状态滚动重估 · 最小补丁架构
cross-section-pipeline 引擎零改造思路（除 1 处小补丁）
997
输出列/股/日 = 983 因子 + 14 状态标量（全股同值伪列）
1 处
引擎补丁（append 投影降级）· 其余零引擎改动
~10 min
每日更新后全量重投影耗时（997 因子量级）
① peaks_metrics.rs（新）
compute_peaks_full：移植 sandbox v3 逻辑
983 因子 + 14 状态标量（当日副产品）
v1 读盘 / v2 传数据双版本
→
② colblk 写入（补丁 A）
8 shard × 997 列；append_batch 已投影时
自动降级未投影 → 追加 → 重新投影
唯一引擎改动点
→
③ regime_engine.py（新，Python 层）
读 14 状态标量列 → 状态标量表（14×N 天）
每日滚动重估 [t−W, t−1]：PCA + k=4 聚类 + 阈值
→ 每日 params（毫秒级，KB 级输入）
→
④ 组合层（新，Python 层）
params → 符号表 / 族乘数 / 黑名单 17 /
中性化门控 → 983 因子变换 → 回测
Rust 侧：5 处注册照规范
tail_pipeline_engine 已支持 names 子集（997 存 983 回测）
补丁 A：factor_store_v5.rs:691-694 约 10 行
断点续算 _completed_dates 机制现成
一次性批量计算（10 年）
rp.run_factor_pipeline_cross_section(
pipeline="peaks", tasks=rp.td.get_range(20150105, 20260717),
n_jobs=400, expected_result_length=997,
trading_days=list(rp.td.trading_days),
store_dir=f"/hdd/.../factor_store_peaks",
store_factor_names=rp.py_peaks_names(),
) # update_mode 默认 False：清空重建 → 自动投影
耗时：11.41 天/分钟 × 2798 天 ≈ 4.1 小时（8 进程 × 50 线程）＋ 首次投影（997 因子约 10 分钟级）。状态标量/因子全程无跨日依赖，任务间完全独立，天然并行。
每日更新最新一天（含滚动重估）
# Step 1：只算新日期（pending 由 _completed_dates 过滤）
rp.run_factor_pipeline_cross_section(
pipeline="peaks", tasks=[最新交易日], update_mode=True,
n_jobs=400, expected_result_length=997, ...)
# → 补丁 A 自动降级投影 → 追加 → 全量重投影（幂等）
# Step 2：滚动重估增量（窗口自动前移，毫秒级）
params = regime_engine.fit(state_table) # [t−W, t−1] PCA+聚类+阈值
# Step 3：组合层 → 最终因子 → 回测
成本：单日计算（1 进程全力）+ 全量重投影 ~10 分钟 + 滚动重估毫秒级。防前视：聚类只用 t−1 及以前标量表，params 在 t 日应用。