fix(backtest): v1.20.3 修复回测绩效统计两个 bug（issues #30 #31）

#31: RebalanceEngine 缺失价格导致净值假崩塌
  已持仓标的当日缺 K 线（停牌/日历错位）时 prices.get(code,0)=0，
  持仓市值记 0 → 净值单日暴跌（159915 在 20210208 缺一天，持仓 ~93%，
  净值 1.1M→91,845，全期最大回撤 -92%）。
  修复：last_known_price forward-fill，缺失日沿用最近已知收盘价。
  附带：_compute_performance 最大回撤改正值口径（与 BacktestEngine 一致）。
  验证：真实 ETF 数据 max_drawdown 24.01%（backtrader 基准 27%），
  total_return 220.56% 不变。

#30: PortfolioTracker 交易静默漏单
  apply_trades 用 trade.datetime 作 dict key、df["datetime"].to_numpy()[i]
  查找；两端类型不一致（int vs datetime64）时永不命中，交易被静默丢弃，
  净值恒定（total_return=0 但 trades 表有 PnL）。
  修复：改为按"位置索引"匹配（归一化 datetime 后查位置），类型无关。
  验证：int-trade+datetime64-df 修复前净值=100000（恒定），修复后=100289。

测试：新增 4 回归测试（未修复代码上均失败，修复后通过）；
全套 936 passed；mypy 改动文件零错误；ruff 全绿。

tests/unit/test_backtest_portfolio.py

@@ -287,3 +287,75 @@ def test_empty_trades() -> None:
     assert (equity["cash"] == 100000).all()
     # 所有 bar 持仓应为 0
     assert (positions["size"] == 0).all()
+
+
+def test_apply_trades_int_datetime_vs_datetime64_df() -> None:
+    """issue #30：trade.datetime(int) 与 df datetime(datetime64) 类型不一致时，
+    交易仍应被正确应用，而非静默漏单导致净值恒定。
+
+    复现：过去 apply_trades 用 trade.datetime 作 dict key、用
+    df["datetime"].to_numpy()[i] 查找；两端类型不一致（int vs datetime64）
+    时 trade_map.get(dt) 永不命中，全部交易被丢弃 → 净值恒等于初始资金，
+    但 trades 表里仍有 PnL（_compute_pnls 不依赖 df 查找）。
+    """
+    # df 的 datetime 列为 datetime64（真实 get_stock_kline 路径）
+    df = pd.DataFrame(
+        {
+            "datetime": pd.date_range("2024-01-01", periods=10, freq="D"),
+            "close": [10, 11, 12, 11, 10, 13, 14, 13, 15, 16],
+        }
+    )
+    # trade.datetime 为 int YYYYMMDD（类型与 df 不一致）
+    buy = Trade(
+        datetime=20240101,
+        direction="BUY",
+        size=100,
+        price=10.0,
+        commission=5.0,
+        slippage=0.0,
+    )
+    sell = Trade(
+        datetime=20240106,
+        direction="SELL",
+        size=100,
+        price=13.0,
+        commission=6.0,
+        slippage=0.0,
+    )
+
+    tracker = PortfolioTracker(df, initial_cash=100000)
+    tracker.apply_trades([buy, sell])
+
+    equity = tracker.equity_curve
+    # 卖出后现金 = 100000 - 100*10 - 5 + 100*13 - 6 = 100289
+    # 修复前此处为 100000（交易被静默丢弃）
+    assert equity["cash"].iloc[-1] == 100289.0
+    # 净值不应恒等于初始资金（交易生效）
+    assert equity["total"].iloc[-1] != 100000.0
+
+
+def test_apply_trades_timestamp_vs_int_df() -> None:
+    """issue #30 反向：trade.datetime(Timestamp) 与 df datetime(int) 不一致。"""
+    df = pd.DataFrame(
+        {
+            "datetime": [
+                int(d.strftime("%Y%m%d")) for d in pd.date_range("2024-01-01", periods=10, freq="D")
+            ],
+            "close": [10, 11, 12, 11, 10, 13, 14, 13, 15, 16],
+        }
+    )
+    buy = Trade(
+        datetime=pd.Timestamp("2024-01-01"),
+        direction="BUY",
+        size=100,
+        price=10.0,
+        commission=5.0,
+        slippage=0.0,
+    )
+
+    tracker = PortfolioTracker(df, initial_cash=100000)
+    tracker.apply_trades([buy])
+
+    # 修复前交易被丢弃、持仓为 0
+    assert tracker.positions["size"].iloc[0] == 100
+

tests/unit/test_portfolio_rebalance.py

@@ -86,3 +86,47 @@ class TestRebalanceEngine:
         assert result.performance["total_trades"] == len(result.trades)
         # 修复前 total_trades == len(equity_curve)（天数），明显大于交易笔数
         assert result.performance["total_trades"] != len(result.equity_curve)
+
+    def test_missing_price_does_not_collapse_equity(self):
+        """issue #31：已持仓标的当日缺 K 线时，市值不应被记为 0 导致净值假崩塌。
+
+        复现：一只标的在中段缺若干交易日数据，且被持有；修复前该标的缺数据
+        的日子市值按 0 计，净值单日暴跌，max_drawdown 荒谬（如 -92%）。
+        forward-fill 后用最近已知价估值，净值曲线平滑、max_drawdown 合理。
+        """
+        data = _make_market(n_stocks=3, n_days=120, seed=7)
+        # 让第一只标的中段缺 5 天数据（模拟停牌/日历错位）
+        target = "000000"
+        df0 = data[target]
+        keep_mask = ~df0["datetime"].isin(df0["datetime"].iloc[55:60])
+        data[target] = df0[keep_mask].reset_index(drop=True)
+
+        engine = RebalanceEngine(
+            optimizer=EqualWeightOptimizer(),
+            n_stocks=3,
+            rebalance_freq="M",
+            cash=1_000_000,
+        )
+        result = engine.run(data, start_date=20240101, end_date=20240430)
+
+        ec = result.equity_curve.sort_values("datetime").reset_index(drop=True)
+        prev = ec["total"].shift(1)
+        pct_chg = (ec["total"] - prev) / prev
+        # 无单日 >50% 假崩塌（修复前会出现接近 -100% 的尖刺）
+        assert pct_chg.min() > -0.5, f"单日跌幅 {pct_chg.min():.2%} 异常，疑似缺数据假崩塌"
+        # 最大回撤合理（< 90%）且为正值
+        md = result.performance["max_drawdown"]
+        assert 0.0 <= md < 0.9, f"max_drawdown={md:.4f} 不合理"
+
+    def test_max_drawdown_sign_positive(self):
+        """issue #31 附带：max_drawdown 应为正值 [0,1]，与 BacktestEngine 约定一致。"""
+        engine = RebalanceEngine(
+            optimizer=EqualWeightOptimizer(),
+            n_stocks=3,
+            rebalance_freq="M",
+            cash=1_000_000,
+        )
+        result = engine.run(_make_market(), start_date=20240101, end_date=20240430)
+        md = result.performance["max_drawdown"]
+        assert 0.0 <= md <= 1.0, f"max_drawdown={md} 应落在 [0,1]"
+