perf(engine): 信号管线提速 ×12.6 — 向量化快速路径 + 日期查找表 + 去 strftime

基准先行（scripts/bench_engine.py）：ma_cross 800 根全流程基线 93.6ms。
profile 打破预期：85% 墙钟在 OrderSimulator._find_bar_index（每信号全列
strftime），而非计划认为的逐 bar 信号循环。三处优化（行为逐位一致）：

- Strategy 新增 entry_exit_masks() 显式钩子，19 个内置策略全实现；引擎按
  掩码 + 候选事件 bar 状态机一次产出信号，持仓估算逐行复刻
  _update_strategy_position（含买不足 1 手退化路径）；约束检测
  _vectorize_eligibility 显式可测，signal_path=auto/vector/loop 可指定；
  不满足约束（无钩子/缠论注入/掩码形状错）自动回退逐 bar
- OrderSimulator._build_dt_lookup：O(信号×bar) 全列扫描 → 每 simulate 一次
  O(bar) 查找表（重复日期取首个、未命中 None、object 恒不匹配语义对齐）
- _datetime_to_int 去 strftime：year*10000+month*100+day 整数算术
  （NaT→NaN 行为一致），_bind_data 与查找表共用

实测：ma_cross 全流程 93.6→7.4ms（×12.6），信号层 ×1.39~1.72（四策略）；
32 点网格寻优 ~3.0s→231ms。对拍 39 例：19 策略×参数变体×warmup/低资金/
费率/缓存，performance/trades/equity/positions 逐位一致。
顺带记录：wr_reversal 默认阈值与 MyTT WR 刻度不匹配（策略恒不交易，既有问题未改）

scripts/bench_engine.py

@@ -0,0 +1,129 @@
+"""bench_engine — 回测引擎信号生成路径基准（v1.28）。
+
+测「单标的 N 根 × 指定内置策略 全流程」（engine.run 端到端）在两条信号
+路径下的耗时，并附信号生成阶段（_generate_signals）的归因分解——
+v1.25 实测指标缓存墙钟仅 ~1.01x，瓶颈在逐 bar Python 循环，本脚本即为其
+优化前后的量化依据（数字进 CHANGELOG，报告用 --json 机器可读）。
+
+用法::
+
+    .venv/Scripts/python.exe scripts/bench_engine.py                    # 800 根 ma_cross
+    .venv/Scripts/python.exe scripts/bench_engine.py --bars 300 --runs 30 --strategy macd
+    .venv/Scripts/python.exe scripts/bench_engine.py --json             # CI/脚本消费
+"""
+
+from __future__ import annotations
+
+import argparse
+import json
+import statistics
+import time
+
+import numpy as np
+import pandas as pd
+
+from easy_tdx.backtest.engine import BacktestEngine
+from easy_tdx.backtest.strategies import get_registry
+
+
+def synthetic_ohlcv(n: int, seed: int = 42, base: float = 20.0) -> pd.DataFrame:
+    """确定性随机游走 OHLCV（与对拍单测同款生成方式）。"""
+    rng = np.random.default_rng(seed)
+    rets = rng.normal(0.0005, 0.02, n)
+    close = base * np.cumprod(1.0 + rets)
+    open_ = np.concatenate([[base], close[:-1]])
+    high = np.maximum(open_, close) * (1.0 + np.abs(rng.normal(0.0, 0.008, n)))
+    low = np.minimum(open_, close) * (1.0 - np.abs(rng.normal(0.0, 0.008, n)))
+    vol = rng.integers(50_000, 5_000_000, n).astype(float)
+    dates = pd.bdate_range("2022-01-04", periods=n)
+    return pd.DataFrame(
+        {
+            "datetime": dates,
+            "open": open_,
+            "high": high,
+            "low": low,
+            "close": close,
+            "vol": vol,
+            "amount": vol * close,
+        }
+    )
+
+
+def _time_path(engine: BacktestEngine, df: pd.DataFrame, runs: int) -> dict[str, float]:
+    """计时一条路径：全流程 run + 仅信号生成阶段（归因用）。"""
+    engine.run(df)  # 预热（numpy/pandas 内部缓存、导入惰性初始化）
+
+    full_times: list[float] = []
+    for _ in range(runs):
+        t0 = time.perf_counter()
+        engine.run(df)
+        full_times.append(time.perf_counter() - t0)
+
+    # 信号生成单独计时（引擎其余阶段：OrderSimulator/Portfolio/Performance）
+    sig_times: list[float] = []
+    for _ in range(runs):
+        t0 = time.perf_counter()
+        engine._generate_signals(df, None)
+        sig_times.append(time.perf_counter() - t0)
+
+    return {
+        "full_median_ms": statistics.median(full_times) * 1000,
+        "full_min_ms": min(full_times) * 1000,
+        "signal_median_ms": statistics.median(sig_times) * 1000,
+        "signal_min_ms": min(sig_times) * 1000,
+    }
+
+
+def main() -> int:
+    parser = argparse.ArgumentParser(description="回测引擎信号路径基准")
+    parser.add_argument("--bars", type=int, default=800, help="K 线根数（默认 800）")
+    parser.add_argument("--runs", type=int, default=20, help="每条路径计时次数（取中位数）")
+    parser.add_argument("--strategy", default="ma_cross", help="内置策略名（默认 ma_cross）")
+    parser.add_argument("--seed", type=int, default=42, help="合成行情种子")
+    parser.add_argument("--json", action="store_true", help="JSON 输出（机器可读）")
+    args = parser.parse_args()
+
+    df = synthetic_ohlcv(args.bars, seed=args.seed)
+    strat = get_registry().get(args.strategy).build()
+
+    loop = BacktestEngine(strat, signal_path="loop")
+    vec = BacktestEngine(get_registry().get(args.strategy).build(), signal_path="vector")
+
+    loop_stats = _time_path(loop, df, args.runs)
+    vec_stats = _time_path(vec, df, args.runs)
+
+    result = {
+        "strategy": args.strategy,
+        "bars": args.bars,
+        "runs": args.runs,
+        "trades": len(loop.run(df).trades),
+        "loop": loop_stats,
+        "vector": vec_stats,
+        "full_speedup": loop_stats["full_median_ms"] / vec_stats["full_median_ms"],
+        "signal_speedup": loop_stats["signal_median_ms"] / vec_stats["signal_median_ms"],
+    }
+
+    if args.json:
+        print(json.dumps(result, ensure_ascii=False, indent=2))
+    else:
+        print(
+            f"策略={result['strategy']}  bars={result['bars']}  runs={result['runs']}"
+            f"  trades={result['trades']}"
+        )
+        print(
+            f"逐 bar  路径：全流程 {loop_stats['full_median_ms']:.1f}ms"
+            f"（最快 {loop_stats['full_min_ms']:.1f}）｜信号生成"
+            f" {loop_stats['signal_median_ms']:.1f}ms"
+        )
+        print(
+            f"向量化路径：全流程 {vec_stats['full_median_ms']:.1f}ms"
+            f"（最快 {vec_stats['full_min_ms']:.1f}）｜信号生成"
+            f" {vec_stats['signal_median_ms']:.1f}ms"
+        )
+        print(f"加速比：全流程 ×{result['full_speedup']:.2f}", end="")
+        print(f"｜信号生成 ×{result['signal_speedup']:.2f}")
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())