功能：每日动态股票池回测（--mode daily）+ 每日增量同步 + PIT 批量取数层

说明：本提交是工作区中此前的未提交工作（在 14ec0c6 之后产生），**非本次会话所写**，
按用户要求整理并推送。已做安全检查（无明文凭据、无大文件、.env/logs/output 仍被忽略），
并完成可执行范围内的测试验证（见「测试」一节）。

## 新增能力

1) `hdiv backtest --mode daily --start <日期>`
   - src/hdiv/backtest/daily.py：两趟式（先逐日选股，再复用既有引擎模拟）
   - 每个交易日按当日可见数据重建股票池（PIT），每个交易日判断买卖点
   - `pool_exit_action`：hold（只减不加、不因掉出池子而清仓）/ sell（掉出即清仓）
   - `profile_on_trade`：买卖决策发生时计算并留痕个股画像，**不区分是否在当日池内**
     （卖出/减仓同样留痕，否则「为什么卖」缺证据）
   - 与 walkforward 的分工：daily 是一条连续路径的推演，不是过拟合检验；
     因此不使用训练段、不冻结分布，阈值口径一律 rolling
   - 拒绝 `--universe-run`（daily 的定义就是逐日重筛，冻结池与之矛盾）

2) PIT 批量取数层 src/hdiv/universe/pit.py
   - PitRepo 继承 Repo，**只重写取数**（按区块批量预载 + 逐日内存切片），
     派生逻辑（最新一期财报合并、单位归一化、支付率口径等）一行不重写
     —— 以保证与逐日单点查询**结果等价**
   - 候选集预剪枝：用「不可能通过」的边界条件提前排除，文档论证为精确等价而非近似
   - src/hdiv/universe/daily.py：每日动态筛选器（仍然调用既有 selector 与四个 Filter）

3) 每日增量同步 `hdiv sync daily`
   - src/hdiv/data/sync/daily.py：只抓「库里还没有的那几天」，
     按「当日股票数 ≥ 当年规模阈值」判定缺口，不重拉历史、不覆盖既有行；
     支持 `--dry-run` 先看待抓清单
   - deploy/daily-sync.sh、deploy/install-sync-schedule.sh、
     deploy/com.hddiv.sync.plist.example（launchd 每天 17:00）
   - 新表 hd_daily_universe（逐日入选成员留痕）+ sql/hd_daily_universe.sql + schema.py
     （该表已存在于库中，`ddl plan` 返回 0 个待执行动作）

4) Web 与文档
   - 前端支持 daily 模式记录下钻（web/app.js、web/app.css、web/index.html、
     web/favicon.svg）
   - README / docs/user-guide.md / docs/implementation-status.md 同步更新：
     三种回测模式的取舍、daily 的成本说明（6.7 年约 1.5 小时）与调优手段

## 测试

tests/ 共 500 项（新增 tests/test_daily.py 43 项、tests/test_sync_daily.py 36 项）。

已验证通过：
- 排除上述两个新文件的 **421 项：全部通过（pytest 退出码 0）**
- 两个新文件的**非 DB 单元测试 60 项：全部通过**

未能在合理时间内跑完：
- 两个新文件中 **19 项 DB 标记的重型测试**。实测瓶颈是一条**无界全表扫描**：
  `SELECT ... FROM hd_cashflow WHERE ann_date <= :asof ORDER BY symbol, end_date, ann_date`
  （31 万行，无 symbol/报告期下限）。全量套件跑到 161 项时已耗时 20 分钟、
  0 失败，按该速率预计需 3 小时以上，因此改为分档验证。
- 旁证：库中存在 3 次成功的 daily 端到端运行（2026-10-05 10:05 / 10:32 / 11:03，
  区间 2024-03-01~03-15），说明该路径可正常完成。

## 已知待改进

- 上述 `hd_cashflow`（及同类「按 ann_date 上界取全历史」）的查询缺
  symbol / 报告期下限，是 daily 模式的主要性能瓶颈，建议下一轮优化。

tools/diag_dividend_artifact.py

@@ -0,0 +1,223 @@
+"""股息率（TTM 每股分红）毛刺诊断脚本。
+
+**用途**：定位「数据毛刺导致回测异常成交」这一类问题。
+它不改动任何数据，只读库、只打印。
+
+用法::
+
+    export PYTHONPATH=src
+    .venv/bin/python tools/diag_dividend_artifact.py --symbol 600690.SH \
+        --start 2026-07-01 --end 2026-08-05
+
+诊断三件事：
+
+1. **同一除权日的重复分红记录**：``hd_dividend`` 写入侧刻意保留
+   预案/股东大会通过/实施 全量记录（决策 D6），但查询侧把它们当成
+   **多笔独立分红**，于是 ``cash_div_tax`` 被重复累加。
+2. **TTM 每股分红的时间线**：逐交易日打印去重前 / 去重后的取值，
+   毛刺会表现为「无任何真实现金事件的一天突然跳变」。
+3. **异常成交反查**：给定回测 run_id，列出每一笔卖出当日 TTM 值的
+   去重前/去重后差异，标出「去重后不再触发卖出」的笔数。
+"""
+
+from __future__ import annotations
+
+import argparse
+import sys
+from datetime import date, timedelta
+from pathlib import Path
+
+import pandas as pd
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1] / "src"))
+
+from hdiv.data import db  # noqa: E402
+from hdiv.factor.dividend_yield import (  # noqa: E402
+    build_dps_events,
+    ttm_dps_series,
+    ttm_params,
+)
+
+
+def _dedup(events: pd.DataFrame) -> pd.DataFrame:
+    """同一除权日只保留一笔（取金额最大者）。
+
+    这是「写入口径全量保留、查询口径按经济事件聚合」的最小实现。
+    """
+    if events.empty:
+        return events
+    return (
+        events.sort_values("cash_div_tax")
+        .drop_duplicates("ex_date", keep="last")
+        .reset_index(drop=True)
+    )
+
+
+def diagnose_symbol(symbol: str, start: date, end: date) -> None:
+    div = db.read_sql(
+        "SELECT symbol, end_date, ann_date, imp_ann_date, div_proc, "
+        "       cash_div_tax, ex_date "
+        "FROM hd_dividend WHERE symbol = :s AND cash_div_tax > 0 "
+        "  AND ex_date IS NOT NULL AND div_proc = '实施' "
+        "ORDER BY ex_date",
+        {"s": symbol},
+    )
+    events = build_dps_events(div).get(symbol)
+    if events is None or events.empty:
+        print(f"{symbol}: 无已实施现金分红记录")
+        return
+
+    dups = events.groupby("ex_date").size()
+    dups = dups[dups > 1]
+    print(f"=== {symbol} 分红记录 ===")
+    print(f"已实施现金分红行数：{len(events)}，唯一除权日：{events['ex_date'].nunique()}")
+    print(f"**同一除权日重复 {len(dups)} 组**（这些金额被重复累加）：")
+    for ex, n in dups.items():
+        rows = events[events["ex_date"] == ex]
+        print(
+            f"  {ex.date()}  x{n}  金额={rows['cash_div_tax'].tolist()}  "
+            f"实施日={[str(pd.Timestamp(x).date()) for x in rows['imp_ann_date']]}"
+        )
+
+    px = db.read_sql(
+        "SELECT trade_date, close FROM stock_daily "
+        "WHERE symbol = :s AND trade_date BETWEEN :a AND :b ORDER BY trade_date",
+        {"s": symbol, "a": start, "b": end},
+    )
+    if px.empty:
+        print("区间内无行情")
+        return
+    px["trade_date"] = pd.to_datetime(px["trade_date"])
+    idx = pd.DatetimeIndex(px["trade_date"])
+    w, g, sm = ttm_params()
+    raw = ttm_dps_series(idx, events, ttm_days=w, grace_days=g, smooth_spikes=sm)
+    ded = ttm_dps_series(idx, _dedup(events), ttm_days=w, grace_days=g, smooth_spikes=sm)
+    out = pd.DataFrame(
+        {
+            "trade_date": px["trade_date"].dt.date,
+            "close": px["close"],
+            "ttm_dps(去重前)": raw,
+            "ttm_dps(去重后)": ded,
+        }
+    )
+    out["股息率%(去重前)"] = (out["ttm_dps(去重前)"] / out["close"] * 100).round(3)
+    out["股息率%(去重后)"] = (out["ttm_dps(去重后)"] / out["close"] * 100).round(3)
+    print("\n=== 逐交易日 TTM 每股分红 ===")
+    print(out.to_string(index=False))
+
+    jump = out[pd.Series(raw, index=range(len(out))).diff().abs() > 1e-9]
+    print("\n出现跳变的交易日（应与真实分红除权日一一对应）：")
+    print(jump[["trade_date", "ttm_dps(去重前)", "ttm_dps(去重后)"]].to_string(index=False))
+
+
+def diagnose_run(run_id: str) -> None:
+    """反查某次回测的每一笔卖出：去重后是否仍会触发。"""
+    from hdiv.data.repo import Repo
+
+    repo = Repo()
+    trades = db.read_sql(
+        "SELECT symbol, signal_date, execution_date, reason_json "
+        "FROM hd_backtest_trade WHERE run_id = :r AND side = 'SELL' "
+        "ORDER BY execution_date",
+        {"r": run_id},
+    )
+    if trades.empty:
+        print("该 run 无卖出成交")
+        return
+    w, g, sm = ttm_params()
+    years = 5
+    rows = []
+    for _, t in trades.iterrows():
+        sym = t["symbol"]
+        d0 = pd.Timestamp(t["signal_date"]).date()
+        div = repo.dividend_records(d0, years_back=years + 3)
+        div = div[div["symbol"] == sym]
+        ev = build_dps_events(div).get(sym)
+        if ev is None or ev.empty:
+            continue
+        px = repo.price_history([sym], date(d0.year - years - 1, 1, 1), d0, adjust="none")
+        px = px.sort_values("trade_date")
+        px["trade_date"] = pd.to_datetime(px["trade_date"])
+        s = px.set_index("trade_date")["close"]
+        i = pd.DatetimeIndex(s.index)
+        ref = (d0 - timedelta(days=int(365.25 * years)), d0)
+
+        def decision(events: pd.DataFrame) -> tuple[float, float, float]:
+            dps = pd.Series(
+                ttm_dps_series(i, events, ttm_days=w, grace_days=g, smooth_spikes=sm),
+                index=i,
+            )
+            y = (dps / s).loc[: pd.Timestamp(d0)]
+            cur = float(y.iloc[-1])
+            rs = y.loc[pd.Timestamp(ref[0]) : pd.Timestamp(ref[1])]
+            pct = float((rs <= cur).sum() / rs.size * 100) if rs.size else float("nan")
+            return cur, pct, float(rs.quantile(0.25)) if rs.size else float("nan")
+
+        for label, evx in (("去重前", ev), ("去重后", _dedup(ev))):
+            cur, pct, p25 = decision(evx)
+            rows.append(
+                {
+                    "symbol": sym,
+                    "signal_date": d0,
+                    "口径": label,
+                    "股息率%": round(cur * 100, 3),
+                    "分位%": round(pct, 2),
+                    "P25%": round(p25 * 100, 3),
+                    "触发卖出(P25)": pct <= 25.0,
+                }
+            )
+    if not rows:
+        return
+    df = pd.DataFrame(rows)
+    print(f"\n=== run {run_id} 卖出决策：去重前 vs 去重后 ===")
+    print(df.pivot_table(
+        index=["symbol", "signal_date"], columns="口径",
+        values=["分位%", "触发卖出(P25)"], aggfunc="first",
+    ).to_string())
+    before = df[df["口径"] == "去重前"].set_index(["symbol", "signal_date"])["触发卖出(P25)"]
+    after = df[df["口径"] == "去重后"].set_index(["symbol", "signal_date"])["触发卖出(P25)"]
+    flipped = before[before & ~after.reindex(before.index).fillna(False)]
+    print(f"\n去重后**不再触发**卖出的成交：{len(flipped)} / {len(before)} 笔")
+    for k in flipped.index:
+        print(f"  {k[0]}  信号日 {k[1]}")
+
+
+def main() -> int:
+    ap = argparse.ArgumentParser(description="股息率毛刺诊断")
+    ap.add_argument("--symbol", help="股票代码，如 600690.SH")
+    ap.add_argument("--start", help="起始日 YYYY-MM-DD")
+    ap.add_argument("--end", help="结束日 YYYY-MM-DD")
+    ap.add_argument("--run-id", help="反查某次回测的所有卖出成交")
+    ap.add_argument("--duplicate-survey", action="store_true",
+                    help="全库统计：同一除权日重复记录的股票数")
+    args = ap.parse_args()
+
+    db.load_dotenv_once()
+
+    if args.duplicate_survey:
+        df = db.read_sql(
+            "SELECT symbol, COUNT(*) AS rows_, COUNT(DISTINCT ex_date) AS ex_dates "
+            "FROM hd_dividend WHERE cash_div_tax > 0 AND ex_date IS NOT NULL "
+            "  AND div_proc = '实施' GROUP BY symbol",
+            {},
+        )
+        bad = df[df["rows_"] > df["ex_dates"]]
+        print(f"有已实施现金分红的股票：{len(df)}")
+        print(f"**存在同一除权日重复记录的股票：{len(bad)}**"
+              f"（多出 {int((bad['rows_'] - bad['ex_dates']).sum())} 行被重复累加）")
+        print(bad.sort_values("rows_", ascending=False).head(20).to_string(index=False))
+        return 0
+
+    if args.run_id:
+        diagnose_run(args.run_id)
+    if args.symbol:
+        start = date.fromisoformat(args.start) if args.start else date(2026, 1, 1)
+        end = date.fromisoformat(args.end) if args.end else date(2026, 12, 31)
+        diagnose_symbol(args.symbol, start, end)
+    if not (args.run_id or args.symbol or args.duplicate_survey):
+        ap.print_help()
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())