固定一个 seed 还不够：并行回测要拆分随机数流

不少回测都会用到随机数，比如打乱样本、Bootstrap 重采样、蒙特卡洛路径，或者给参数搜索生成候选组合。单进程里固定 seed 通常能复现实验；换成多进程后，如果每个 worker 都执行 default_rng(42)，几个进程会从相同状态出发，抽到完全一样的序列。程序虽然跑快了，有效样本数却没有按预期增加。

更合适的做法，是先建立一个根种子，再为各个任务派生独立的子随机数流。NumPy 的 SeedSequence 会把根熵和子节点位置混合起来，spawn 得到的子序列可复现，并且以很高概率互不重叠。最小写法如下：

from numpy.random import SeedSequence, default_rng
root = SeedSequence(20261019)
child_seeds = root.spawn(4)
rngs = [default_rng(s) for s in child_seeds]
paths = [rng.normal(size=1000) for rng in rngs]

重点不是简单把 seed 改成 42、43、44、45，而是明确管理随机数流的层级。根种子代表整次实验，子种子对应具体任务。排查结果时，保留根种子、NumPy 版本、worker 数量以及“任务编号—子种子编号”的对应关系，就能还原当时的随机输入。

我还会避免按进程完成顺序分配子种子。并行任务谁先结束受机器负载影响，如果完成一个再取下一个随机流，同一组参数在两次运行中可能对应不同序列。更稳妥的办法是先按固定顺序给参数组合编号，再绑定 child_seedsi，调度顺序变化也不会影响对应关系。

固定随机数流只解决随机输入的可复现性。底层库版本、浮点归约顺序、线程设置和原始数据变化，仍可能让结果出现差异。对量化实验来说，seed 应和代码版本、数据版本一起进入运行记录，而不是只在脚本开头留下一行数字。