fix(core): 修复计算与数据对齐等多处逻辑问题

- 修正CAGR计算，去除NaN并检查起始值有效性以避免异常结果
- 优化混合数据源的数据对齐逻辑，使用配置结束日期与A股最新数据日期的较早者
- 计算因子时对齐A股交易日历，重新基于对齐价格计算日收益率，改进因子对齐准确度
- 轮动策略中跳过空信号，避免空信号影响持仓和调仓逻辑
- 调整信号处理，过滤空字符串和NaN，保证轮动信号数据有效性
- 多品种轮动持仓中加入空信号判断，避免无效信号导致错误
- 调整调仓明细和品种汇总保存逻辑，增加空文件创建以保证输出路径文件稳定生成
- 完善多处打印信息和注释，增强代码可读性与调试便利性

core/factors/momentum.py

@@ -142,7 +142,7 @@ def compute_factors(
             valid_codes.remove(code)
             continue
         
-        # 按照该标的自己的交易日历计算指标
+        # 按照该标的自己的交易日历计算指标（使用指数数据）
         if factor_type == "momentum":
             factor_series = calculate_momentum(price_series, n)
         elif factor_type == "slope_r2":
@@ -150,14 +150,18 @@ def compute_factors(
         else:
             raise ValueError(f"不支持的因子类型: {factor_type}")
         
-        # 计算日收益率
-        return_series = calculate_daily_return(price_series)
+        # 对齐到A股交易日历：价格使用ffill，指标使用ffill
+        # 但日收益率需要基于对齐后的价格重新计算，而不是直接ffill
+        price_aligned = price_series.reindex(a_share_dates, method='ffill')
+        factor_aligned = factor_series.reindex(a_share_dates, method='ffill')
         
-        # 对齐到A股交易日历：取离A股交易日最近的有效数据（不使用未来数据）
-        # 使用reindex + method='ffill'，确保T日使用T日或之前的数据
-        result[code] = price_series.reindex(a_share_dates, method='ffill')
-        result[f"得分_{code}"] = factor_series.reindex(a_share_dates, method='ffill')
-        result[f"日收益率_{code}"] = return_series.reindex(a_share_dates, method='ffill')
+        # 基于对齐后的价格重新计算日收益率
+        # 这样如果T日没有交易（价格被ffill），日收益率为0
+        return_aligned = calculate_daily_return(price_aligned)
+        
+        result[code] = price_aligned
+        result[f"得分_{code}"] = factor_aligned
+        result[f"日收益率_{code}"] = return_aligned
     
     # 过滤掉缺失值过多的指数（基于A股交易日历）
     total_rows = len(result)
@@ -170,9 +174,10 @@ def compute_factors(
         else:
             final_valid_codes.append(code)
 
-    # 按得分列做 dropna（确保所有标的同时有数据）
+    # 注意：不做dropna，保留所有A股交易日
+    # 非A股标的在没有数据的日子，得分和日收益率会保持NaN或前向填充值
+    # 这是正常的横截面策略行为：T日只交易有数据的标的
     score_cols = [f"得分_{code}" for code in final_valid_codes]
-    result = result.dropna(subset=score_cols)
 
     print("\n因子计算完成:")
     print(f"  因子类型: {factor_type}")