单只股票的数据清洗 + 特征计算（turnover_n + selector.prepare_df）。

通达信 SMA(X,N,M)，alpha = weight/period。

在已含 zxdq / zxdkx / wma_bull 的数据上，仅重新计算 brick 相关列。 就地写入（不 copy），超参搜索内层循环专用，速度快 3-5×。

仅叠加 zxdq / zxdkx / wma_bull 列（这些列不随砖型图超参变化， 可在 trial 间复用，只需计算一次）。

返回砖高 Series（index 同 df）。

读取指定日期的存档文件。

读取 candidates_latest.json，返回 CandidateRun。 供 dashboard 或外部脚本调用。

use_threads=True → ThreadPoolExecutor（超参搜索内层循环推荐） use_threads=False → ProcessPoolExecutor（独立运行默认） 若 df 含 _vec_pick 列，走向量化快速

仅做通用预处理（切片、turnover_n、set_index），跳过 selector.prepare_df()。 结果可在多个 trial 间共享；每个 trial 再单独调 apply_selector_features()。

在完整日线 DataFrame 上预计算所有指标列，返回带指标列的 df。 需在截断 bars 之前调用，保证指标预热期足够。 新增列： _zxdq — 知行短期线 _zxdkx — 知行多空线 _brick — 砖型图值

子类重写：预计算所有中间列及 ``_vec_pick``。

调用 Gemini API，对单支股票进行图表分析，返回解析后的 JSON 结果。

由外部(比如GUI)注入已创建好的 ts.pro_api() 会话

简单测试函数，验证 CLI 逻辑（不依赖外部数据）。

向量化：expanding 历史分位（无未来泄漏）。

向量化：O(N)，使用预计算 'brick' 列（优先）或实时计算。

从已 prepare_df 的 df 快速获取通过日期列表（比逐日调用快 10-50×）。