随机扰动与不可复现

同一份数据、同一段代码，跑两次因子计算，结果对不上。回测无法复现，调参实验失去意义——你永远不知道指标变化是改动带来的，还是随机噪声带来的。

为了避免 rank() / correlation() 在分母为零或全相等时崩溃，早期代码引入了一点极小的随机扰动来「打破平局」。扰动没有固定随机种子，于是每次运行的微小差异，经过截面排序被放大成了不同的持仓。

为保证数值稳定而引入随机性，代价是牺牲可复现性。可复现性是量化研究的基本要求——不满足此条件，任何 A/B 对比实验均无法获得有效结论。

用固定随机种子收口，保证扰动可复现；同时改进 NaN 处理策略，从源头减少对扰动的依赖。此后「同输入 → 同输出」重新成立。