玉佩2（yupei_dist，"寻找玉佩-成交距离"）核心算子语义核实
核实人 kernel-spec，只读代码，未改动任何源文件。
代码根目录 /home/chenzongwei/rust_pyfunc，所有行号以 2026-10-08 工作区当前文件为准。
凡代码里没有明确定论的地方，本文写"未确认"。

================================================================
0. 一句话结论
================================================================

S_dir[i][j] 里，"行的成交发生在后、列的成交发生在前"（同桶各记一半）。
代码注释与命名口径反过来，把它叫"i 领先 j"（行领先列）。两处方向相反，
下游用因子时必须按"时间先后"读，不能按名字读。证据见第 1 节，含数值反证。

另有四件必须先讲清楚的事：
(1) 模块头注释仍是旧版（写 21 张矩阵/21 个 g 场），实际是 37 张
    （matrix_stage.rs:1-31、:800 与 matrix_stage.rs:66-334 不一致）。
(2) g_info() 是死代码，且里面的 tau 列表只有 5 个值，一旦被调用会 panic
    （matrix_stage.rs:574-623，全仓库只有定义处一次出现，无调用点）。
(3) 矩阵对角不是 0（注释 matrix_stage.rs:11、:800 写"对角 0"）。
    20241231 备份 cnt_t1 实测 3964 只股票的对角全非零，最大 1.079e8。
    原因是 S_dir[i][i] = 自成交在同一 10ms 桶内两两配对，本来就非零。
(4) 全部 28 个模块里没有任何"按笔取 max"的算子；yupei_dist 里所有逐笔聚合
    都是相加（求和），max 只出现在"伙伴级/股票级"（见第 5 节）。

================================================================
1. S_ij 的精确定义与有向语义
================================================================

1.1 数学式（代码实际实现的，不是文档写的）

  逐笔层（prep_stock，matrix_stage.rs:374-525）：
    每笔成交按 flag 与量算权重，落到 10ms 桶（BUCKET_US=10_000，
    matrix_stage.rs:39），同桶内同族权重直接相加成一个 u 场值
    （matrix_stage.rs:478-485）。

  桶层（compute_matrices，matrix_stage.rs:1384-1526）：
    d(τ) = exp(-BUCKET_US/(τ*1e6)) = exp(-0.01/τ)      matrix_stage.rs:559-562
    g_j[k] = Σ_{l<k} u_j[l] * d^{k-l} + 0.5 * u_j[k]    matrix_stage.rs:933/941/945/949/953/957
    S_dir[i][j] = Σ_k u_i[k] * g_j[k]                   matrix_stage.rs:1239-1249

  展开即：
    S_dir[i][j] = Σ_k u_i[k] * Σ_{l<k} u_j[l]*d^(k-l)
                  + 0.5 * Σ_k u_i[k]*u_j[k]

  对称矩阵（大部分模块用的口径，indicator_ctx.rs:166-187）：
    S_sym = S_dir + S_dir^T（i≠j；对角线被强制为 0）
    代入上式可得干净形式：
      S_sym[i][j] = Σ_{桶对(a,b)} u_i[a]*u_j[b]*d^|a-b|，同桶项 d^0=1
    即对称矩阵恰好等于"按桶量化的 e^{-|t_i-t_j|/τ}"，同桶靠 0.5+0.5=1 补齐。

1.2 衰减系数表（decay(τ) = exp(-0.01/τ)，桶间每步的乘子）

  τ=0.05s 0.81873075
  τ=0.10s 0.90483742
  τ=0.20s 0.95122942
  τ=0.50s 0.98019867
  τ=1.00s 0.99004983
  τ=3.00s 0.99667222
  τ=5.00s 0.99800200
  τ=10.0s 0.99900050
  τ=30.0s 0.99966672
  实现里不调 exp，每桶只做一次"加 u 再乘 d"的递推（phase1），acc 跨 4096 桶
  的块持久保留，保证 l<k 覆盖全天（matrix_stage.rs:895-960、:1485-1505）。

1.3 唯一近似：桶内一律取 1（对称口径）/ 0.5（有向口径）

  同一 10ms 桶内的任意两笔，无论真实时间差多少，对称矩阵里权重都是 1；
  真实核在桶内的平均值达不到 1。逐 τ 的精确桶内均值与高估幅度：

    τ=0.05s  精确均值 0.936538  高估 6.78%
    τ=0.10s  精确均值 0.967484  高估 3.36%
    τ=0.20s  精确均值 0.983540  高估 1.67%
    τ=0.50s  精确均值 0.993367  高估 0.67%
    τ=1.00s  精确均值 0.996675  高估 0.33%
    τ=3.00s  精确均值 0.998890  高估 0.11%
    τ=5.00s  精确均值 0.999334  高估 0.07%
    τ=10.0s  精确均值 0.999667  高估 0.03%
    τ=30.0s  精确均值 0.999889  高估 0.01%
  （均值由本人数值积分算出；相邻桶的平均值与 d 几乎相等，不是误差来源。）
  另外桶内值是"权重和之积"，不是逐笔两两求和；同桶内一笔与自身的配对也
  被算进去（这也是对角非零的原因）。

1.4 有向语义：钉死为"行在后、列在前"

  代码事实（两条互相独立）：
  a) phase1 为 tile 股票 b 建 g（matrix_stage.rs:1494-1499 传入 counts[b]/offs[b]），
     g 只含 b 自己 l<=k 的成交；phase2 用所有股票 a 的桶单元去乘这个 g
     （matrix_stage.rs:1219-1249），刷盘写 pack[a*PACK_W+ch] 到
     mats[m][a*n+b]（matrix_stage.rs:1515-1523），即 行=a、列=b。
     所以列 b 的成交桶 <= 行 a 的成交桶。
  b) 数值反证（本人 20241231 实测，备份目录
     /hdd/user_home_unsafe/chenzongwei/yupei_dist_backup/20241231）：
     取非对称最强的一对 002958 / 000709。
       cnt_t005: M[002958,000709] = 7235.23
                 按"行在后"公式算(row=002958,col=000709) = 7192.8  相对差 0.6%
                 按"行在前"公式算(row=000709,col=002958) = 80055   相对差 13%
       cnt_t1  : M[002958,000709] = 99968.2
                 按"行在后"公式算 = 99981.4                          相对差 0.01%
                 按"行在前"公式算 = 472908（这是 M[000709,002958]，差 4.7 倍）
     两个候选值相差 10 倍以上，M 只跟"行在后"的那一个对上。
  c) 独立于公式的第三个证据：两只股票的 10ms 桶互相关
     C(L)=Σ_k u_002958[k]*u_000709[k+L]。
       L>=1 且 000709 在后的对数 = 394946
       L>=1 且 002958 在后的对数 = 22678
     即 000709 系统性晚于 002958；而矩阵上大的那格正是 M[000709,002958]=92019
     （小格 M[002958,000709]=7235）。行=晚的那只，坐实。

  命名口径（与上面相反，全仓库一致，共 5 处）：
    matrix_stage.rs:7   "S_{A→B} = Σ_k u_A[k]·g_B[k]   (A 领先 B)"
    matrix_stage.rs:10  "S_dir[i][j] = i 领先 j 的交互能量"
    mod.rs:9            "S_dir[i][j]（i 领先 j 的衰减事件场能量）"
    leader_return.rs:62 let sji = d[j*n+i]; // j 领先 i
    leadership.rs:2-3   LeadBreadth = #{j: S_ij > S_ji}/(N-1)（记为 i 的领先广度）
    pagerank.rs:2       "S_dir[i][j] = i→j"（行是出边/源）
  也就是说：代码把"行"叫领先者、把"行"当有向边的源，但算出来的行成交时间更晚。
  凡是要判"谁先动"的下游结论，一律按 1.4 的时间口径，不要按名字。

  顺带（同一件事的第三个口径）：directionality.rs:27-30 的 OutStrength 就是行和
  （整行求和，含对角），InStrength 是列和（directionality.rs:31-47，也含对角）。

1.5 与 20241231 备份的对齐精度（本人自测，供别人复用）

  用 Python 复算 001391 与 300059（cnt 族，u=每笔 1）：
    cnt_t1 : 复算(row=001391,col=300059) / M = 0.9969
             复算(row=300059,col=001391) / M = 0.9962
             复算 001391 对角 / M = 0.9992
    cnt_t005: 同一对两向 1.00696 / 0.99483，对角 1.00290
  残差量与"桶内取 1"和 f32 累加量级一致（τ 越小残差越大），不是口径错误。
  注意备份数据是 2026-08-09 写的，N=3964（matrix_stage.rs 后来在 mod.rs:6-7
  记录 20241231 全市场为 5580 只），行序见 codes.txt。

================================================================
2. 37 张矩阵清单与 6 族权重
================================================================

2.1 规格表（matrix_stage.rs:66-332；MATRIX_LIST 顺序与之一致，
    已用脚本逐项比对为 True；MATRIX_LIST 见 indicator_ctx.rs:12-50）

  name              family  tau(s)  signed  same
  cnt_t005          cnt     0.05    false   true
  cnt_t01           cnt     0.1     false   true
  cnt_t02           cnt     0.2     false   true
  cnt_t05           cnt     0.5     false   true
  cnt_t1            cnt     1.0     false   true
  cnt_t3            cnt     3.0     false   true
  cnt_t5            cnt     5.0     false   true
  cnt_t10           cnt     10.0    false   true
  cnt_t30           cnt     30.0    false   true
  vol_t02           vol     0.2     false   true
  vol_t05           vol     0.5     false   true
  vol_t1            vol     1.0     false   true
  vol_t3            vol     3.0     false   true
  vol_t5            vol     5.0     false   true
  vol_t30           vol     30.0    false   true
  logvol_t05        logvol  0.5     false   true
  logvol_t1         logvol  1.0     false   true
  logvol_t3         logvol  3.0     false   true
  logvol_t30        logvol  30.0    false   true
  flow_same_t02     flow    0.2     true    true
  flow_opp_t02      flow    0.2     true    false
  flow_same_t05     flow    0.5     true    true
  flow_opp_t05      flow    0.5     true    false
  flow_same_t1      flow    1.0     true    true
  flow_opp_t1       flow    1.0     true    false
  flow_same_t5      flow    5.0     true    true
  flow_opp_t5       flow    5.0     true    false
  urg_same_t1       urg     1.0     true    true
  urg_opp_t1        urg     1.0     true    false
  urg_same_t5       urg     5.0     true    true
  urg_opp_t5        urg     5.0     true    false
  urg_same_t30      urg     30.0    true    true
  urg_opp_t30       urg     30.0    true    false
  ext_same_t1       ext     1.0     true    true
  ext_opp_t1        ext     1.0     true    false
  ext_same_t5       ext     5.0     true    true
  ext_opp_t5        ext     5.0     true    false
  合计 9+6+4+8+6+4 = 37，N_MATRICES = MATRIX_SPECS.len()（matrix_stage.rs:334）。
  cnt/vol/logvol 的 same 字段是占位（signed=false 时该字段不参与运算，
  matrix_stage.rs:582-593）。signed 族的净矩阵 same-opp 只由 9 个 τ 组成，
  见 indicator_ctx.rs:53-55（NET_LIST）与 :217-235（matrix_net）。

2.2 每笔权重（prep_stock，matrix_stage.rs:416-487）

  记号：v = max(volume,0)（:422），sv = sqrt(v)（:423），lv = ln(1+v)（:424），
  s = +1 当 flag==66，-1 当 flag==83，否则 0（:425-429）。
  桶内 9 个 u 场（:44-54 定义，:459-476 填值）：
    U_CNT    = 1（所有 flag，含 s=0）                     :460
    U_VOL    = sv（所有 flag）                            :461
    U_LOGVOL = lv（所有 flag）                            :462
    cnt   族权重 w = 1                                    （模块头注释 :16）
    vol   族权重 w = sqrt(v)                              （:17）
    logvol族权重 w = ln(1+v)                              （:18）
    flow  族 U_FLOW_P = sv（s>0），U_FLOW_M = sv（s<0），s=0 不进 flow 场  :464-472
          即 w = s*sqrt(v)，符号由落在哪个 lobe 承载（两个 lobe 都是非负量）
    urg   族 U_URG_P = s*u（s>0），U_URG_M = -(s*u)（s<0）  :463, :466, :472
          即 w = s*u，u 是订单号差异的每股 z 分（可为负，所以 urg 矩阵可为负）
    ext   族 U_EXT_P = sv（s>0 且 |u|>q95），U_EXT_M = sv（s<0 且 |u|>q95）:467-475
          即 w = 1(|u|>q95)*s*sqrt(v)，两个 lobe 都非负

2.3 urg 的 z 标准化在哪一层、按谁的标准

  在逐笔层、桶聚合之前，且按"该股票当天自己的逐笔分布"标准化：
    r_i = (bid_order - ask_order)/(|bid_order|+|ask_order|)   matrix_stage.rs:388-393
    mean/std 由该股票当天全部逐笔算（包括被时间窗过滤掉的笔）
                                                             matrix_stage.rs:394-400
    u_i = (r_i - mean)/std；std=0 时 u=0                     matrix_stage.rs:430-434
  即 z 是"每股每日"的口径，不是全市场、不是截面、不是分时段。

2.4 ext 的 q95 阈值在哪一层、按谁的标准

  同样在逐笔层、桶聚合之前，按"该股票当天自己的 |u| 分布"取 95 分位：
    absus 排序后取 q95u = absus[(0.95*n) as usize]           matrix_stage.rs:453-455
    逐笔判 |u| > q95u 决定是否进 ext 场                       matrix_stage.rs:467, :473
  absus 只含落在交易时段内的笔（pass 2 里越界的笔被 continue，:417-420）。
  模块头注释把 ext 写成"桶级近似"（matrix_stage.rs:20），但按代码，阈值判定
  发生在逐笔层；"桶级"只是整个算子的 10ms 桶分辨率，不是 ext 独有。

2.5 same/opp 的确切配对（phase2，matrix_stage.rs:1243-1249）

  same = A 的 P lobe × B 的 P lobe + A 的 M lobe × B 的 M lobe
  opp  = A 的 P lobe × B 的 M lobe + A 的 M lobe × B 的 P lobe
  对 flow/ext 就是"同侧/对侧"；对 urg 是"同侧 urgency 之积"（可为负）。
  signed 族与无符号族的 g 场打包与通道映射在
  matrix_stage.rs:1418-1440（BLOCKS 与 field_channel）。

2.6 全流程入口与规模

  compute_yupei_dist_partial：枚举当日全部有逐笔的股票 → codes.sort() → 每股
  read_trade_fast_inner(c,date,false,true,usize::MAX)（false=过滤撤单，
  true=盘中过滤+下午整体前移 90 分钟）→ prep_stock(MIN_TRADES=200 剔除)
  见 compute.rs:80-99、:28、:246-252；时段口径见 day_start_us_of。
  矩阵阶段 compute.rs:102；指标阶段 compute.rs:115-144（因子数 2761 与
  names.rs 对不上会直接报错）。
  因子列数与模块数：names.rs 注册 2761 个（names.rs:2），由 28 个模块产出
  （indicators/generated.rs:63-177）。每个模块的列数（本人统计，按名前缀）：
    assort 74, bh 27, btw 37, clique 37, clo 37, clu 37, comm 185, conc 222,
    dir 184, dyn 333, eig 37, hid 74, ind 111, iso 74, ldr 74, lead 138,
    mom 37, mot 111, ms 44, nbs 37, nbz 222（neighbor_z 185 + dispersion 37）,
    pr 37, rec 37, srp 37, star 37, strength 148, topk 333
  注意 neighbor_z 与 neighbor_dispersion 共用 nbz 前缀。

================================================================
3. 28 个模块逐列的"绝对量 / 比例"口径
================================================================

先给三条通用规则：
  A. 凡走 ctx.symmetric()（indicator_ctx.rs:166-187）的，用的是 S_dir+S_dir^T，
     对角被置 0，即不含自身桶内配对。
  B. 凡走 ctx.matrix()（原始 S_dir）的，含对角；directionality、pagerank、
     motifs、reciprocity、leadership、leader_return、edge_dynamics 的分支各不同。
  C. 凡是 Σ_j p_ij·X_j 形式（p=S/行和）的，权重是比例，但被平均的量 X 是原始
     量纲，所以结果与 X 同量纲，不是无量纲比例。

逐个点名（题目要求的六个在前）：
  strength.rs:21-61   strength_{mat}_sum     = 对称行和，绝对量
                      _mean = sum/(N-1)，_median/_q90 = 行内中位数/90 分位，
                      四个都是绝对量（未做行归一化）。
  topk.rs:40-102      topk_{mat}_top{1,3,5,10,20}_mean、_top3_sum/_top5_sum、
                      _maxpartner（=top1 值）、_bestpartnergap（top1-top2）
                      全部是对称矩阵里的原始值，绝对量。MaxPartner 只指
                      "最大值伙伴"，不是对逐笔取 max。
  concentration.rs:29-100 p_ij = S_ij/行和（:46），hhi=Σp²、entropy、norm_entropy
                      （除以 ln(N-1)，:28）、top3/5/10_share=TopK 占比
                      全部是按行归一化后的比例/无量纲量。
  directionality.rs:27-69 out_strength=行和(含对角)=绝对量；in_strength=列和
                      (含对角)=绝对量；net_lead=out-in=绝对量；
                      lead_ratio=(out-in)/(out+in+1e-9)=比值（:53-60）。
                      遍历 37 矩阵 + 9 个净矩阵（:19-21）。
  isolation.rs:27-40  iso_{mat}_inv_strength = 1/(对称行和+1e-9)，绝对量的倒数
                      （大=孤立）；iso_{mat}_neg_top5 = -Top5均值，绝对量取负。
  surplus.rs:23-62    srp_{mat}_surplus_z = (对称行和 - null_row)/sqrt(null_row)，
                      null_ij = c*w_i*w_j，c=2τ/14220（:29-30），w 按家族取
                      stats.sum_w_*（:31-48）。是"相对零模型的标准化盈余"，
                      既不是纯绝对量也不是行归一化比例。

其余 22 个：
  assortativity.rs:29-89  assort_{mat}_corr = 行内 corr(S_ij, Strength_j)，无量纲；
                      _nb_str_minus_mean = 邻居强度均值 - 全市场强度均值，绝对量。
  basket_hedge.rs:39-55   bh_{fam}_{tau}_basket = flow_same 对称行和（绝对量）；
                      _hedge = flow_opp 对称行和（绝对量）；
                      _hedge_ratio = hedge/(basket+hedge+1e-9)（比例）。
  betweenness.rs:50-105   btw_{mat}_betweenness = Brandes 依赖累加，未归一化（绝对量）。
  cliqueness.rs:28-49     clique_{mat}_score = 行和 × cc，cc=邻居对之间的平均
                      边权（links/maxl，:45），两者都是原始量纲 → 绝对量。
  closeness.rs:41-83      clo_{mat}_closeness = 1/(跳数总和+不可达惩罚)，绝对量
                      （不含行归一化）。
  clustering.rs:95-123    clu_{mat}_coef = 加权聚类系数，边权先除以全矩阵最大边权
                      max_w（:89-94、:107-109），结果在 [0,1]，是无量纲比例。
  community.rs:38-207     comm_{mat}_size = 社群股票数（计数）；
                      _within/_outside = 社群里/外的边权和（绝对量）；
                      _purity = within/total（比例）；_participation = 1-Σr²（比例）。
  edge_dynamics.rs:96-243 dyn_{mat}_edge_persistence = 行内 Pearson（无量纲）；
                      _retention = Top10 命中/10（比例）；_new_partner = 新伙伴的
                      S 之和（绝对量）；_edge_change/_pos/_neg = S 差的求和（绝对量）；
                      _network_shock_max = max|Δ/(x+y)|（比例）；_top_shock_mean =
                      Top5 冲击均值（比例）；_turnover = 1-Jaccard（比例）。
                      用对称矩阵（当日与 prev 各对称化一次，:52-88）。
  eigenvector.rs:30-83    eig_{mat}_centrality = 对称矩阵主特征向量，单位化。
  hidden_interaction.rs:73-108 hid_{mat}_degree_pos/_neg =
                      Σ_j max(ε_ij,0)/(N-1) 与 Σ_j max(-ε_ij,0)/(N-1)，
                      绝对量（log1p(S) 的残差量纲），且是按对取 max 的拆分。
  industry.rs:41-91       ind_{mat}_within = 同行业邻居 S 之和（绝对量）；
                      _cross_ratio = (总-同行业)/总（比例）；_mismatch 与
                      _cross_ratio 同列（代码 :83-84 用了同一个值，属实现细节）。
  leader_return.rs:50-89  ldr_{mat}_return = Σ_j (S_ji/列和_i)*r_j（比例权重加权
                      平均收益，量纲=收益）；_shock 同式但乘横截面 z 分。
  leadership.rs:29-65     lead_{mat}_breadth = 计数/(N-1)（比例）；
                      _strength = Σ_j max(S_ij-S_ji,0)（绝对量）；
                      _concentration = Σnet²/(Σnet)²（HHI，比例），跳过 i=j（:37-39）。
  motifs.rs:27-71         mot_{mat}_feed_forward/_cycle/_reciprocal = 三节点 motif
                      计数（整数），走原始有向矩阵（:22）。
  multiscale.rs:33-107    ms_*_fast_strength/_slow_strength = 两个 τ 的对称行和
                      （绝对量）；_fast_slow_ratio = fast/(slow+1e-9)（比值）；
                      _scale_consistency = 两个 Top10 集合的 Jaccard（比例）。
  neighbor_dispersion.rs:30-58 nbz_{mat}_return_dispersion = sqrt(Σ p*(r_j-mean)²)，
                      比例权重加权的收益标准差（量纲=收益）。
  neighbor_z.rs:36-75     nbz_{mat}_{return,turnover,volatility,imbalance,size}
                      = Σ p*Z_j，比例权重，Z 取 stats 的原始值
                      （ret/total_vol/vol30/imb/amount，:20-24）。
  neighbor_strength.rs:27-48 nbs_{mat}_neighbor_strength = Σ p*Strength_j，
                      结果与 Strength 同量纲（绝对量）。
  network_momentum.rs:29-50 mom_{mat}_network_momentum = Σ p*r_j（同 leader 的加权
                      平均收益，但用对称矩阵行归一）。
  pagerank.rs:30-66       pr_{mat}_pagerank = 出度归一化的有向 PageRank
                      （d=0.85，100 次或 L1<1e-9），是分布，∑≈1。
  reciprocity.rs:23-45    rec_{mat}_reciprocity = Σ_j min(S_ij,S_ji)/Σ_j max(...)，
                      比例（[0,1]），跳过 i=j（:30-31）。
  starness.rs:31-65       star_{mat}_score = 行和 × (1 - cc/max_cc)，cc 为邻居对
                      平均边权（绝对量纲），max_cc 为全市场最大（:57），结果绝对量。

================================================================
4. 有没有已经在做"两只股票当一个整体 / 超边 / 组合"的模块
================================================================

结论：没有任何模块把"两只股票当成一个整体"做新的聚合；最接近的是
hidden_interaction（把"股票对"当作回归样本单元）和 community（把一组股票
当集合），以及 motifs（三节点有向模式）。逐个回答：

  hidden_interaction.rs（最接近"对"这一层）
    · 回归样本单元是"无序股票对"：只遍历 i<j（:42），y=log1p(S_sym[i][j])（:47）。
    · 解释变量本身是"对"的属性：同行业 0/1、|Δlog amount|、|Δ total_vol|、
      |Δ ret|（:113-140）。也就是说，代码里已经有一处把 (i,j) 当作一个整体、
      用对级特征去解释这条边。
    · 残差按正负拆开：pos=Σ max(ε,0)、neg=Σ max(-ε,0)（:94-98），再除以 N-1。
      这里的 max 是"伙伴/对级"的，不是逐笔的。
    · 但它没有做"把两只股票并成一个组合再算距离"，只是对边做横截面回归。

  basket_hedge.rs
    · basket = flow_same 的对称行和，hedge = flow_opp 的对称行和，
      hedge_ratio = hedge/(basket+hedge)（:39-51）。
    · 口径是"每股与同向伙伴/反向伙伴的总强度"，逐伙伴相加，没有集合运算，
      没有 OR/max，也没有把两只股票合并。

  community.rs
    · Louvain（对称 cnt 族，每行 top-50 无向化，:40-81），得到的是"股票集合"
      （社群），再按每股算 size/within/outside/purity/participation（:153-206）。
    · within 就是"集合内部边权求和"（:162-171），participation 是"按社群分组的
      连接占比"的 1-Σr²（:172-186）。有集合概念，但聚合方式是普通求和，
      不含 OR/max/min，也不支持"任意两只股票临时组成一个成员"。

  cliqueness.rs / starness.rs
    · 都用"该股 top-50 邻居"这个集合，cc = 集合内无序邻居对之间的平均边权
      （cliqueness.rs:39-45、starness.rs:42-49）。是集合上的平均，不是 OR/max。
    · cliqueness = 强度×cc；starness = 强度×(1-cc/max_cc)（starness.rs:57-62）。

  multiscale.rs
    · fast/slow 两套 τ 的行和、比值，加 scale_consistency = 两个 Top10 集合的
      Jaccard（:77-95）。这是全代码里唯一显式的集合交并运算，但比较的是
      "同一只股票在两个时间尺度下的伙伴集合"，不是两只股票的合并。

  surplus.rs
    · 秩 1 零模型：null_ij = c*w_i*w_j，c=2τ/T；因子=(行和S - 行和null)/sqrt(行和null)
      （:29-58）。逐伙伴求和，没有集合运算。

  motifs.rs（题目没点名，但它是全仓库最接近"超边"的东西）
    · 有向三角计数：feed_forward = #{i→j→l, i→l}、cycle = #{i→j→l→i}、
      reciprocal = #{i→j 且 j→i}（:44-62），走原始有向矩阵、每行 top-20 出边。
    · 它把"三只股票"当成一个模式单元来计数，是模式计数而不是超边权重求和。

  其余（assortativity/betweenness/closeness/clustering/eigenvector/pagerank/
  reciprocity/leadership/directionality/edge_dynamics/neighbor_*/industry/
  leader_return/network_momentum/strength/topk/concentration/isolation）
  都是"每股一个数"的节点级指标，不含把两只股票并成一体的操作。

================================================================
5. 有没有"按笔取 max（而非求和）"的算子
================================================================

5.1 src/yupei_dist 内：没有。

  对 yupei_dist 全部 .rs 做 grep "max"（剔除 names.rs 的因子名清单、剔除行内含
  注释符的行）命中 46 行，逐条归类后没有一处是对逐笔（或对桶内成交）取 max 的：
    · matrix_stage.rs:422,447 是数值下限保护 .max(0.0)
    · 逐笔聚合唯一路径是相加：matrix_stage.rs:478-485（同桶 u 场相加）、
      :899-907 与 :903-905（桶内加权求和）、:1072-1080（标量版同）
    · 伙伴级/股票级 max：
      reciprocity.rs:35-36      Σ_j max(S_ij, S_ji) 与 min 配对（伙伴级）
      edge_dynamics.rs:143-144  max_shock（伙伴级最大冲击）
      starness.rs:57            max_cc（全市场股票级最大聚类系数）
      clustering.rs:89-94      max_w（全矩阵最大边权，归一化用）
      cliqueness.rs:38-42, starness.rs:41-47 的 maxl 是"邻居对总数"，不是 max 算子
    · 因子名叫 MaxPartner（topk.rs:88）只是"最大的那个伙伴"，值仍是原始 S。
  也就是说：yupei_dist 里不存在"把求和换成 max"的同类算子，也不存在
  任何"两只股票取 max 合并"的算子。

5.2 src 其他模块：有对一串数值取 max 的算子，但没有"配对距离"类的。

  全仓库也没有第二个实现 e^{-|t_i-t_j|/τ} 型成交距离的地方
  （grep "exp(-...tau" 在 src/ 下除 yupei_dist 外只有
  distill_metrics.rs:269 的一条注释描述指数衰减拟合，不是配对核）。
  与"取 max"沾边的现成实现（都在逐笔/事件序列上取极值，但不做配对交互）：
    src/distill_tick_metrics.rs:372-390   dist_peak_pos：在一串量上扫最大值的桶位
    src/order_pair_metrics_pipeline.rs:780-784  max_price：某订单后 10s 窗口内
                                          逐笔价格取 max/min 求振幅
    src/sequence/mod.rs:86               find_max_range_product：对索引对取
                                          min(v_i,v_j)*(j-i) 的最大值
    src/features.rs:627                  max_range_product_strict：同上逻辑的严格版
    src/distill_metrics.rs:1701          sliding_window_max_count：滑窗内最大事件数
    src/trade_peak_analysis.rs:57,207    trade_peak_analysis / is_local_peak：
                                          逐笔量的局部峰识别
    src/microstructure_pattern_features_v2.rs:678  construct_curvature_peak：曲率峰
    src/okay_database/hm039.rs:26-33     逐时段取 trade_max/trade_min 价格（档位
                                          配对用的极值，不是按笔聚合）
  结论：这些都不是"成交距离"的 max 版；要把 yupei_dist 的求和换成 max 覆盖，
  需要新写算子，代码里没有现成可复用的。

================================================================
6. 文档/注释与实现不一致的地方（引用时小心）
================================================================

  (a) matrix_stage.rs:1-31 的模块头：写"21 个 g 场 / 共 21 张 N×N 矩阵"（:8, :24），
      实际 g_fields 返回 37 个场（:631-790）、MATRIX_SPECS 37 张（:66-332）。
      同处 τ 清单也过期：flow 写 {1,5}（实际 {0.2,0.5,1,5}）、vol 写 {0.2,1,5,30}
      （实际 {0.2,0.5,1,3,5,30}）、logvol 写 {1,30}（实际 {0.5,1,3,30}）、
      urg 写 {1,30}（实际 {1,5,30}）、ext 写 {1}（实际 {1,5}）。
  (b) matrix_stage.rs:800 "返回 21 张"；同一文件 :1379 与 :1381 还留着重复的
      "pack 宽度 / gp 槽步长"注释（真正定义在 :803-805）。
  (c) matrix_stage.rs:574-623 g_info()：死代码，且 tau_list 只有
      {0.05,0.2,1,5,30}，对 cnt_t01/cnt_t05/cnt_t3/cnt_t10 会在
      position().unwrap() 处 panic。它对应的"21 场布局"注释（:564-566）同样过期。
      实际布局见 :1418-1440 与 g_fields()（cnt 9τ、vol 6τ、logvol 4τ、
      flow ±×4τ、urg ±×3τ、ext ±×2τ，槽位 GP_STRIDE=56）。
  (d) matrix_stage.rs:11 与 :800 写"对角 0"；实测非零（见第 0 节）。受影响的
      因子是直接用原始有向矩阵的那些（directionality 的 out/in 含对角；
      pagerank 的出度含对角；motifs 的 top-20 出边可能含自身）。用对称矩阵的
      模块因 symmetric() 强制对角为 0（indicator_ctx.rs:174-181）而不受影响；
      leadership.rs:37-39、reciprocity.rs:30-31、leader_return.rs:59-61 显式跳过对角。
  (e) surplus 的零模型权重 sum_w_flow 在 prep_stock 里对所有笔累加
      （matrix_stage.rs:440 在 flag 判断之外），而 flow 矩阵只统计 flag 66/83 的笔
      （:464-472）。也就是说 flow 族的 null 权重和比矩阵实际使用的权重和偏大，
      surplus 的 srp_flow_* 存在这个口径差（vol/logvol/cnt/urg/ext 无此问题，
      见 :437-441、:477）。
  (f) mod.rs:6-7 记录 20241231 全市场 5580 只，但 /hdd/.../yupei_dist_backup/
      20241231/codes.txt 只有 3964 只；该备份是 2026-08-09 写的旧 top-4000 时代产物。
      拿这份备份对齐时，行序与股票数都要按 codes.txt 走。

================================================================
7. 本人做过但要与"代码事实"分开的检查
================================================================

  第 1.3/1.4/1.5 节里的数字来自本人自己写的 Python 复算（读 rp.read_trade +
  rp.adjust_afternoon，桶由 exchtime 相对当日 09:30 的微秒差除以 10000 得到；
  时间基准与 compute.rs:246-252 的 day_start_us 一致）。这些是"复算与备份吻合"
  的数值证据，不是代码里写着的结论。复算脚本本身没有落盘（本任务只交付本文件）。
  可加性、max 覆盖互补等实测由 task-2 负责，不在本文范围。

================================================================
8. 未确认项
================================================================

  · 未确认：矩阵备份（/hdd/.../yupei_dist_backup/20241231）当时的构建二进制
    与当前源码是否逐字节一致。残差 0.1%~1% 与"桶内取 1"和 f32 累加量级相符，
    但我没有比对当时的 .so。
  · 未确认：phase1 里 f32 递推在超长空桶段是否有下溢丢精度（τ=30s 时空桶段很长）。
    本文只给出与备份的实测比值，没有单独测下溢。
  · 未确认：把"行领先列"的命名口径写进注释是有意约定还是笔误。全仓库命名一致
    （5 处），但没有任何注释解释为什么要让"领先者"等于成交更晚的一方。
  · 未确认：ext 注释里的"桶级近似"具体指什么；按代码，阈值判定在逐笔层，
    桶级只影响衰减分辨率。
