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）

src/easy_tdx/backtest/engine.py

@@ -1,6 +1,17 @@
 """BacktestEngine — orchestrate vectorized execution pipeline.
 
 Coordinates Strategy → OrderSimulator → PortfolioTracker → PerformanceAnalyzer.
+
+信号生成双路径（v1.28）：
+
+- **向量化快速路径**：策略实现了
+  :meth:`~easy_tdx.backtest.strategy.Strategy.entry_exit_masks` 且无缠论注入时，
+  预计算指标列后用 numpy 掩码 + 事件 bar 状态机一次性产出信号（逐 bar 的
+  Python 循环是网格寻优的实测瓶颈，见 CHANGELOG v1.25 的诚实数据）；
+- **逐 bar 路径**：不满足约束时自动回退，行为与历史版本完全一致。
+
+两条路径在同一 df + 同参数下 performance 逐位一致（对拍单测守护，
+``tests/unit/test_backtest_engine_vector.py``）。
 """
 
 from __future__ import annotations
@@ -8,6 +19,7 @@ from __future__ import annotations
 from dataclasses import dataclass
 from typing import TYPE_CHECKING, Any
 
+import numpy as np
 import pandas as pd
 
 from easy_tdx.backtest.orders import OrderSimulator
@@ -67,6 +79,7 @@ class BacktestEngine:
         symbol: str | None = None,
         auto_fees: bool = False,
         indicator_cache: Any | None = None,
+        signal_path: str = "auto",
     ):
         """Initialize engine.
 
@@ -97,9 +110,16 @@ class BacktestEngine:
             indicator_cache: 指标计算缓存（网格寻优跨点复用，见
                 :class:`~easy_tdx.backtest.indicator_cache.IndicatorCache`）。
                 None = 每次直接计算（默认，向后兼容）。
+            signal_path: 信号生成路径。``"auto"``（默认）= 策略满足向量化约束
+                时走快速路径、否则回退逐 bar；``"vector"`` = 强制向量化
+                （不满足约束时抛 ValueError，测试/基准用）；``"loop"`` = 强制
+                逐 bar（对拍基准用）。两条路径结果逐位一致（对拍单测守护）。
 
         .. versionchanged:: 1.24
             新增 ``symbol`` / ``auto_fees`` 品种感知费率参数。
+        .. versionchanged:: 1.28
+            新增 ``signal_path`` 与向量化快速路径（约束见
+            :meth:`~easy_tdx.backtest.strategy.Strategy.entry_exit_masks`）。
         """
         self._strategy_cls = strategy if isinstance(strategy, type) else type(strategy)
         self._strategy_instance = strategy if isinstance(strategy, Strategy) else None
@@ -131,6 +151,9 @@ class BacktestEngine:
         self._execution_model = execution_model
         self._warmup_bars = max(int(warmup_bars), 0)
         self._indicator_cache = indicator_cache
+        if signal_path not in ("auto", "vector", "loop"):
+            raise ValueError(f"signal_path 取值应为 auto/vector/loop，得到 '{signal_path}'")
+        self._signal_path = signal_path
 
     def run(self, df: pd.DataFrame, chanlun_result: Any | None = None) -> BacktestResult:
         """Run backtest.
@@ -310,7 +333,19 @@ class BacktestEngine:
         # Call init
         strat._call_init()
 
-        # Generate signals bar by bar
+        # ── 向量化快速路径（v1.28）：满足约束时跳过逐 bar 循环 ──────────────
+        if self._signal_path in ("auto", "vector"):
+            eligible, reason = self._vectorize_eligibility(strat, chanlun_result)
+            if eligible:
+                signals = self._generate_signals_vector(df, strat)
+                if signals is not None:
+                    return signals
+                reason = "entry_exit_masks 形状与 K 线长度不符"
+            if self._signal_path == "vector":
+                raise ValueError(f"策略不满足向量化约束：{reason}")
+            # auto：回退逐 bar 路径（行为与历史版本一致）
+
+        # ── 逐 bar 路径（历史行为，逐字未动） ───────────────────────────────
         all_signals: list[Signal] = []
         active_stops: list[_StopCondition] = []
 
@@ -358,6 +393,89 @@ class BacktestEngine:
 
         return all_signals
 
+    # ── 向量化快速路径（v1.28） ────────────────────────────────────────────────
+
+    def _vectorize_eligibility(
+        self, strat: Strategy, chanlun_result: Any | None
+    ) -> tuple[bool, str]:
+        """显式约束检测：策略 + 引擎配置是否可走向量化路径。
+
+        约束（可测试，见 test_backtest_engine_vector.py）：
+        1. 策略覆写了 ``entry_exit_masks``（显式声明语义等价的掩码）；
+        2. 无缠论注入（``chanlun_result`` / ``chanlun_level`` 都未设置——
+           缠论策略的 next() 依赖缠论结果，掩码无法表达）。
+
+        Returns:
+            (是否可向量化, 不可用原因描述)。
+        """
+        if type(strat).entry_exit_masks is Strategy.entry_exit_masks:
+            return False, "策略未实现 entry_exit_masks"
+        if chanlun_result is not None or self._chanlun_level is not None:
+            return False, "缠论注入（chanlun_result/chanlun_level）不支持向量化"
+        return True, ""
+
+    def _generate_signals_vector(self, df: pd.DataFrame, strat: Strategy) -> list[Signal] | None:
+        """用 entry/exit 掩码 + 事件 bar 状态机一次性产出信号。
+
+        状态机语义与逐 bar 路径严格对齐（对拍单测守护逐位一致）：
+
+        - 空仓 + ``entry[i]`` → 全仓 BUY（与 ``buy()`` 同参：size=0、无限价、
+          无止损止盈）；
+        - 持仓 + ``exit[i]`` → 全仓 SELL；
+        - 持仓估算复刻 :meth:`_update_strategy_position`：按收盘价全仓、
+          100 股整手、资金不足 1 手时仓位状态不变（后续 entry 仍可触发）；
+        - warmup 期不产生信号。
+
+        Returns:
+            信号列表；掩码形状与 K 线不符（策略实现错误）返回 None 供上层回退。
+        """
+        masks = strat.entry_exit_masks()
+        if masks is None:
+            return None
+        entry_raw, exit_raw = masks
+        entry = np.asarray(entry_raw, dtype=bool)
+        exit_ = np.asarray(exit_raw, dtype=bool)
+        n = len(df)
+        if entry.ndim != 1 or exit_.ndim != 1 or len(entry) != n or len(exit_) != n:
+            return None
+
+        dt_arr = strat._datetime_array
+        close_arr = df["close"].to_numpy(dtype=np.float64)
+        if dt_arr is None:
+            return None
+
+        # 候选事件 bar（任一掩码触发），远少于总 bar 数——逐 bar 循环退化为
+        # 逐事件循环，这是向量化收益的来源
+        candidates = np.flatnonzero(entry | exit_)
+        candidates = candidates[candidates >= self._warmup_bars]
+
+        signals: list[Signal] = []
+        cash = self._cash
+        position = 0.0
+
+        for i in candidates:
+            i_int = int(i)
+            if position == 0.0 and entry[i_int]:
+                signals.append(
+                    Signal(datetime=int(dt_arr[i_int]), direction="BUY", size=0, price=None)
+                )
+                price = close_arr[i_int]
+                shares = int(cash / (price * (1 + self._commission)) / 100) * 100
+                if shares > 0:
+                    position += shares
+                    cash -= shares * price
+            elif position > 0.0 and exit_[i_int]:
+                signals.append(
+                    Signal(datetime=int(dt_arr[i_int]), direction="SELL", size=0, price=None)
+                )
+                cash += position * close_arr[i_int]
+                position = 0.0
+
+        # 保持策略内部状态与逐 bar 路径一致（后续读取 strat._cash 的代码同构）
+        strat._cash = cash
+        strat._position_size = position
+        return signals
+
     def _check_stop_conditions(
         self,
         active_stops: list[_StopCondition],

src/easy_tdx/backtest/orders.py

@@ -45,6 +45,12 @@ class OrderSimulator:
     slippage: float = 0.0
     slippage_model: SlippageModel | None = None
 
+    def __post_init__(self) -> None:
+        # datetime → 行号查找表（惰性构建一次）。v1.28 之前每个信号都对整列
+        # datetime 做 strftime 扫描（O(信号数×bar 数)，占全流程 ~85% 墙钟），
+        # 网格寻优每点都跑一遍 simulate，是实测最大瓶颈。
+        self._dt_lookup: dict[int, int] | None = None
+
     def simulate(
         self,
         signals: list[Signal],
@@ -165,30 +171,50 @@ class OrderSimulator:
 
         Returns:
             K 线索引，未找到返回 None
+
+        性能（v1.28）：查找表在首次调用时构建一次（O(bar 数)），此后每个
+        信号 O(1) 查询；语义与逐信号全列扫描完全一致——重复日期取首个匹配
+        （等价于原来的 ``mask.argmax()``），未命中返回 None。
         """
-        # 检查 df 中的 datetime 列类型
+        if self._dt_lookup is None:
+            self._dt_lookup = self._build_dt_lookup()
+        return self._dt_lookup.get(int(datetime_val))
+
+    def _build_dt_lookup(self) -> dict[int, int]:
+        """构建 datetime → 行号查找表（重复日期保留首个出现）。
+
+        与历史行为的对应关系：
+
+        - datetime64 列：向量化转 YYYYMMDD int 后建表（原来每个信号都
+          ``strftime`` 全列扫描一遍，是 O(信号数×bar 数) 的热点）；
+        - 数值列（int/float）：整数值等价于原 ``dt_col == datetime_val`` 的
+          直接比较（非整数 float 不会命中，与原来一致）；
+        - 其他列（object 等）：原来直接比较恒不命中、返回 None——这里同样
+          产出空表（保持行为不变，包括 object-Timestamp 列不匹配的既有行为）。
+        """
+        from easy_tdx.backtest.strategy import _datetime_to_int
+
         dt_col = self.df["datetime"]
+        lookup: dict[int, int] = {}
 
-        # 尝试直接比较（如果是 int 类型）
-        # 注意：用 to_numpy().argmax() 取位置索引，而非 idxmax()（返回 label），
-        # 因为后续 self.df.iloc[...] 按位置取行；若 df.index 非默认 RangeIndex，
-        # label != position 会导致撮合取错 bar。
-        try:
-            mask = (dt_col == datetime_val).to_numpy()
-            if mask.any():
-                return int(mask.argmax())
-        except (TypeError, ValueError):
-            pass
-
-        # 如果是 datetime 对象，转为 int 比较
         if pd.api.types.is_datetime64_any_dtype(dt_col):
-            dt_ints = dt_col.dt.strftime("%Y%m%d").astype(int)
-            mask_arr = (dt_ints == datetime_val).to_numpy()
-            if mask_arr.any():
-                return int(mask_arr.argmax())
-            return None
+            ints = _datetime_to_int(dt_col.to_numpy())
+            for i, v in enumerate(ints):
+                if v == v:  # NaT → NaN，跳过（原 strftime 同样不产出该行）
+                    lookup.setdefault(int(v), i)
+            return lookup
 
-        return None
+        arr = dt_col.to_numpy()
+        if arr.dtype.kind in "iuf":
+            for i, v in enumerate(arr):
+                # 浮点列只有整数值（20240104.0）才可能与 int 信号相等，
+                # 与原 == 比较语义一致
+                if float(v).is_integer():
+                    lookup.setdefault(int(v), i)
+            return lookup
+
+        # object / 字符串等：原实现 (dt_col == int) 恒为 False → 恒 None
+        return lookup
 
     def _resolve_exec_index(self, bar_idx: int) -> int | None:
         """根据执行模式确定成交的 K 线索引。

src/easy_tdx/backtest/strategies/builtin.py

@@ -9,6 +9,10 @@
 
 from __future__ import annotations
 
+from typing import Any
+
+import numpy as np
+
 from easy_tdx.backtest.strategies.registry import (
     Param,
     ParametrizedStrategy,
@@ -69,6 +73,10 @@ class MaCrossStrategy(ParametrizedStrategy):
         elif self.dead[i] and self.position["size"] > 0:
             self.sell()
 
+    def entry_exit_masks(self) -> tuple[Any, Any]:
+        """与 next() 同源（gold/dead 即 next() 判定用的同一组掩码数组）。"""
+        return self.gold, self.dead
+
 
 # ── MACD 金叉 ──────────────────────────────────────────────────────────────────
 
@@ -106,6 +114,10 @@ class MacdStrategy(ParametrizedStrategy):
         elif self.dead[i] and self.position["size"] > 0:
             self.sell()
 
+    def entry_exit_masks(self) -> tuple[Any, Any]:
+        """与 next() 同源（gold/dead 即 next() 判定用的同一组掩码数组）。"""
+        return self.gold, self.dead
+
 
 # ── 布林带突破 ─────────────────────────────────────────────────────────────────
 
@@ -135,6 +147,11 @@ class BollBreakoutStrategy(ParametrizedStrategy):
         elif close >= self.upper[i] and self.position["size"] > 0:
             self.sell()
 
+    def entry_exit_masks(self) -> tuple[Any, Any]:
+        """触及下轨进 / 触及上轨出（NaN 轨道期比较为 False，与 next() 一致）。"""
+        close = self.data.close.raw
+        return close <= self.lower, close >= self.upper
+
 
 # ── RSI 超买超卖 ───────────────────────────────────────────────────────────────
 
@@ -165,6 +182,11 @@ class RsiReversalStrategy(ParametrizedStrategy):
         elif rsi >= self.p["overbought"] and self.position["size"] > 0:
             self.sell()
 
+    def entry_exit_masks(self) -> tuple[Any, Any]:
+        """RSI 超卖进 / 超买出（NaN 预热期比较为 False，与 next() 一致）。"""
+        rsi = np.asarray(self.rsi, dtype=np.float64)
+        return rsi <= self.p["oversold"], rsi >= self.p["overbought"]
+
 
 # ── KDJ 金叉 ───────────────────────────────────────────────────────────────────
 
@@ -199,6 +221,10 @@ class KdjCrossStrategy(ParametrizedStrategy):
         elif self.dead[i] and self.position["size"] > 0:
             self.sell()
 
+    def entry_exit_masks(self) -> tuple[Any, Any]:
+        """与 next() 同源（gold/dead 即 next() 判定用的同一组掩码数组）。"""
+        return self.gold, self.dead
+
 
 # ── EMA 双线交叉 ──────────────────────────────────────────────────────────────
 
@@ -228,6 +254,10 @@ class EmaCrossStrategy(ParametrizedStrategy):
         elif self.dead[i] and self.position["size"] > 0:
             self.sell()
 
+    def entry_exit_masks(self) -> tuple[Any, Any]:
+        """与 next() 同源（gold/dead 即 next() 判定用的同一组掩码数组）。"""
+        return self.gold, self.dead
+
 
 # ── 三均线系统 ────────────────────────────────────────────────────────────────
 
@@ -257,6 +287,13 @@ class TripleMaStrategy(ParametrizedStrategy):
         elif self.ma_s[i] < self.ma_m[i] < self.ma_l[i] and self.position["size"] > 0:
             self.sell()
 
+    def entry_exit_masks(self) -> tuple[Any, Any]:
+        """均线多头排列进 / 空头排列出（链式比较逐元素展开，与 next() 一致）。"""
+        return (
+            (self.ma_s > self.ma_m) & (self.ma_m > self.ma_l),
+            (self.ma_s < self.ma_m) & (self.ma_m < self.ma_l),
+        )
+
 
 # ── 唐安奇通道（海龟）────────────────────────────────────────────────────────
 
@@ -282,6 +319,11 @@ class DonchianStrategy(ParametrizedStrategy):
         elif close <= self.lower[i] and self.position["size"] > 0:
             self.sell()
 
+    def entry_exit_masks(self) -> tuple[Any, Any]:
+        """突破 N 日高进 / 跌破 N 日低出（NaN 预热期比较为 False，与 next() 一致）。"""
+        close = self.data.close.raw
+        return close >= self.upper, close <= self.lower
+
 
 # ── 肯特纳通道 ────────────────────────────────────────────────────────────────
 
@@ -310,6 +352,11 @@ class KeltnerStrategy(ParametrizedStrategy):
         elif close <= self.lower[i] and self.position["size"] > 0:
             self.sell()
 
+    def entry_exit_masks(self) -> tuple[Any, Any]:
+        """突破上轨进 / 跌破下轨出（NaN 预热期比较为 False，与 next() 一致）。"""
+        close = self.data.close.raw
+        return close >= self.upper, close <= self.lower
+
 
 # ── BBI 多空指标 ──────────────────────────────────────────────────────────────
 
@@ -340,6 +387,11 @@ class BbiStrategy(ParametrizedStrategy):
         elif close < self.bbi[i] and self.position["size"] > 0:
             self.sell()
 
+    def entry_exit_masks(self) -> tuple[Any, Any]:
+        """上穿 BBI 进 / 下穿 BBI 出（NaN 预热期比较为 False，与 next() 一致）。"""
+        close = self.data.close.raw
+        return close > self.bbi, close < self.bbi
+
 
 # ── CCI 顺势指标 ──────────────────────────────────────────────────────────────
 
@@ -368,6 +420,11 @@ class CciStrategy(ParametrizedStrategy):
         elif cci >= self.p["overbought"] and self.position["size"] > 0:
             self.sell()
 
+    def entry_exit_masks(self) -> tuple[Any, Any]:
+        """CCI 跌破超卖线进 / 涨破超买线出（与 next() 同一比较）。"""
+        cci = np.asarray(self.cci, dtype=np.float64)
+        return cci <= self.p["oversold"], cci >= self.p["overbought"]
+
 
 # ── WR 威廉指标 ───────────────────────────────────────────────────────────────
 
@@ -396,6 +453,11 @@ class WrReversalStrategy(ParametrizedStrategy):
         elif wr >= self.p["overbought"] and self.position["size"] > 0:
             self.sell()
 
+    def entry_exit_masks(self) -> tuple[Any, Any]:
+        """WR 进入超卖区进 / 超买区出（与 next() 同一比较）。"""
+        wr = np.asarray(self.wr, dtype=np.float64)
+        return wr <= self.p["oversold"], wr >= self.p["overbought"]
+
 
 # ── BIAS 乖离率 ───────────────────────────────────────────────────────────────
 
@@ -423,6 +485,12 @@ class BiasReversalStrategy(ParametrizedStrategy):
         elif bias_pct >= threshold and self.position["size"] > 0:
             self.sell()
 
+    def entry_exit_masks(self) -> tuple[Any, Any]:
+        """负乖离超跌进 / 正乖离超涨出（与 next() 同一比较，阈值放大 100 倍口径）。"""
+        bias_pct = np.asarray(self.bias, dtype=np.float64) * 100
+        threshold = self.p["threshold"]
+        return bias_pct <= -threshold, bias_pct >= threshold
+
 
 # ── DMI 趋向指标 ──────────────────────────────────────────────────────────────
 
@@ -452,6 +520,10 @@ class DmiStrategy(ParametrizedStrategy):
         elif self.dead[i] and self.position["size"] > 0:
             self.sell()
 
+    def entry_exit_masks(self) -> tuple[Any, Any]:
+        """与 next() 同源（gold/dead 即 next() 判定用的同一组掩码数组）。"""
+        return self.gold, self.dead
+
 
 # ── TRIX 三重平滑 ─────────────────────────────────────────────────────────────
 
@@ -479,6 +551,10 @@ class TrixStrategy(ParametrizedStrategy):
         elif self.dead[i] and self.position["size"] > 0:
             self.sell()
 
+    def entry_exit_masks(self) -> tuple[Any, Any]:
+        """与 next() 同源（gold/dead 即 next() 判定用的同一组掩码数组）。"""
+        return self.gold, self.dead
+
 
 # ── EMV 简易波动 ──────────────────────────────────────────────────────────────
 
@@ -505,6 +581,11 @@ class EmvStrategy(ParametrizedStrategy):
         elif self.emv[i] < 0 and self.position["size"] > 0:
             self.sell()
 
+    def entry_exit_masks(self) -> tuple[Any, Any]:
+        """EMV 上穿 0 轴进 / 下穿 0 轴出（与 next() 同一比较）。"""
+        emv = np.asarray(self.emv, dtype=np.float64)
+        return emv > 0, emv < 0
+
 
 # ── DPO 区间震荡 ──────────────────────────────────────────────────────────────
 
@@ -531,6 +612,10 @@ class DpoStrategy(ParametrizedStrategy):
         elif self.dead[i] and self.position["size"] > 0:
             self.sell()
 
+    def entry_exit_masks(self) -> tuple[Any, Any]:
+        """与 next() 同源（gold/dead 即 next() 判定用的同一组掩码数组）。"""
+        return self.gold, self.dead
+
 
 # ── ATR 通道突破 ──────────────────────────────────────────────────────────────
 
@@ -561,6 +646,13 @@ class AtrBreakoutStrategy(ParametrizedStrategy):
         elif close <= lower and self.position["size"] > 0:
             self.sell()
 
+    def entry_exit_masks(self) -> tuple[Any, Any]:
+        """突破 均线+K×ATR 进 / 跌破 均线-K×ATR 出（与 next() 同一比较）。"""
+        close = self.data.close.raw
+        upper = self.ma + self.p["k"] * self.atr
+        lower = self.ma - self.p["k"] * self.atr
+        return close >= upper, close <= lower
+
 
 # ── FSL 分水岭指标 ────────────────────────────────────────────────────────────
 
@@ -595,3 +687,7 @@ class FslStrategy(ParametrizedStrategy):
             self.buy()
         elif self.dead[i] and self.position["size"] > 0:
             self.sell()
+
+    def entry_exit_masks(self) -> tuple[Any, Any]:
+        """与 next() 同源（gold/dead 即 next() 判定用的同一组掩码数组）。"""
+        return self.gold, self.dead

src/easy_tdx/backtest/strategy.py

@@ -255,6 +255,35 @@ class Strategy(ABC):
         每根 bar 调用一次，用户通过 self.buy()/self.sell() 生成信号。
         """
 
+    # ── 向量化快速路径钩子（v1.28） ────────────────────────────────────────────
+
+    def entry_exit_masks(self) -> tuple[NDArray, NDArray] | None:
+        """返回 (entry_mask, exit_mask) 布尔数组以启用向量化信号生成。
+
+        默认返回 None（不支持向量化，引擎走逐 bar 路径）。策略满足以下
+        约束时可覆写本方法，让 :class:`~easy_tdx.backtest.engine.BacktestEngine`
+        用 numpy 一次性产出信号数组（网格寻优提速的关键路径）：
+
+        - ``init()`` 只注册指标（副作用仅写入 ``self`` 属性）；
+        - ``next()`` 只读 ``self.data`` / 指标数组的**当根值**（或整段掩码），
+          仅调用无参 ``buy()`` / ``sell()``（size=0 全仓、无限价、无止损止盈）；
+        - 持仓判断只依赖「空仓 / 持仓」两态（``self.position["size"]`` 的
+          零与非零），无动态仓位。
+
+        语义约定（掩码与 ``next()`` 必须等价，由对拍单测守护）：
+
+        - ``entry_mask[i]`` 在**空仓**时触发买入；``exit_mask[i]`` 在**持仓**
+          时触发卖出——等价于 ``if entry and 空仓: buy() elif exit and 持仓:
+          sell()``。金叉/死叉这类交替掩码天然满足；
+        - 同一根 bar 两个掩码**不应同时为 True**；
+        - 掩码只依赖当根及更早数据（无未来函数），NaN 参与的比较按 False
+          处理（与逐 bar 路径一致）。
+
+        Returns:
+            (entry_mask, exit_mask) 与 K 线等长的 bool 数组；None = 不支持。
+        """
+        return None
+
     # ── 指标注册 ───────────────────────────────────────────────────────────────
 
     def I(  # noqa: E743
@@ -450,6 +479,11 @@ def _datetime_to_int(arr: NDArray) -> NDArray:
     """将 datetime 数组转为 int (YYYYMMDD)。
 
     向量化实现，自动处理 datetime64、object（Timestamp）和数值类型。
+    datetime 走 ``year*10000 + month*100 + day`` 整数算术而非
+    ``strftime``——strftime 是逐元素格式化（Python 层循环），在
+    ``StrategyDataProxy`` 每次 ``_bind_data`` 都要转一遍的热路径上实测
+    慢一个数量级（v1.28 性能工作的一部分；输出与 strftime 零填充完全一致，
+    NaT → NaN 的行为也一致）。
 
     Args:
         arr: datetime 数组（np.datetime64、pd.Timestamp 或数值）
@@ -460,14 +494,19 @@ def _datetime_to_int(arr: NDArray) -> NDArray:
     if len(arr) == 0:
         return np.array([], dtype=np.float64)
     arr = np.asarray(arr)
+
+    def _ymd_to_int(series: pd.Series) -> NDArray:
+        out = (series.dt.year * 10000 + series.dt.month * 100 + series.dt.day).to_numpy(
+            dtype=np.float64
+        )
+        return np.asarray(out, dtype=np.float64)
+
     # datetime64 → 向量化转换
     if arr.dtype.kind == "M":
-        return np.asarray(pd.to_datetime(arr).strftime("%Y%m%d").astype(float), dtype=np.float64)
+        return _ymd_to_int(pd.to_datetime(pd.Series(arr)))
     # object 数组（可能包含 Timestamp）
     if arr.dtype == object:
         if len(arr) > 0 and isinstance(arr[0], pd.Timestamp | np.datetime64):
-            return np.asarray(
-                pd.to_datetime(arr).strftime("%Y%m%d").astype(float), dtype=np.float64
-            )
+            return _ymd_to_int(pd.to_datetime(pd.Series(arr)))
     # 已经是数值类型
     return arr.astype(np.float64)