fix: 全面修复代码质量和报告准确性问题

代码修复 (16 个模块):
- GARCH 模型统一改用 t 分布 + 收敛检查 (returns/volatility/anomaly)
- KS 检验替换为 Lilliefors 检验 (returns)
- 修复数据泄漏: StratifiedKFold→TimeSeriesSplit, scaler 逐折 fit (anomaly)
- 前兆标签 shift(-1) 预测次日异常 (anomaly)
- PSD 归一化加入采样频率和单边谱×2 (fft)
- AR(1) 红噪声基线经验缩放 (fft)
- 盒计数法独立 x/y 归一化, MF-DFA q=0 (fractal)
- ADF 平稳性检验 + 移除双重 Bonferroni (causality)
- R/S Hurst 添加 R² 拟合优度 (hurst)
- Prophet 递推预测避免信息泄露 (time_series)
- IC 计算过滤零信号, 中性形态 hit_rate=NaN (indicators/patterns)
- 聚类阈值自适应化 (clustering)
- 日历效应前后半段稳健性检查 (calendar)
- 证据评分标准文本与代码对齐 (visualization)
- 核心管道 NaN/空值防护 (data_loader/preprocessing/main)

报告修复 (docs/REPORT.md, 15 处):
- 标度指数 H_scaling 与 Hurst 指数消歧
- GBM 6 个月概率锥数值重算
- CLT 限定、减半措辞弱化、情景概率逻辑修正
- GPD 形状参数解读修正、异常 AUC 证据降级

Co-Authored-By: Claude Opus 4.5 <noreply@anthropic.com>

src/causality.py

@@ -17,7 +17,7 @@ import warnings
 from pathlib import Path
 from typing import Optional, List, Tuple, Dict
 
-from statsmodels.tsa.stattools import grangercausalitytests
+from statsmodels.tsa.stattools import grangercausalitytests, adfuller
 
 from src.data_loader import load_hourly
 from src.preprocessing import log_returns, add_derived_features
@@ -46,7 +46,20 @@ TEST_LAGS = [1, 2, 3, 5, 10]
 
 
 # ============================================================
-# 2. 单对 Granger 因果检验
+# 2. ADF 平稳性检验辅助函数
+# ============================================================
+
+def _check_stationarity(series, name, alpha=0.05):
+    """ADF 平稳性检验，非平稳则取差分"""
+    result = adfuller(series.dropna(), autolag='AIC')
+    if result[1] > alpha:
+        print(f"  [注意] {name} 非平稳 (ADF p={result[1]:.4f})，使用差分序列")
+        return series.diff().dropna(), True
+    return series, False
+
+
+# ============================================================
+# 3. 单对 Granger 因果检验
 # ============================================================
 
 def granger_test_pair(
@@ -87,6 +100,15 @@ def granger_test_pair(
         print(f"  [警告] {cause} → {effect}: 样本量不足 ({len(data)})，跳过")
         return []
 
+    # ADF 平稳性检验，非平稳则取差分
+    effect_series, effect_diffed = _check_stationarity(data[effect], effect)
+    cause_series, cause_diffed = _check_stationarity(data[cause], cause)
+    if effect_diffed or cause_diffed:
+        data = pd.concat([effect_series, cause_series], axis=1).dropna()
+        if len(data) < max_lag + 20:
+            print(f"  [警告] {cause} → {effect}: 差分后样本量不足 ({len(data)})，跳过")
+            return []
+
     results = []
     try:
         # 执行检验，maxlag 取最大值，一次获取所有滞后
@@ -578,14 +600,10 @@ def run_causality_analysis(
 
     # --- 因果关系网络图 ---
     print("\n>>> [4/4] 绘制因果关系网络图...")
-    # 使用所有结果（含跨时间尺度）
+    # 使用所有结果（含跨时间尺度），直接使用各组已做的 Bonferroni 校正结果，
+    # 不再重复校正（各组检验已独立校正，合并后再校正会导致双重惩罚）
     if not all_results.empty:
-        # 重新做一次 Bonferroni 校正（因为合并后总检验数增加）
-        all_corrected = apply_bonferroni(all_results.drop(
-            columns=['bonferroni_alpha', 'significant_raw', 'significant_corrected'],
-            errors='ignore'
-        ), alpha=0.05)
-        plot_causal_network(all_corrected, output_dir)
+        plot_causal_network(all_results, output_dir)
     else:
         print("  [警告] 无可用结果，跳过网络图")