返回 (zxdq, zxdkx)。zxdq=double-EWM；zxdkx=四均线平均。

将配置中的相对路径解析为项目根目录下的绝对路径。

运行子进程，失败时终止整个流程。

周线均线多头排列标志（MA_short > MA_mid > MA_long）， forward-fill 到日线 index，返回 bool Series。 周线收盘价 index 为真实交易日，reindex 后 ffill 可正确对齐。

将配置中的路径统一解析为绝对路径：相对路径基于项目根目录。

预计算知行线、KDJ、周线多头排列、向量化 pick mask。

统一设置所有子图的坐标轴样式。

对列表中所有实现了 vec_mask 的 Filter 取交集，返回布尔数组。

原子写入：先写 .tmp，再 os.replace。

知行短期线 (zxdq) = double-EWM(span) 知行多空线 (zxdkx) = 四均线均值 MA(m1,m2,m3,m4) 应在完整历史数据上调用，确保预热期足够。

就地写入 brick / brick_growth。

返回砖高 ndarray（直接调用 Numba JIT，避免 Series 包装开销）。

返回带 K/D/J 列的 DataFrame（Numba 加速 KDJ 递推）。

日线 → 周线收盘价（每周最后一个实际交易日）。 不依赖固定 resample 锚点（周日/周五），而是直接按 ISO 周编号分组取最后一行，index 保持为真实交易日日期。

加载 rules_preselect.yaml，返回原始 dict.

日线图：K线 + 知行短期线 + 知行长期线 + 量能 知行线在完整数据上预热后截断，保证均线正确性。

可选：追加文件日志到 data/logs/pipeline_YYYY-MM-DD.log。

日线 DataFrame → 周线 OHLCV DataFrame。 使用 'W-FRI'（以周五为周末）对齐，确保每周最后一个实际交易日落在正确的周桶内。 dropna 保证只保留有完整 OHLCV 的周。

计算砖型图的 raw 值（通达信 VAR6A = VAR5A - VAR2A，clip 于 t）。 注意：此函数返回 raw（即通达信"砖型图"本身），而非差分后的 brick。 raw[i] = max(VAR5A[i] - VAR2A[i] - t, 0)

计算 KDJ 指标（通达信标准公式）。 RSV = (close - LLV(low,n)) / (HHV(high,n) - LLV(low,n)) * 100 K = EMA(RSV, alpha=1/m1) （等价 SMA(RSV,m1,1)） D = EM

根据实际交易日期动态计算 rangebreaks，彻底去除所有空缺（含节假日）。 原理： 1. 排除周末（bounds=["sat","mon"]） 2. 找出 [min_date, max_date] 范围内所有工作日（周一~周五）中，

根据完整日线交易日期计算周线 rangebreaks，去除因长节假日产生的空周。 必须传入完整日线日期（而非截断后的周线日期），才能正确覆盖截断窗口 边界之外的空周（如春节整周落在窗口起点之前一周）。 原理：枚举 [min, max] 范围内所有理论周五，找出整

根据启用策略的参数计算最长所需 warmup bars.

将 Plotly Figure 导出为 JPEG。

green_run[i] = 截至 i-1 连续绿柱根数（brick < 0）。

从 candidates JSON 文件中读取股票代码列表及 pick_date。 Returns: (codes, pick_date) pick_date 为空字符串时表示 JSON 中无该字段。

加载单只股票日线 CSV。

滚动 n 日窗口内，成交量最大那天不为阴线（close >= open）。

就地写入 zxdq / zxdkx / wma_bull。

读取最新 suggestion.json，打印推荐购买的股票。

确定选股基准日期：None → 最晚可用交易日，否则向前搜索最近日期.

保证均线参数从小到大排列.

把6位code映射到标准 ts_code 后缀。

返回 (zxdq, zxdkx, close) 最新值。

在 prepare_base_only() 结果上叠加 selector.prepare_df()。 使用线程池：pandas/numpy 计算会释放 GIL，避免 Windows spawn 开销。

每日砖型图增长倍数数组（用于 top-k 排序）。

返回指定日期的砖型图增长倍数（top-k 排序用）。 优先读预计算列 'brick_growth'。

通达信砖型图公式 → 砖高 Series（red>0，green<0）。

将图片文件转为 Gemini Part 对象。

读取 data_dir 下所有 *.csv，统一处理列名/日期/排序.

周线图：K线 + 四条 MA 均线 + 量能（纯净版，仅用于看盘与导出）。 df 为完整日线 DataFrame，内部聚合为周线后截取 bars 根展示。 rangebreaks 基于完整日线日期计算，确保节假日空周被正确排除。

完整预处理：turnover_n + selector.prepare_df()，多进程并行。

完整预计算：brick + zxdq/zxdkx + wma_bull + brick_growth + _vec_pick。 返回 df 副本。

轻量版 prepare_df：假设 zxdq / zxdkx / wma_bull 列已存在， 仅重新计算 brick / brick_growth / _vec_pick。 **就地修改 df**（不 copy），超参搜索内层循环专用，速度快 3-

返回候选输出目录，优先级：CLI参数 > 配置文件 global.output_dir > 默认值。

子类需实现此方法，调用具体的 LLM 进行打分，并返回 JSON 解析字典。

在流动性池内运行 B1 策略，返回 Candidate 列表. 优化：对每只股票先调用 prepare_df() 预计算所有指标列， 再用 vec_picks_from_prepared() 直接查表，避免重复计算。

在流动性池内运行砖型图策略，返回按 brick_growth 降序的 Candidate 列表. 优化：对每只股票先调用 prepare_df() 预计算 brick/zxdq/wma_bull 等列， 再用 vec_picks_from_prepared() 直接查表，brick

量化初选主函数，返回 (pick_date_ts, List[Candidate])。 不写任何文件，由 cli.py 负责落盘。 参数 ---- config_path : rules_preselect.yaml 路径（None = 默认） d

将 CandidateRun 序列化为 JSON，写入磁盘。 参数 ---- run : CandidateRun 对象 candidates_dir : 输出目录，默认 data/candidates/ write_da

初始化日志：同时输出到 stdout 和指定文件。