ts_rank
+- 每层都可能放大微小差异
+- ts_rank 使用 `sliding_window_view`，对数据边界敏感
+
+## 根因分析
+
+### 1. 累积和因子（ts_sumac）设计问题
+
+**现象：** GTJA_alpha165 和 GTJA_alpha183 差异巨大（数万级别）
+
+**原因：**
+```python
+# ts_sumac 实现 (translator.py 第 659-664 行)
+def _handle_ts_sumac(self, node: FunctionNode) -> pl.Expr:
+    expr = self.translate(node.args[0])
+    return expr.cum_sum()  # 从序列起始累积
+```
+
+累积和 `cum_sum()` 从数据的第一个点开始累加，因此：
+- 3年回看：从 2022-01-02 开始累积
+- 4年回看：从 2021-01-02 开始累积
+- 两者累积和完全不同，这是**预期行为**
+
+### 2. ts_rank 边界敏感性
+
+**实现分析** (translator.py 第 481-509 行):
+```python
+def rank_calc(s: pl.Series) -> pl.Series:
+    values = s.to_numpy()
+    n = len(values)
+    if n < window:
+        return pl.Series([float("nan")] * n)
+    
+    windows = np.lib.stride_tricks.sliding_window_view(values, window)
+    current_vals = windows[:, -1]
+    ranks = np.sum(windows <= current_vals[:, None], axis=1) / window
+    
+    result = np.full(n, np.nan)
+    result[window - 1:] = ranks
+    return pl.Series(result)
+```
+
+- `sliding_window_view` 从第 `window` 个元素开始产生有效值
+- 前 `window-1` 个元素都是 NaN
+- 不同回看期导致 NaN 数量和位置不同
+
+### 3. 多层嵌套放大效应
+
+以 GTJA_alpha138 为例的调用链：
+```
+cs_rank(ts_decay_linear(...))
+  → ts_decay_linear = ts_wma
+    → numpy.convolve
+      → 卷积结果依赖输入序列长度
+t_rank(ts_decay_linear(ts_rank(...)))
+  → 每层 ts_rank 都使用 sliding_window_view
+    → 每层都引入边界 NaN
+```
+
+### 4. 财务数据 Lookback 扩展
+
+**代码路径** (data_router.py 第 202-226 行):
+```python
+if table_spec.join_type == "asof_backward":
+    # 财务数据需要扩展回看期
+    adj_start = self.financial_loader.get_date_range_with_lookback(
+        start_date, end_date, lookback_years=2
+    )[0]
+    date_start = pd.Timestamp(adj_start)
+```
+
+- 财务数据默认回看 2 年，确保 PIT (Point-In-Time) 对齐
+- 但这不会导致数据泄露，只是确保公告日匹配
+
+## 影响评估
+
+### 对模型训练的影响
+
+**低风险（可接受）：**
+- 微小数值差异（< 1e-6）：不影响模型训练
+- NaN 模式轻微差异：在可接受范围内
+
+**中风险（需关注）：**
+- GTJA_alpha113, alpha115, alpha138, alpha146 等：差异较大可能影响训练
+
+**高风险（需修复）：**
+- GTJA_alpha165, alpha183：累积和因子，设计上有问题
+- GTJA_alpha005：出现 -inf 值，可能是除零错误
+- GTJA_alpha176：出现 inf，数值稳定性问题
+
+### 对回测的影响
+
+**关键问题：**
+- 如果使用 3年回看训练模型，但回测时用不同回看期，因子值会不一致
+- 这可能导致回测结果与实盘表现不符
+
+## 修复建议
+
+### 短期修复（立即实施）
+
+1. **排除高风险因子**
+   ```python
+   EXCLUDED_FACTORS = [
+       "GTJA_alpha165",  # ts_sumac 设计问题
+       "GTJA_alpha183",  # ts_sumac 设计问题
+       "GTJA_alpha005",  # -inf 值
+       "GTJA_alpha176",  # inf 值
+   ]
+   ```
+
+2. **修复 alpha113 的 NaN 问题**
+   - 检查 `ts_delay(close, 5)` 的实现
+   - 确保数据对齐正确
+
+### 中期修复（1-2周）
+
+1. **重写 ts_sumac 实现**
+   - 添加 `max_lookback` 参数限制累积范围
+   - 或改用滚动窗口求和替代累积和
+
+2. **优化 ts_rank 边界处理**
+   - 确保不同回看期产生相同的有效值范围
+   - 考虑使用更稳定的排名算法
+
+3. **增强数值稳定性**
+   - 为所有除法操作添加 epsilon 保护
+   - 检查 `sign` 函数在零值时的行为
+
+### 长期优化（1个月）
+
+1. **建立因子回归测试**
+   - 自动化测试不同回看期的一致性
+   - 设置数值差异阈值（如 rtol=1e-6）
+
+2. **因子分类体系**
+   - 标记"历史依赖型"因子（如 ts_sumac）
+   - 在文档中明确说明因子的回看期敏感性
+
+3. **PIT 数据验证**
+   - 验证财务数据的 PIT 处理是否正确
+   - 防止未来数据泄露
+
+## 测试建议
+
+### 新增测试用例
+
+```python
+def test_factor_consistency_across_lookback():
+    """验证因子在不同回看期下的一致性。"""
+    factors_to_test = [
+        "GTJA_alpha113",
+        "GTJA_alpha138", 
+        "GTJA_alpha146",
+    ]
+    
+    for factor in factors_to_test:
+        data_2y = compute_factor(factor, lookback_days=730)
+        data_3y = compute_factor(factor, lookback_days=1095)
+        
+        # 只比较有效值（非 NaN）
+        valid_mask = ~np.isnan(data_2y) & ~np.isnan(data_3y)
+        diff = np.abs(data_2y[valid_mask] - data_3y[valid_mask])
+        
+        assert np.all(diff < 1e-6), f"{factor} 差异过大: max={np.max(diff)}"
+```
+
+### 监控指标
+
+1. **差异率**：超过阈值的因子比例
+2. **NaN 比例**：每个因子的 NaN 占比
+3. **极端值比例**：inf/-inf 的出现频率
+
+## 结论
+
+本次测试发现 191 个因子中：
+- **一致因子**：约 60%（116个）
+- **微小差异**：约 25%（48个）- 可接受
+- **NaN 模式差异**：约 3%（5个）- 需关注
+- **严重不一致**：约 12%（22个）- **需修复**
+
+**优先级：**
+1. 🔴 **立即**：排除 GTJA_alpha165, alpha183, alpha005, alpha176
+2. 🟡 **本周**：修复 alpha113, alpha138 的边界问题
+3. 🟢 **本月**：建立自动化一致性测试
+
+---
+
+**报告生成时间：** 2026-03-19
+**测试版本：** ProStock 最新 main 分支
+**数据范围：** 2022-01-02 至 2025-01-31