Initial commit: cc-cursor 全链路量化研究平台

7 Sprints 全部完成:
  Sprint 0: 基础设施 (DataManager + MariaDB)
  Sprint 1: 因子引擎 (34因子/12分类)
  Sprint 2: VectorBT 回测 (5策略+截面)
  Sprint 3: Optuna 优化 (+Walk-Forward)
  Sprint 4: ML 模型 (LightGBM+CatBoost)
  Sprint 5: Qwen 情绪因子 (三源新闻+日期对齐)
  Sprint 6: Agent 系统 (4Agent+日报.md/.html)

生产加固 (15项): Tushare双源fallback, SSH自动恢复, pool_pre_ping,
  save_daily先删后插, load_dotenv绝对路径, 日报5d/20d修复,
  RiskAgent改上证指数, 昨日对比+数据截止, mac_report utf8mb4,
  CLAUDE-*.md 9条已知Bug, demo全参数化, djapi数据源归一化,
  indexDatas API修正

Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>

finance/backtest/strategies/factor_rotation.py

@@ -0,0 +1,58 @@
+"""
+因子排序轮动策略。
+
+定期按因子值排序，买入排名最高的股票（截面策略）。
+"""
+
+import pandas as pd
+
+from backtest.base import BaseStrategy
+
+
+class FactorRotationStrategy(BaseStrategy):
+    """
+    因子排序选股策略。
+
+    适用于多股票截面场景：对每只股票计算因子值，
+    选排名最高的 top_n 只做多。
+    """
+
+    category = "rotation"
+
+    def __init__(self, factor_name: str, top_n: int = 5, bottom_n: int = 0):
+        self.factor_name = factor_name
+        self.top_n = top_n
+        self.bottom_n = bottom_n
+        self.name = f"rotation_{factor_name}_top{top_n}"
+
+    def generate_signals(self, factor_df: pd.DataFrame) -> pd.Series:
+        """
+        单股票/截面模式：factor_df 支持两种输入方式。
+        - 单股票: 对每只股票单次调用
+        - 截面: 通过 run_cross_section 逐股票调用
+        """
+        if self.factor_name not in factor_df.columns:
+            raise ValueError(f"factor_df 缺少 '{self.factor_name}' 列")
+
+        factor = factor_df[self.factor_name]
+        valid = factor.dropna()
+        if len(valid) < self.top_n * 2:
+            return pd.Series(-1, index=factor_df.index)
+
+        threshold = valid.quantile(1 - self.top_n / max(len(valid), self.top_n))
+        signals = pd.Series(-1, index=factor_df.index)
+        signals[factor > threshold] = 1
+
+        return signals
+
+    def rank_stocks(
+        self, factor_values: dict[str, float]
+    ) -> list[str]:
+        """
+        对股票按因子值排序，返回 top N 的 ts_code 列表。
+
+        参数:
+            factor_values: {ts_code: factor_value}
+        """
+        sorted_stocks = sorted(factor_values, key=factor_values.get, reverse=True)
+        return sorted_stocks[: self.top_n]