fix: 재기동 내구성 + DT 진입 복구 + 유입 잔고 격리 + 대시보드 표시 오류

## 재기동 내구성
- scheduler: 복원 직후 reset_if_new_day()가 복원분을 전부 폐기하던 버그
  (begin_restore()로 날짜 경계를 선확정. 복원 성공 로그는 뜨는데 실제로는 지워졌다)
- 일일 안전장치(daily_pnl/loss_streak_today/closed_today) Redis 영속화
  날짜를 키와 페이로드 양쪽에 실어 이중 게이트, 복원은 보수적 병합
  (손익 min/연패 max/청산목록 합집합 — 복원이 안전장치를 약화시킬 수 없다)
- db_worker 종료 drain이 insert_trade_history만 커밋하고 포지션 추적 행은
  DLQ로 버리던 비대칭 제거 + DLQ 재처리 경로 신설(쓰기 전용이었다)
- 장중 기동 시 ORB 소급 수집(backfill), 전일 캔들 혼입 차단
- swing/exit_service "보유 종목 없음" debug→info, 10회 연속 warning

## DT 진입 복구
- 워밍업 회귀 복구: 1b9257c(2026-09-28)가 조회 계층에 당일 필터를 넣어
  5분봉 RSI(14)/BB(20) 워밍업이 죽고 VWAP/RSI_BB가 10:15/10:40 이전
  발화 불가가 됐다. 필터를 삭제하지 않고 용도별로 분리
  (get_minute_chart_full_day_v2 신설, 기존 메서드·3개 호출부 동작 무변경)
- 거래량 게이트 비교 대상 교정: 형성 중 봉 → 완성봉 (5분봉·ORB 1분봉 양쪽)
  임계값(1.3/1.5)은 불변, 고친 것은 비교 대상뿐
- 세션 경계 차단: _last_session_candles()로 거래량 비교가 전일 봉을 잡아
  개장 직후 게이트가 자동 통과하는 것을 방지
- 스캔 선조회(동시성 4)·종목 타임아웃·시간예산·라운드로빈 + 잘린 종목 수 로그
- watchlist 30분 갱신 시 ORB 보유 종목 우선 유지

## 유입 잔고 격리
- sync_portfolio()가 시스템 매수 근거 없는 KIS 잔고를 자기 스윙 포지션으로
  편입해 자동 손절로 처분하던 문제 → strategy_type='external' 격리
  (승격만 허용, 강등 없음. 기존 행은 수동 SQL 필요)
- 격리분 손절선 이탈은 집행 없이 warning + summary 노출
- 수동 청산 경로에 record_trade_result 누락 보강, 전략 간 당일 쿨다운

## 4% 상한
- market_data 표시 경로 클램프 누락 + confidence 배율 후 재클램프
- 회귀 방지 테스트(AST로 가드가 try 밖에 있는지 검증)

## 프론트
- 총자산 보정 가드(3%·종목수·가격결손·국내분 한정), 원인 미규명 명시
- cumulative_realized_pl이 /portfolio/combined에 없어 항상 0이던 문제

테스트 579 → 677 passed / 0 failed (소켓 차단 하 통과, 실호출 없음)
전략 임계값 변경 0건

⚠️ 워밍업 복구의 효과 크기는 미확정 — KIS 분봉 API에 날짜 파라미터가 없어
   미래 ref_time에 전일 데이터를 주는지가 미검증 전제다. 배포 후
   "[분봉] 워밍업 5분봉 N봉 (당일 a + 전일 b)" 로그의 b로 확정할 것.

Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>

backend/tests/test_ai_analysis_buy_amount.py

@@ -24,21 +24,48 @@ class _Adp:
 
 
 def test_buy_amount_uses_position_cap_and_confidence():
+    """[2026-09-28] 적응형 6% 는 MAX_POSITION_SIZE(절대 상한)로 클램프된다.
+
+    기대값은 config 를 참조한다(§4.1 — 하드코딩 금지).
+    """
+    from app.core.config import settings
+
     with patch("app.services.adaptive_strategy.get_current_adaptive_params", return_value=_Adp()):
         out = _suggest_buy_amount(current_price=70_000, recommendation="BUY",
                                   confidence=0.7, stock_code="005930")
-    # 1,000만 × 6% = 60만, 신뢰도 0.7 → 보정 1.0 → 70,000원 × 8주 = 560,000
-    assert out["suggested_quantity"] == 8
-    assert out["suggested_amount"] == 560_000
-    assert out["position_ratio"] == pytest.approx(5.6, abs=0.01)
-    assert "6%" in out["sizing_note"]
+    _cap = settings.MAX_POSITION_SIZE
+    _expected_qty = int((10_000_000 * _cap) // 70_000)
+    assert out["suggested_quantity"] == _expected_qty
+    assert out["suggested_amount"] == _expected_qty * 70_000
+    assert out["position_ratio"] <= _cap * 100 + 0.01
+    assert f"{_cap * 100:.0f}%" in out["sizing_note"]
 
 
-def test_high_confidence_scales_up_capped_at_120pct():
+def test_high_confidence_does_not_exceed_hard_cap():
+    """신뢰도 상향 보정(×1.2)도 종목당 절대 상한을 넘지 못한다."""
+    from app.core.config import settings
+
     with patch("app.services.adaptive_strategy.get_current_adaptive_params", return_value=_Adp()):
         out = _suggest_buy_amount(70_000, "BUY", 1.0, "005930")
-    # 60만 × min(1.2, 1.0/0.7=1.43) = 72만 → 10주
-    assert out["suggested_quantity"] == 10
+    assert out["position_ratio"] <= settings.MAX_POSITION_SIZE * 100 + 0.01
+
+
+@pytest.mark.parametrize("mode_position_size", [0.06, 0.07])  # Normal / Aggressive
+def test_adaptive_modes_clamped_to_hard_cap(mode_position_size):
+    """적응형 Normal(6%)·Aggressive(7%) 모드에서도 제안 비중 ≤ MAX_POSITION_SIZE.
+
+    [R4 회귀] 표시 경로가 클램프를 빼먹으면 운영자가 화면 금액으로 수동매수해
+    §5.1 절대 상한(4%)이 깨진다.
+    """
+    from app.core.config import settings
+
+    class _M:
+        fallback_used = False
+        position_size = mode_position_size
+
+    with patch("app.services.adaptive_strategy.get_current_adaptive_params", return_value=_M()):
+        out = _suggest_buy_amount(70_000, "BUY", 1.0, "005930")
+    assert out["suggested_amount"] / 10_000_000 <= settings.MAX_POSITION_SIZE + 1e-9
 
 
 def test_non_buy_recommendation_returns_zero():