fix: 完整匹配原引擎剔除逻辑和因子对齐顺序

关键修复：
1. OHLCV整行dropna()剔除逻辑（匹配原引擎）
   - 国债 931862.CSI 因 open/high/low 全空被剔除
   - 原引擎: df = index_ohlcv_data[code].dropna()
   - 新框架: 同样逻辑

2. 因子计算顺序：先计算因子再对齐到A股交易日历
   - 原引擎: factor_series = rolling(n).apply(); factor_aligned = reindex(ffill)
   - 新框架: 同样顺序，避免ffill填充的重复值影响rolling窗口

对比结果：
| 指标 | 原引擎 | 新框架(修复后) |
|------|--------|---------------|
| 累计收益 | 1804% | 1999% |
| 信号匹配率 | - | 90.3% |
| 调仓次数 | 459 | ~578 |

剩余195%收益差距可能来自收益计算细节差异

strategies/rotation/strategy.py

@@ -144,7 +144,7 @@ class RotationStrategy(StrategyBase):
         }
     
     def compute_factors(self, data: dict) -> pd.DataFrame:
-        """计算因子值（匹配原引擎：境外数据对齐到A股交易日历后再计算因子）"""
+        """计算因子值（匹配原引擎：先计算因子再对齐到A股交易日历）"""
         index_data = data['index_data']
         valid_codes = data['valid_codes']
         
@@ -153,7 +153,6 @@ class RotationStrategy(StrategyBase):
         if index_close is not None:
             a_share_dates = index_close.index
         else:
-            # 回退：使用第一个A股标的的索引
             for code in valid_codes:
                 if code.endswith('.SH') or code.endswith('.SZ') or code.endswith('.CSI'):
                     a_share_dates = index_data[code].index
@@ -165,27 +164,40 @@ class RotationStrategy(StrategyBase):
         final_valid_codes = []
         
         for code in valid_codes:
-            df = index_data[code]
-            # 只使用 close 列（匹配原引擎逻辑）
-            if 'close' in df.columns:
-                close_series = df['close'].dropna()
+            df = index_data[code].copy()
+            
+            # 原引擎剔除逻辑：如果有OHLCV列，整行dropna()后再检查长度
+            # 这会剔除国债等只有close数据的标的（open/high/low全空）
+            ohlcv_cols = ['open', 'high', 'low', 'close', 'volume']
+            has_ohlcv = all(col in df.columns for col in ['open', 'high', 'low', 'close'])
+            
+            if has_ohlcv:
+                # 原引擎逻辑：整行dropna()后检查数据是否足够
+                df_clean = df[ohlcv_cols].dropna()
+                if len(df_clean) < self.n_days + 1:
+                    print(f"  ⚠ 剔除 {code}: OHLCV数据不足 ({len(df_clean)} < {self.n_days + 1})")
+                    continue
+                close_series = df_clean['close']
             else:
-                close_series = df.dropna()
+                # 只有close列的情况
+                if 'close' in df.columns:
+                    close_series = df['close'].dropna()
+                else:
+                    close_series = df.dropna()
+                
+                if len(close_series) < self.n_days + 1:
+                    print(f"  ⚠ 剔除 {code}: close数据不足 ({len(close_series)} < {self.n_days + 1})")
+                    continue
             
-            # 关键：对齐到A股交易日历（匹配原引擎逻辑）
-            # 境外市场的交易日与A股不同，需要前向填充到A股交易日
-            close_aligned = close_series.reindex(a_share_dates, method='ffill')
+            # 原引擎逻辑：先在原始交易日历上计算因子
+            # rolling窗口使用的是原始交易日数据，不包含ffill填充的重复值
+            close_df = pd.DataFrame({'close': close_series})
+            factor_series = self._factor.compute(close_df)
             
-            # 原引擎剔除逻辑：对齐后的数据需要至少 n_days + 1 条有效值
-            valid_count = close_aligned.notna().sum()
-            if valid_count < self.n_days + 1:
-                print(f"  ⚠ 剔除 {code}: 数据不足 ({valid_count} < {self.n_days + 1})")
-                continue
+            # 然后对齐因子序列到A股交易日历（匹配原引擎逻辑）
+            factor_aligned = factor_series.reindex(a_share_dates, method='ffill')
             
-            # 在对齐后的数据上计算因子
-            close_df = pd.DataFrame({'close': close_aligned})
-            values = self._factor.compute(close_df)
-            factor_values[code] = values
+            factor_values[code] = factor_aligned
             final_valid_codes.append(code)
         
         factor_df = pd.DataFrame(factor_values)