dsh-bayes-predict 0.0.0-stage → 1.1.0

package/LICENSE

@@ -0,0 +1,21 @@
+MIT License
+
+Copyright (c) 2026 pg
+
+Permission is hereby granted, free of charge, to any person obtaining a copy
+of this software and associated documentation files (the "Software"), to deal
+in the Software without restriction, including without limitation the rights
+to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
+copies of the Software, and to permit persons to whom the Software is
+furnished to do so, subject to the following conditions:
+
+The above copyright notice and this permission notice shall be included in all
+copies or substantial portions of the Software.
+
+THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
+IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
+FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
+AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
+LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
+OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
+SOFTWARE.

package/README.md

@@ -1,3 +1,273 @@
-# Temporary Holding Version
+# dsh-bayes-predict
 
-This version is a temporary placeholder for this package. An operational version to replace this has been submitted for review and is awaiting a staged release.
+[![CI](https://github.com/pg527322814/dsh-bayes-predict/actions/workflows/ci.yml/badge.svg)](https://github.com/pg527322814/dsh-bayes-predict/actions/workflows/ci.yml)
+[![License: MIT](https://img.shields.io/badge/License-MIT-yellow.svg)](./LICENSE)
+
+基于 **贝叶斯定理** 的 DeepSeek Harness 个股预测插件（dual-face：Host 工具 + 浏览器面板）。
+
+> ⚠️ **平台依赖**：本插件是 DeepSeek Harness（dsh）平台的扩展插件，依赖其宿主环境（`dsh web`、cordis 插件系统、`window.__ModuleLoader__` 等）。该平台目前未随本仓库公开，**单独克隆本仓库无法直接运行**，代码仅供学习、参考与移植。
+
+## 功能
+
+| 模块 | 说明 |
+|---|---|
+| **多指标信号融合评分** | 假设 H =「未来 N 日上涨」。先验取加权历史胜率（shrunk）；MACD 金叉、RSI、均线排列、布林带位置、量能、动量、近 5 日走势等信号作为证据，**双向经验似然比**（看多信号用 LR_bull、看空信号用 LR_bear，时间衰减加权 + 样本收缩），log-odds 更新 → 后验上涨概率（含 95% 置信区间）+ 0-100 评分与评级 |
+| **卡尔曼增益融合** | 证据的收缩强度不再手调：用卡尔曼增益 `K = P⁻/(P⁻+R)` 融合先验与证据，观测方差由 LR 四格表经 Katz 近似给出、先验方差由先验有效样本量给出，**逐股逐日自适应**（等价温度 `T_eff = 1/K`） |
+| **卡尔曼趋势滤波** | 对数价格的局部线性趋势（LLT）状态空间滤波，提供斜率 t 值与标准化新息两个信号源（`kalman_slope` / `kalman_innov`，**默认关闭**，见「卡尔曼增益」章） |
+| **多窗口对比** | 同时输出 2/5/10/20 日后验对比表 |
+| **趋势状态识别** | 贝叶斯 t 检验风格的三状态分类：P(上涨)=P(μ>+δ)、P(下跌)=P(μ<-δ)、P(震荡)，阈值 δ = max(0.5·SE, 年化 5% 经济当量)，防大样本下微小趋势误判 |
+| **持仓风险估计** | EWMA 波动率（RiskMetrics λ=0.94）+ **经验分位数 VaR/CVaR 为主**（正态估计对照）、历史最大回撤 |
+| **信号归因** | 输出贡献绝对值 Top3 的信号；方向标签按**实际贡献符号**显示（名义方向经实证校准后可能与贡献相反） |
+| **策略回测** | 严格防前视的参数化回测：逐换仓日现场评分 → 门槛 + TopN 选股 → 等分资金模拟换仓；支持大盘择时、ST/价格/市值/上市天数筛选、止损与仓位/板块上限、佣金与印花税；输出策略·高分 Top / 策略·低分 Top / 池基准三条曲线 |
+| **全市场选股筛选** | 与回测**完全同一套条件**的单日截面选股（不做换仓模拟），表格可排序、可一键加自选、点行跳转单股分析 |
+| **自选股（实时口径）** | 自选日锚定价 + 「自选日至今」实时涨跌幅（真实价、不复权口径，与券商 App 一致），可与选股/回测共享同一份评分缓存 |
+| **拼音首字母搜索** | 代码 / 中文名 / 拼音首字母三合一模糊匹配（`ZGYH` → 招商银行），GB2312 码段法实现、多音字变体展开、**零依赖** |
+| **walk-forward 回测（模型校准）** | 工具可选 `backtest` 参数：输出 Brier / log-loss / 方向准确率 / 可靠性表 / 分级命中率 / 自动校准温度，并与「无信息基线」「只用先验」等口径对照 |
+
+## 安装
+
+**方式一：一键安装（推荐，需要能访问 github.com）**
+
+```sh
+dsh plugin --profile web add github:pg527322814/dsh-bayes-predict
+```
+
+装完**重启 `dsh web`** 生效（插件层在启动时合成；client bundle 的 HMR 仅在 `pnpm run dev:web` 重建时可用）。
+
+**方式二：手动安装（离线，或网络访问 github.com 受限时）**
+
+1. 插件包拷贝至 `%USERPROFILE%\.dsh\profiles\web\node_modules\dsh-bayes-predict`
+   （该目录不存在时先创建；profile 的 baseUrl 锚定在 `profiles\web`，node 解析会向上逐级查找 node_modules）
+2. `%USERPROFILE%\.dsh\profiles\web\cordis.patch.yml` 追加：
+
+```yaml
+- insert:
+    - id: bayes-predict
+      name: 'dsh-bayes-predict'
+```
+
+3. 重启 `dsh web`。
+
+> ⚠️ 客户端契约：`lib/client.js` 的 factory **必须导出 `inject` 数组**（如 `exports.inject = ["slots"]`）。
+> cordis 依据模块导出的 `inject` 决定注入哪些服务；缺失时 `apply(ctx)` 里访问 `ctx.slots`
+> 会直接抛 `cannot get property "slots" without inject`（`package.json` 的 `dsh.client.inject`
+> 只影响 boot 清单，不替代模块导出）。
+
+**回测 / 选股缓存目录（可选但强烈建议）**：统一数据目录由 `DSH_STOCK_CACHE_DIR` 指定，未设置时默认 `%USERPROFILE%\.dsh\stock-bayes\`，结构为：
+
+```
+<cacheRoot>/
+├── universe.json          多档股票池 { pools: { all, sh300, custom } } + 每只股票标签
+├── data/<code>.json       每只股票K线
+├── csi300.json            指数（沪深300）
+├── scores/h<horizon>.json 预评分（列式紧凑存储 + 原子写）
+└── watchlist.json         自选股清单（原子写）
+```
+
+首次使用某只/某个基准日时，缺失的行情与评分会**现场拉取并计算**（沪深300 量级约数秒，全市场数千只约分钟级），之后一直命中缓存；面板「🔄 刷新行情缓存」做增量刷新（只拉新 K 线去重追加）。管道中缺少 `universe.json` 时，股票池回退到**内置沪深300 成分**（`lib/csi300-components.json`）。
+
+> 说明：本仓库只包含插件运行时。用于构建全市场 `universe.json` 与评分预热的同步脚本属于开发侧工具，未随包发布。
+
+## 使用
+
+**对话中**（重启后开新会话，让 agent 看到新工具）：
+
+```
+分析一下 600519
+用贝叶斯方法评估一下 300750 未来 5 天的上涨概率
+带上历史回测看看 600519 的模型校准
+```
+
+**可视化面板**：侧边栏底部「📊 贝叶斯股票分析」快捷按钮 → 弹出居中的固定浮层，内含**四个页签**。
+
+### 单股分析
+
+输入代码（600519 / sh600519 / 000001 / AAPL），点「贝叶斯分析」。未发起分析时该页显示**算法说明**空态（模型假设、融合公式与各信号方向校准说明）。报告含：综合判断（先验 → 后验 + 95% 区间 + 评分/评级）、多窗口对比、趋势三状态、EWMA / 经验 VaR 风险、信号证据明细与归因、近 60 日走势、技术面快照。
+
+口径透明：同时给出「证据原始 log-odds 和」与「实际作用于先验的增量」（收缩前的量不等于实得变化）；当信号仅使概率移动不足 1 个百分点时，明确提示**结论主要由先验主导**，而非分析失效。
+
+### 策略回测
+
+可配置股票资源池、评分窗口（2/5/10/20 日）、每期持有交易日、同时持有个数、评分门槛区间、初始资金、回测区间、大盘择时规则（R1~R4）、筛选条件（排除 ST / 价格上下限 / 市值下限 / 排除次新股）、风控（个股止损 / 单只最大仓位 / 同板块最多持有数）与交易费用（佣金 + 印花税）。
+
+- **严格防前视**：每个换仓日只用当日及之前的数据估计似然比与先验
+- **市值下限按"截至换仓日的历史推算市值"过滤**，消除前视偏差（`historicalCap=0` 可退回快照市值）
+- **三条对照曲线**：策略·高分 Top / 策略·低分 Top（反向对照）/ 池基准（当期全部合格股票等权），三者差距即可检验「评分排序是否携带信息」
+- **评分缓存**按「模型版本 × 模型参数指纹 × 逐股数据指纹」三维校验，参数变化时旧行全部作废、全新写入；数据追加时只补算缺失日期；跨池跨 step 的评分按 (code, date) 累积复用
+- **多 horizon 预热**：一次运行同时评分并缓存 2/5/10/20 日（共享指标与信号计算，约 2~2.5 倍单窗口成本），之后切换窗口零等待
+
+### 选股筛选
+
+用与回测完全相同的一套条件，但**不做换仓模拟**——只对基准日做一次截面评分并列表（基准日留空 = 行情最新交易日；非交易日自动回退并标记）。表头可点击排序；行首 ★/☆ 一键加入或移出自选（不影响整行跳转）；点任意行跳到「单股分析」并自动分析。评分与回测**共享同一份缓存文件**。
+
+### 自选股
+
+核心是**「自选日至今涨跌幅」**，默认拉实时行情：
+
+- **实时价 + 真实价口径（本页刻意与其余页签不同）**：自选价 = 自选日的**不复权**收盘，最新价 = **腾讯实时现价**。实时接口只能拿到真实价，若把后复权锚点（茅台 ≈9200）与真实现价（≈1300）混算会得出 −84% 这类荒唐跌幅；且腾讯 hfq 日线盘中常不含当日 bar、新交易日可能跨复权基准断裂。故本页单独用真实价口径，与券商 App 显示一致
+- **降级路径清晰**：拿不到报价的股票仍按不复权口径但标记 `live=false` 并显示 `⚠︎`（tooltip 给原因）；`live=0` 可整体回退到本地缓存（后复权）收盘价，离线可用
+- **锚点不漂移**：加入时把「自选日 + 自选价」写进 `watchlist.json`，此后涨跌幅永远以它为起点；重复收藏只刷新名称，**不重置锚点**
+- 汇总行给出平均涨跌幅、盈亏只数、`实时 N/M 只 @MM-DD HH:mm`；表头筛选行支持 代码/拼音/名称 模糊搜索、自选日起止、盈亏状态、评分下限；「🔄 刷新」带 `force=1` 绕过 TTL
+
+### Host 接口
+
+| 方法 | 路径 | 说明 |
+|---|---|---|
+| GET | `/bayes-predict/analyze?symbol=&horizon=` | 单股分析报告 |
+| POST | `/bayes-predict/backtest?pool=&horizon=&step=&topN=&threshold=&...` | 策略回测（含低分 Top 对照与多窗口预热） |
+| GET | `/bayes-predict/screen?pool=&horizon=&date=&limit=&...` | 单日截面选股 |
+| GET | `/bayes-predict/watchlist?horizon=&date=&live=&force=` | 自选股报告；`codesOnly=1` 只取代码清单（轻量） |
+| POST | `/bayes-predict/watchlist/add\|remove\|clear?symbol=` | 自选变更，**一律 POST**（GET 返回 405，防止预取/缓存把 GET 当副作用请求） |
+| GET | `/bayes-predict/pools` | 资源池与标签（供面板动态渲染） |
+| POST | `/bayes-predict/refresh?pool=` | 增量刷新行情缓存 |
+
+## 代码结构
+
+```
+lib/
+├── index.js         Host 端：bayes_stock_predict 工具 + 9 条 /bayes-predict/* 路由 + markdown 报告
+├── bayes.js         贝叶斯核心：指标 / 双向信号 / 时间衰减四格表 LR / 卡尔曼增益融合（默认）/ 趋势 / EWMA-经验风险 / 多窗口 / walk-forward 回测
+├── kalman.js        卡尔曼滤波：LLT 状态空间滤波 + 卡尔曼增益证据融合 + Katz 对数方差近似
+├── backtest.js      参数化回测引擎（严格防前视）+ screenStocks() 单日截面选股（同一套条件与缓存）
+├── backtest-data.js 回测数据提供层：缓存根、资源池、列式编解码、沪深300 成分、增量刷新
+├── watchlist.js     自选股：watchlist.json 持久化 + 自选日/自选价锚点 + 实时收益 + 复用 screenStocks 评分
+├── realtime.js      自选实时行情：批量报价（60 只/请求）+ 不复权日线 + liveAnchorStats 纯函数 + 短 TTL 缓存
+├── pinyin.js        汉字 → 拼音首字母（GB2312 码段法，零依赖）+ 多音字变体展开
+├── market.js        行情获取：代码归一化、腾讯 K 线（含复权断层检测）、腾讯/新浪实时、批量报价、指数日K、TTL 缓存
+├── market-prior.json 全市场横截面先验（通用 LR 表，启动时自动加载）
+├── csi300-components.json 沪深300 成分快照（无 universe.json 时的回退股票池）
+└── client.js        浏览器端：React 面板（侧边栏入口 → 四个页签），SVG 自绘走势图/仪表/权益曲线
+
+test/
+├── kalman.test.mjs        卡尔曼数值单测（57 项：零噪声极限、无前视不变式、增益等价 T_eff=1/K、方差单调性）
+├── smoke.mjs              插件冒烟（36 项：默认路径 / 回退路径 / 回测字段 / 报告结构）
+├── pinyin.test.mjs        拼音首字母与多音字变体（38 项）
+├── screen.test.mjs        选股筛选（129 项：条件与排序 / limit 截断 / 非交易日回退 / 缓存复用 / codes 子集，
+│                          以及与 runBacktest 同一基准日候选集逐只一致的等价性）
+├── watchlist.test.mjs     自选股（78 项：归一化 / 锚点语义与停牌回退 / 重复加入不重置锚点 / 持久化往返 / 评分复用）
+├── realtime.test.mjs      实时口径纯函数（36 项）
+├── routes.test.mjs        Host 契约（假 ctx 收集注册结果：1 个工具 + 9 条路由的命名）
+├── client-render.test.mjs 客户端 bundle 渲染（138 项：迷你 React + fetch 桩，跑通四页签交互链路与拼音搜索）
+├── client-fixtures.json   上面用到的真实接口响应夹具（已裁剪）
+└── normalize.test.mjs     代码归一化单测
+```
+
+## 模型要点
+
+- 后验更新：`logit(H) += K · Σ strength_i·log(LR_i)`；收缩强度由**卡尔曼增益 K** 决定（默认口径），`fusion: "temperature"` 可回退到固定 T=3 的旧口径
+- **双向 LR**：LR_bull = P(看多信号|涨)/P(看多信号|跌)，LR_bear = P(看空信号|涨)/P(看空信号|跌)；四格表统计 + 拉普拉斯平滑 + 向 1 的样本收缩（k=20）+ 单信号截断 [1/4, 4]
+- **信号方向实证校准**（审计 → 方向修正 → 消融确认）：
+  - 方向正确保留：MACD 金叉/死叉、MACD 柱、近 5 日走势、影线形态、跳空、缠论背驰
+  - **反转方向**：价格 vs MA20（追高后回归）、量能（放量冲高回落/恐慌见底）
+  - **弱信号弱化**：RSI、均线排列、布林带、动量、ATR（强度打折）
+- **时间衰减**：LR 与先验均按指数衰减加权（半衰期 200 交易日），近期样本权重更高
+- **波动率归一化**：动量/近 5 日收益信号阈值按滚动 σ 自适应（|x| > 0.5·σ·√k），跨股票可比
+- **信号强度**：每个信号输出 strength ∈ (0,1]，弱信号（如 RSI 50 附近）贡献打折
+- **分层先验（默认启用）**：启动时加载 `market-prior.json` 通用 LR 表，单股 LR 与之混合（w = n/(n+80)）
+- 先验：近 `sampleWindow` 日加权胜率 shrunk 到 0.5（强度 30），`horizon` 默认 5 日
+- 风险：EWMA σ（λ=0.94）为主，VaR/CVaR 以经验分位数为主输出、正态近似对照
+- `MODEL_VERSION`：模型定义（信号集合 / LR 估计 / 融合口径 / 先验参数）变更时必须递增——评分缓存据此失效重建，避免新旧模型结果混用。当前为 **2**
+
+## 卡尔曼增益
+
+### 融合层：卡尔曼增益替代手调 temperature（默认启用）
+
+把潜在 log-odds 视为待估状态：先验给出 `z ~ N(logit(prior), P⁻)`，证据给出一次含噪观测
+`y = Σ strength_k·log(LR_k)`，观测方差 `R = Σ strength_k²·Var(log LR_k)·γ`。于是
+
+```
+K = P⁻ / (P⁻ + R)          ← 卡尔曼增益
+z = logit(prior) + K·y
+P = (1 − K)·P⁻             ← 后验方差（置信区间由它给出，不再是启发式 nEff）
+等价收缩 T_eff = 1/K = 1 + R/P⁻
+```
+
+- `Var(log LR_k)` 由四格表计数经 **Katz 对数风险比近似**给出，并乘上 shrink / 分层先验混合的雅可比修正：**样本少的信号自动获得大方差、增益自动变小**，不需要为「这个信号可不可信」再手调参数
+- `γ`（`kalmanObsInflate`，默认 **2**）是证据相关性/过拟合的膨胀因子：技术信号彼此相关，独立假设会低估 R、高估证据精度
+- `P⁻` 由先验有效样本量经 delta 方法给出：`Var(logit(p)) ≈ 1/(n·p(1−p))`
+- 后验区间来自 `P`（logit 正态近似），取代了原先没有概率意义的 `nEff` 启发式
+
+### 信号层：LLT 状态空间滤波（默认关闭）
+
+对对数价格建局部线性趋势模型（`level` 随机游走 + `slope` 慢变，观测噪声极小），一次 O(n) 前向递推给出滤波斜率 `slope/√P_ss`（t 值归一化）与标准化新息 `v/√S`，对应信号 `kalman_slope` / `kalman_innov`。
+
+**硬约束（均写进单测）**：
+
+- **只做前向滤波，绝不用 RTS 平滑**——平滑器会用到未来观测，把前视泄漏进 LR 四格表
+- **滤波参数必须因果**：观测噪声用滚动窗口估计；`test/kalman.test.mjs` 用「续接未来 K 线不改变历史滤波状态」的不变式守住这一点
+- **必须预计算**：`signalDirectionsAt` 被 LR 估计/审计/回测按每根 K 线各调一次，递推放进信号函数会退化成 O(n²)
+
+### 实证结论（为何是这样默认）
+
+**A) 卡尔曼融合 vs 手调 T=3（无前视对比，Brier 越低越好）**
+
+| 口径 | 400 只 A 股 / 2.4 年（测试集） | 52 只沪深300 / 10 年（测试集） |
+|---|---|---|
+| priorOnly（只用先验、忽略证据） | 0.2547 | 0.2540 |
+| **卡尔曼融合 γ=2（默认）** | 0.2552 | 0.2542 |
+| 卡尔曼融合 γ=6 | 0.2548 | 0.2540 |
+| 手调 temperature=3（旧默认） | 0.2571 | 0.2551 |
+| T=1（原始证据强度） | 0.2727 | 0.2638 |
+
+配对差异（每只股票一个观测，负值 = 卡尔曼更好）：γ=2 时 **−0.0020 ±0.0001（89.0% 股票改善）** 与 **−0.0009 ±0.0001（90.9%）**，两个独立样本同向且都高度显著；γ∈[2,6] 内收益已趋平。
+
+**B) 卡尔曼信号的消融（默认关闭的依据）**
+
+| 检验 | ΔBrier | 改善率 |
+|---|---|---|
+| 加 `kalman_slope` / `kalman_innov`（T=1 口径） | **+0.00026 ±0.00005** | 15.4% |
+| 先移除 `trend_recent` / `ma_align` 再加（检验"是否只是冗余"） | **+0.00021 ±0.00006** | 19.2% |
+
+两者都为正 ⇒ 不是与趋势类信号冗余，而是**样本外没有边际价值**。其原始信息量并不弱（十年池化审计：`kalman_slope` 分段 spread +6.33%/+14.40%/+8.24%，t 最高 5.87），但**全量审计 ≠ 样本外有效**——这正是 ROC(20) / streak / beta 被移除的同一条教训。
+
+**C) 必须一起看的负面结论**
+
+在合计 34.7 万个预测点上，本模型的 Brier **始终高于 priorOnly**（最好配置也只到 −0.0001）。γ 越大越好、最终收敛到 priorOnly，本质是模型在自动学会「少信证据」。因此卡尔曼增益的价值应表述为：**在不引入前视的前提下，把手调的固定收缩换成自适应收缩，稳住了过度自信**（相对 T=1 改善 −0.0167，相对 T=3 改善 −0.0020 / −0.0009），**而不是"带来了新的预测力"**。
+
+### 开关与调参
+
+| 参数 | 默认 | 说明 |
+|---|---|---|
+| `fusion` | `"kalman"` | 设 `"temperature"` 回退旧口径（T=3） |
+| `kalmanObsInflate` | `2` | 证据方差膨胀 γ；调大 → 更保守、更贴先验（γ→∞ 即退化为 priorOnly） |
+| `kalmanSignals` | `false` | 是否启用 `kalman_slope` / `kalman_innov` 两个新信号 |
+| `kalmanSlopeT` / `kalmanInnovZ` | `1.2` / `1.5` | 两个信号的触发阈值（t 值 / 标准化新息） |
+| `kalmanSlopeDir` / `kalmanInnovDir` | `-1` / `-1` | 方向（−1 反转）。**不影响结论**：LR 是双向的，会自动学到反向关系 |
+
+报告与面板中的 `calibration.fusion / kalmanGain / effectiveTemperature / priorVar / obsVar / stateVar` 与顶层 `kalman` 快照（斜率 t、标准化新息 z、年化斜率）即为上述量的诊断出口。
+
+## 数据源
+
+免费、无需 key：
+
+- **A 股日 K**：腾讯 fqkline 后复权 hfq（最多约 700 根 ≈2023-12 至今；主/备用域名自动切换规避限流），东财后复权兜底
+- **实时快照**：腾讯（A 股）/ 腾讯 `us` 前缀（美股）；批量报价一次最多 60 只
+- **指数**：东财沪深300 日 K（供市场 beta 与池基准）
+- **美股日 K**：新浪全历史
+- 内存 TTL 缓存 30 分钟（实时报价 60s / 不复权日线 5min）
+
+> ⚠️ 数据口径：评分、回测与单股分析均使用**后复权（hfq）**——收益序列含分红再投资，除权日无假跳空，信号干净；但价格非真实股价。**自选股页是唯一例外**，它用真实价（不复权）口径，理由见上文。
+
+> ⚠️ **腾讯 hfq 复权断层防护**：腾讯后复权的复权基准随最新交易日滚动，接口返回的最后一天可能发生"跨基准断裂"（假跳变）。`fetchKlines` 已内置断层检测：hfq 最后一天 |单日涨跌| > 8% 时拉不复权序列核对，判定复权断层则丢弃最后一天（宁缺毋滥）；`refreshCache` 检测到缓存末尾断层时自动全量替换修复。
+
+## 开发
+
+零第三方依赖，Node 18+。
+
+```sh
+npm test
+```
+
+依次运行 9 个测试文件：`kalman`(57) → `smoke`(36) → `pinyin`(38) → `screen`(129) → `watchlist`(78) → `realtime`(36) → `routes`(9 条路由契约) → `client-render`(138，迷你 React + fetch 桩跑通四页签交互) → `normalize`。CI（Node 20 / 22）在每次 push 与 PR 上执行同一套测试。
+
+## 卸载
+
+- 删除 `cordis.patch.yml` 中 `bayes-predict` 的 insert 行
+- 删除 `node_modules\dsh-bayes-predict`
+- 重启 `dsh web`
+
+## 许可证
+
+[MIT](./LICENSE) © pg
+
+> ⚠️ 本插件输出由贝叶斯统计模型基于历史行情生成，仅供参考，不构成投资建议。

package/cordis.patch.yml

@@ -0,0 +1,8 @@
+# dsh-bayes-predict bundle patch.
+# A bundle patch is applied as its own layer over the profile root; the row
+# id is addressed for later overrides (last write per row wins). Installing
+# the package via `dsh plugin --profile web add dsh-bayes-predict`
+# auto-activates this layer — no manual cordis.patch.yml edit needed.
+- insert:
+    - id: bayes-predict
+      name: 'dsh-bayes-predict'

package/lib/backtest-data.js

@@ -0,0 +1,311 @@
+// dsh-bayes-predict / lib/backtest-data.js
+// 统一缓存数据提供层：缓存根目录 = env DSH_STOCK_CACHE_DIR 或 %USERPROFILE%\.dsh\stock-bayes。
+// 结构：
+//   universe.json           多档股票池 { pools: { all, sh300, custom } }
+//   data/<code>.json        每只股票东财后复权全历史K线
+//   csi300.json             沪深300指数日K（择时用）
+//   scores/h<horizon>.json  预评分缓存 { horizon, rebalanceDates, rows: {code:{date:{s,r,p,c}}} }
+//   meta.json               各文件生成时间
+import { readFileSync, writeFileSync, existsSync, mkdirSync, readdirSync, statSync, renameSync } from "node:fs";
+import { join, dirname } from "node:path";
+import { fileURLToPath } from "node:url";
+import os from "node:os";
+import { fetchKlines } from "./market.js";
+
+const PLUGIN_DIR = dirname(fileURLToPath(import.meta.url));
+
+export function cacheRoot() {
+  return process.env.DSH_STOCK_CACHE_DIR || join(os.homedir(), ".dsh", "stock-bayes");
+}
+export function scoresPath(h) { return join(cacheRoot(), "scores", `h${h}.json`); }
+
+// ================= 评分缓存列式紧凑编码 =================
+// 行式：rows[code][date] = {s, p}（日期键/属性名/花括号每处重复，大池文件膨胀）
+// 列式：rows[code] = { s: number[], p: number[] }，第 i 个元素对应 rebalanceDates[i]；
+//       s 为 0-100 整数，p 定点化为 0-65535 整数（精度 ~7.6e-6），缺失日期用 -1 哨兵。
+// 实测（2000 只 × 140 日）：体积 12.1MB→2.4MB（5.1×），stringify 8×，parse 16×。
+const P_SCALE = 65535;
+
+/** 嵌套行 → 列式（写入磁盘前调用）。 */
+export function encodeColumnar(payload) {
+  const dates = payload.rebalanceDates;
+  const idx = new Map();
+  for (let i = 0; i < dates.length; i++) idx.set(dates[i], i);
+  const rows = {};
+  for (const [code, row] of Object.entries(payload.rows)) {
+    const sArr = new Array(dates.length).fill(-1);
+    const pArr = new Array(dates.length).fill(-1);
+    for (const [d, v] of Object.entries(row)) {
+      const i = idx.get(d);
+      if (i == null) continue; // 行内日期应 ⊆ rebalanceDates 并集，防御性跳过
+      sArr[i] = v.s;
+      pArr[i] = Math.round(v.p * P_SCALE);
+    }
+    rows[code] = { s: sArr, p: pArr };
+  }
+  return { ...payload, cols: true, rows };
+}
+
+/** 列式 → 嵌套行（读入后还原给引擎用）。 */
+export function decodeColumnar(raw) {
+  const dates = raw.rebalanceDates;
+  const rows = {};
+  for (const [code, col] of Object.entries(raw.rows)) {
+    const row = {};
+    const sArr = col.s || [];
+    const pArr = col.p || [];
+    for (let i = 0; i < dates.length; i++) {
+      const s = sArr[i];
+      if (s != null && s >= 0) {
+        row[dates[i]] = { s, p: pArr[i] != null && pArr[i] >= 0 ? pArr[i] / P_SCALE : 0 };
+      }
+    }
+    rows[code] = row;
+  }
+  return { ...raw, rows };
+}
+
+/** 按代码前缀返回带市场前缀的代码：60/68→sh，00/30→sz，4/8/92→bj。 */
+export function prefixed(code) {
+  if (/^6/.test(code)) return `sh${code}`;
+  if (/^(0|3)/.test(code)) return `sz${code}`;
+  return `bj${code}`;
+}
+
+/** 多档股票池：读取 universe.json 的 pools；缺失时回退到内置沪深300成分。 */
+export async function loadUniversePools() {
+  const p = join(cacheRoot(), "universe.json");
+  if (existsSync(p)) {
+    try {
+      const j = JSON.parse(readFileSync(p, "utf8"));
+      if (j && j.pools && j.pools.all && Array.isArray(j.pools.all.codes)) return j.pools;
+    } catch { /* ignore */ }
+  }
+  // 回退：内置沪深300成分
+  const comps = await loadCsi300Components();
+  const sh300 = (comps || []).filter((s) => /^sh60[0135]\d{3}$/.test(s)).map((s) => s.slice(2));
+  return { all: { label: "沪深300成分(沪市主板)", codes: sh300 }, sh300: { label: "沪深300成分(沪市主板)", codes: sh300 }, custom: { label: "自选", codes: [] } };
+}
+
+/** 沪深300成分（内置静态文件优先，其次新浪拉取）。 */
+async function loadCsi300Components() {
+  const builtin = join(PLUGIN_DIR, "csi300-components.json");
+  try {
+    if (existsSync(builtin)) {
+      const arr = JSON.parse(readFileSync(builtin, "utf8"));
+      if (Array.isArray(arr) && arr.length >= 100) return arr.map((c) => String(c.symbol || c.code || c));
+    }
+  } catch { /* ignore */ }
+  try {
+    const UA = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 Chrome/120.0 Safari/537.36";
+    const all = [];
+    for (let pg = 1; pg <= 6; pg++) {
+      const url = `https://vip.stock.finance.sina.com.cn/quotes_service/api/json_v2.php/Market_Center.getHQNodeData?page=${pg}&num=300&sort=symbol&asc=1&node=hs300&symbol=&_s_r_a=page`;
+      const r = await fetch(url, { headers: { "User-Agent": UA, Referer: "https://finance.sina.com.cn/" } });
+      const t = await r.text();
+      if (!t || !t.startsWith("[")) break;
+      const arr = JSON.parse(t);
+      if (!arr.length) break;
+      for (const x of arr) all.push(String(x.symbol));
+    }
+    if (all.length >= 100) return all;
+  } catch { /* ignore */ }
+  return null;
+}
+
+/**
+ * 组装 provider。
+ * @param {object} opts { pool: 'all'|'sh300'|'custom', customCodes: string[] }
+ * @returns {{getKlines, universe, getIndexKlines, getScores, saveScores}}
+ */
+export async function buildProvider(opts = {}) {
+  const pools = await loadUniversePools();
+  const poolKey = opts.pool || "all";
+  let universe;
+  if (poolKey === "custom" && Array.isArray(opts.customCodes) && opts.customCodes.length) {
+    universe = opts.customCodes;
+  } else {
+    const pool = pools[poolKey] || pools.all;
+    universe = (pool && pool.codes) || [];
+  }
+  if (!universe.length) throw new Error("股票池为空（pool=" + poolKey + "）");
+
+  // 标签（ST/板块/市值/名称）：读 universe.json 的 tags；
+  // snapshotDate = 快照生成日（市值/ST/成分标记的时点），历史市值推算以此为基准价锚点
+  let tags = {};
+  let snapshotDate = null;
+  try {
+    const u = JSON.parse(readFileSync(join(cacheRoot(), "universe.json"), "utf8"));
+    if (u && u.tags) tags = u.tags;
+    if (u && typeof u.generatedAt === "string") snapshotDate = u.generatedAt.slice(0, 10);
+  } catch { tags = {}; }
+  const getTags = (code) => tags[code] || {};
+
+  // K线读取：优先缓存目录 data/，缺失则现场拉取并落盘
+  const dataDir = join(cacheRoot(), "data");
+  const kc = new Map();
+  // 数据指纹：data/ 目录内最新文件的 mtime（毫秒）。评分缓存据此判断底层数据是否
+  // 被追加/重写（刷新行情、换复权口径），指纹变化 → 评分缓存失效重算。
+  // 现场拉取落盘的新文件同样更新指纹，避免"冷拉取后必重算一次"的抖动。
+  let dataStamp = null;
+  try {
+    let max = 0;
+    for (const n of readdirSync(dataDir)) {
+      if (!n.endsWith(".json")) continue;
+      const st = statSync(join(dataDir, n));
+      if (st.mtimeMs > max) max = st.mtimeMs;
+    }
+    if (max > 0) dataStamp = Math.round(max);
+  } catch { dataStamp = null; }
+  const getKlines = async (code) => {
+    if (!kc.has(code)) {
+      const p = join(dataDir, `${code}.json`);
+      if (existsSync(p)) {
+        try { kc.set(code, JSON.parse(readFileSync(p, "utf8")).klines); } catch { kc.set(code, null); }
+      } else {
+        try {
+          const kl = await fetchKlines(prefixed(code), 700, "hfq"); // 腾讯后复权
+          mkdirSync(dataDir, { recursive: true });
+          writeFileSync(p, JSON.stringify({ code, klines: kl, source: "tencent-hfq" }));
+          kc.set(code, kl);
+          // 指纹用文件自身的 mtime（statSync），与后续扫描读到的值严格一致——
+          // 若用 Date.now() 可能差 1ms，导致下一次请求误判"数据已变"而重复重算。
+          const st = statSync(p).mtimeMs;
+          if (dataStamp == null || st > dataStamp) dataStamp = Math.round(st);
+        } catch { kc.set(code, null); }
+      }
+    }
+    return kc.get(code);
+  };
+
+  // 逐股数据指纹：data/<code>.json 的 mtime（惰性 stat，memo 缓存）。
+  // 评分缓存据此逐股判定"数据未变/追加/整体替换"（见 backtest.js rowInfoValid）。
+  const stampCache = new Map();
+  const getStamp = (code) => {
+    if (stampCache.has(code)) return stampCache.get(code);
+    let v = null;
+    try {
+      const p = join(dataDir, `${code}.json`);
+      if (existsSync(p)) v = Math.round(statSync(p).mtimeMs);
+    } catch { v = null; }
+    stampCache.set(code, v);
+    return v;
+  };
+
+  // 指数（择时）
+  let getIndexKlines = null;
+  const idxP = join(cacheRoot(), "csi300.json");
+  if (existsSync(idxP)) {
+    try { getIndexKlines = () => JSON.parse(readFileSync(idxP, "utf8")); } catch { getIndexKlines = null; }
+  }
+  if (!getIndexKlines) {
+    try {
+      const ik = await fetchKlines("sh000300", 700, "hfq");
+      mkdirSync(cacheRoot(), { recursive: true });
+      writeFileSync(idxP, JSON.stringify(ik));
+      getIndexKlines = () => ik;
+    } catch { getIndexKlines = null; }
+  }
+
+  // 评分缓存读写
+  const getScores = (h) => {
+    const p = scoresPath(h);
+    if (!existsSync(p)) return null;
+    try {
+      const raw = JSON.parse(readFileSync(p, "utf8"));
+      // 列式（cols:true）解码回嵌套行给引擎用；旧格式（行式）直接使用（下次保存自动迁移为列式）
+      return raw && raw.cols === true ? decodeColumnar(raw) : raw;
+    } catch { return null; }
+  };
+  const saveScores = (h, payload) => {
+    mkdirSync(join(cacheRoot(), "scores"), { recursive: true });
+    const p = scoresPath(h);
+    const tmp = p + ".tmp";
+    // 原子写：先写临时文件再 rename 覆盖——进程崩溃时正式文件要么是旧版要么是新版，
+    // 绝不出现截断损坏（截断会让下次请求全量重算，大池代价几分钟）。
+    writeFileSync(tmp, JSON.stringify(encodeColumnar(payload)));
+    renameSync(tmp, p);
+  };
+
+  return { getKlines, universe, getIndexKlines, getScores, saveScores, getTags, cacheRoot: cacheRoot(), getDataStamp: () => dataStamp, getStamp, snapshotDate };
+}
+
+/** 腾讯后复权拉取：fetchKlines 内部自动切换主/备用域名，均失败则放弃。code 为 6 位代码。 */
+async function fetchHfq(code, count = 700) {
+  return fetchKlines(prefixed(code), count, "hfq");
+}
+
+/**
+ * 手动刷新：增量拉取并追加（腾讯后复权）——
+ * 读每只股票缓存最后日期，腾讯 hfq 拉最近 ~700 根窗口，去重（date > lastDate）后追加写回；
+ * 无缓存则全量初始化 ~700 根。指数同样增量追加。
+ * @param {string} poolKey 股票池 key
+ * @returns {{pool, total, ok, updated, noChange, fail, indexUpdated, cacheRoot}}
+ */
+export async function refreshCache(poolKey = "all", opts = {}) {
+  const pools = await loadUniversePools();
+  const pool = pools[poolKey] || pools.all;
+  const codes = pool.codes || [];
+  const dataDir = join(cacheRoot(), "data");
+  mkdirSync(dataDir, { recursive: true });
+  let ok = 0, updated = 0, noChange = 0, fail = 0;
+  const CONC = 8;
+  let idx = 0;
+  async function worker() {
+    while (idx < codes.length) {
+      const code = codes[idx++];
+      const p = join(dataDir, `${code}.json`);
+      let hasCache = false;
+      let lastDate = null;
+      try {
+        if (existsSync(p)) {
+          const old = JSON.parse(readFileSync(p, "utf8"));
+          const arr = Array.isArray(old.klines) ? old.klines : [];
+          if (arr.length) { hasCache = true; lastDate = arr[arr.length - 1].date; }
+        }
+        ok++;
+        const kl = await fetchHfq(code, 700); // fetchHfq 内部已剔除复权断层日（见 market.js）
+        if (hasCache) {
+          // 若新序列最后日期比缓存还短（复权断层被剔除 / 源数据回退）→ 全量替换，
+          // 修复缓存末尾的断层脏数据（如 2026-08-21 腾讯 hfq 基准切换导致的假跳变）
+          const freshLast = kl.length ? kl[kl.length - 1].date : null;
+          if (freshLast == null || freshLast < lastDate) {
+            writeFileSync(p, JSON.stringify({ code, klines: kl, source: "tencent-hfq" }));
+            updated++;
+            continue;
+          }
+          const fresh = kl.filter((r) => r.date > lastDate);
+          if (!fresh.length) { noChange++; continue; }
+          const old = JSON.parse(readFileSync(p, "utf8")).klines || [];
+          writeFileSync(p, JSON.stringify({ code, klines: old.concat(fresh), source: "tencent-hfq" }));
+          updated++;
+        } else {
+          writeFileSync(p, JSON.stringify({ code, klines: kl, source: "tencent-hfq" }));
+          updated++;
+        }
+      } catch { fail++; }
+    }
+  }
+  await Promise.all(Array.from({ length: CONC }, worker));
+
+  // 指数增量追加（腾讯 hfq；指数无分红复权差异）
+  let idxUpdated = false;
+  const idxP = join(cacheRoot(), "csi300.json");
+  try {
+    if (existsSync(idxP)) {
+      const old = JSON.parse(readFileSync(idxP, "utf8"));
+      const arr = Array.isArray(old) ? old : (Array.isArray(old.klines) ? old.klines : []);
+      const lastDate = arr.length ? arr[arr.length - 1].date : null;
+      if (lastDate) {
+        const ik = await fetchKlines("sh000300", 700, "hfq"); // 指数固定 sh 前缀
+        const fresh = ik.filter((r) => r.date > lastDate);
+        if (fresh.length) {
+          writeFileSync(idxP, JSON.stringify(arr.concat(fresh)));
+          idxUpdated = true;
+        }
+      }
+    }
+  } catch { /* 指数刷新失败不影响个股结果 */ }
+
+  return { pool: poolKey, total: codes.length, ok, updated, noChange, fail, indexUpdated: idxUpdated, cacheRoot: cacheRoot() };
+}