gendesign/tradein-mvp/backend/app/services/estimator.py

"""Trade-In Estimator — реальное SQL aggregation поверх listings + deals.

Заменяет старый _mock_estimate() из api/v1/trade_in.py.

Алгоритм:
1. Geocode address → (lat, lon)
2. SELECT listings с фильтрами:
   - PostGIS ST_DWithin (geom, point, 1000m) — радиус поиска
   - source ≠ avito (у Avito фейковые anchor-jitter координаты — не гео-аналог)
   - rooms = target_rooms (точное совпадение)
   - area_m2 BETWEEN target × 0.85 AND target × 1.15
   - scraped_at > NOW() - 14 days (свежие)
   - is_active = true
3. Tukey outlier filter (1.5 × IQR rule)
4. Median / Q1 / Q3 / count → confidence
5. То же для deals (period = 12 mo).
6. Сохранить в trade_in_estimates + вернуть AggregatedEstimate
"""

from __future__ import annotations

import asyncio
import hashlib
import json
import logging
import math
import re
import statistics
import time
from collections.abc import Callable, Iterable
from dataclasses import dataclass
from datetime import UTC, date, datetime, timedelta
from typing import Any, Literal
from uuid import uuid4

from scraper_kit.providers.avito.imv import (
    IMVAddressNotFoundError,
    IMVAuthError,
    IMVEvaluation,
    IMVTransientError,
    compute_imv_cache_key,
    evaluate_via_imv,
    save_imv_evaluation,
)
from scraper_kit.providers.cian.valuation import (
    CianValuationResult,
    estimate_via_cian_valuation,
)
from scraper_kit.providers.yandex.valuation import (
    YandexValuationResult,
    YandexValuationScraper,
)
from sqlalchemy import text
from sqlalchemy.orm import Session

from app.core.config import Settings, settings
from app.schemas.trade_in import (
    AggregatedEstimate,
    AnalogLot,
    AvitoImvSummary,
    CianValuationSummary,
    DkpCorridor,
    PriceTrendPoint,
    TradeInEstimateInput,
)
from app.services.dadata import DadataAddressResult
from app.services.dadata import clean_address as dadata_clean_address
from app.services.geocoder import GeocodeResult, geocode
from app.services.house_metadata import get_house_metadata
from app.services.matching.houses import match_house_readonly, match_or_create_house
from app.services.scraper_adapters import RealScraperConfig
from app.services.scraper_settings import get_scraper_delay

logger = logging.getLogger(__name__)


# ── Constants ────────────────────────────────────────────────────────────────
DEFAULT_RADIUS_M = 1000  # ПО ВСТРЕЧЕ ПТИЦЫ: «локация не дальше 800-1000 м»
FALLBACK_RADIUS_M = 2000
AREA_TOLERANCE = 0.15  # ±15% площади
MAX_ANALOGS_PER_ADDRESS = 5  # анти-bias: не больше 5 лотов с одного адреса
MIN_ANALOGS_PER_SOURCE = 5  # гарантированный минимум на live source
LISTINGS_FRESH_DAYS = 14  # объявления не старше 14 дней
DEALS_PERIOD_MONTHS = 12  # сделки за последний год

# #794: СберИндекс time-adjustment of frozen Rosreestr ДКП deals.
# Rosreestr deals freeze ~2026-01; the sber monthly index re-bases a stale deal's ppm²
# to the latest available month. Region fixed to Свердловская обл. (tradein MVP = ЕКБ).
SBER_TIME_ADJUST_REGION = "Свердловская область"
# Coefficient series preference: hedonic (quality-adjusted, cleanest) → deals (fallback).
SBER_COEFF_DASHBOARDS = ("residential_real_estate_prices", "real_estate_deals")
SBER_TIME_FACTOR_MIN = 0.7  # clamp guards against bad/sparse index months
SBER_TIME_FACTOR_MAX = 1.6

# #2141: порог, ниже которого сохранённый asking_to_sold_ratio НЕ пересчитываем из
# expected_sold/median — оставляем табличный ratio байт-в-байт. Отсекает лишь шум
# округления round() (≤ 0.5/median_price ≈ 5e-7 при median ≥ 1M); любой значимый
# сдвиг expected_sold (hedonic/le_asking/corridor-clamp) заведомо больше и триггерит
# честный пересчёт дескриптора. 1e-4 << шаг бейджа round((1−ratio)×100) (0.005).
_RATIO_DESCRIPTOR_EPS = 1e-4

# #2209: минимальная относительная полуширина ценового диапазона. При n=1 аналоге
# q1==q3==median → asking-диапазон (Q1..Q3 ₽/м² аналогов) схлопывается в НОЛЬ ширины,
# и юзеру уходит «диапазон» из одной точки с ложной точностью. Живой бэктест
# 2026-07-02 (engine=full, n=276): MAPE low-confidence bucket 14.8 %, медианная
# относительная ширина диапазона 0.743 — floor ±12 % затрагивает только вырожденно
# узкий хвост (n=1..2 аналога), не трогая типичные оценки. Ширина не может честно
# быть у́же типичной ошибки: floor только РАСШИРЯЕТ, точку не двигает.
RANGE_MIN_HALFWIDTH_PCT = 0.12

# #2255: границы ценовых сегментов по ₽/м² (ЕКБ-вторичка) — ЕДИНЫЙ источник для
# эстиматора (_apply_segment_multiplier) и бэктеста (scripts/backtest_estimator.py
# импортирует ЭТУ константу, числа НЕ дублирует). Значение лежит в первом бэнде,
# чей upper_bound (exclusive) оно НЕ превышает; последний бэнд ловит хвост (+inf).
# Верифицировано против config-заметок: p99.9 сделок ≈ 500k, премиум ~680k.
PRICE_SEGMENTS_PPM2: tuple[tuple[str, float], ...] = (
    ("эконом", 120_000.0),
    ("комфорт", 160_000.0),
    ("бизнес", 220_000.0),
    ("элит", 300_000.0),
    ("премиум", float("inf")),
)

# #699: санитизация ДКП-выбросов (Росреестр `deals`). В сырых сделках встречаются
# нерыночные/битые записи — доли, сделки с обременением, опечатки этажа/площади —
# которые шумят actual_deals (display) и dkp_corridor/expected_sold. Абсолютные
# guard-bands (НЕ относительные) для ЕКБ-вторички: рынок ~100–400 К/м² (ср. пороги
# _band_haircut 180/350К), премиум до ~680К. Нижняя/верхняя границы заведомо вне
# рынка — режут «4.98 М за 125 м²» = 39.7 К/м² и т.п. Этаж: ЕКБ-максимум ~52 эт.
#
# Mera-audit fix-4: верифицировано vs данных prod deals (2026-06-21):
#   deals p90=172_419 ₽/м², p95=199_583 ₽/м², p99=278_681 ₽/м², p99.9=500_000 ₽/м²
#   deals >800k = 13 штук (0.026%) — нерыночные outlier'ы, не легитимный премиум.
#   listings p99 (is_active, <800k фильтр) = 392_795 ₽/м².
#   Вывод: DEAL_MAX_PPM2=800_000 НЕ режет легитимный ЕКБ-премиум (p99.9 сделок=500k).
#   Значение НЕ изменено — порог адекватен. Проверить повторно при p99 > 700_000.
DEAL_MIN_PPM2 = 50_000  # ниже = не arms-length (доля/обременение/ошибка)
DEAL_MAX_PPM2 = 800_000  # выше премиума → опечатка/коммерция (verified p99.9=500k, 2026-06-21)
DEAL_MAX_FLOOR = 60  # выше реального максимума ЕКБ → битый этаж (напр. floor:100)

# Когорта по году постройки — типизация массовой застройки РФ.
# Используется как hard-filter в Tier 0 _fetch_analogs (PR 9, 2026-05-24).
# Если target_year не задан — cohort = None → фильтр отключён, Tier 0 пропускается.
COHORTS = (
    # (cohort_name, year_min_inclusive, year_max_inclusive)
    ("khrushchev", 1955, 1969),  # Хрущёвки 5-эт
    ("brezhnev", 1970, 1989),  # Брежневка кирпич/панель 9–12-эт
    (
        "late_soviet",
        1990,
        1999,
    ),  # Поздний СССР (no overlap; first-match would never pick old range)
    ("2000s", 2000, 2010),  # Ранние новостройки
    ("modern", 2011, 2100),  # Современные ЖК
)
# Минимум аналогов чтобы остаться на Tier 0 (с cohort); ниже — fallback на Tier A.
MIN_ANALOGS_TIER_0 = 5


def _target_cohort_range(year_built: int | None) -> tuple[int, int] | None:
    """Maps a target year to its cohort year range [min, max] inclusive.

    Returns None if year_built is None — caller will skip cohort filter.
    Picks the FIRST matching cohort (so 1988 → 'brezhnev', not 'late_soviet').
    """
    if year_built is None:
        return None
    for _name, ymin, ymax in COHORTS:
        if ymin <= year_built <= ymax:
            return (ymin, ymax)
    # Out-of-range год (например, 1900 или 2050) — cohort фильтр не применяем,
    # лучше показать что есть в радиусе, чем 0 результатов.
    return None


# Маппинг наших house_type → словарь Avito-IMV (внешний source). НЕ путать с
# _REPAIR_COEF (heuristic-множитель ниже).
_IMV_HOUSE_TYPE_MAP: dict[str | None, str | None] = {
    "panel": "panel",
    "brick": "brick",
    "monolith": "monolith",
    "monolith_brick": "monolith_brick",
    "monolithic": "monolith",
    "block": "block",
    "wood": "wood",
    None: None,
}
_IMV_REPAIR_MAP: dict[str | None, str | None] = {
    "needs_repair": "required",
    "standard": "cosmetic",
    "good": "euro",
    "excellent": "designer",
    None: None,
}

# Множители к медиане по состоянию ремонта. Аналоги в выборке — микс состояний;
# коэффициент сдвигает оценку под ремонт целевой квартиры (встреча Птицы: ремонт
# влияет на цену).
#
# WARNING: tunable МАРКЕТ-ЭВРИСТИКА, НЕ data-derived (issue #7). Вывести из данных пока
# нельзя: listings.repair_state покрыт только ~2% (coverage вырастет после #621 backfill),
# а медианы по нему confounded by area (немонотонны). Baseline = standard = 1.00 (no-op:
# было 0.98, срезало каждую «стандартную» оценку на 2% — пофикшено). Пересмотреть при
# coverage > 20% и наборе достаточной выборки по каждому bucket-у (#7).
# После #621: repair_state нормализован → needs_repair/standard/good/excellent на инgesте.
_REPAIR_COEF: dict[str, float] = {
    "needs_repair": 0.94,  # требует ремонта — ниже рынка
    "standard": 1.00,  # baseline
    "good": 1.05,
    "excellent": 1.10,  # евроремонт — выше рынка
}
_REPAIR_LABEL: dict[str | None, str] = {
    "needs_repair": "требует ремонта",
    "standard": "стандартный ремонт",
    "good": "хороший ремонт",
    "excellent": "евроремонт",
}


def _repair_coefficient(repair_state: str | None) -> float:
    """Множитель к медиане по состоянию ремонта. None → 1.0 (без поправки)."""
    if not repair_state:
        return 1.0
    return _REPAIR_COEF.get(repair_state, 1.0)


# ── Asking→sold correction ratio lookup (#648 Stage 3) ──────────────────────
# Таблица asking_to_sold_ratios (migration 080) хранит per-rooms коэффициент
# ratio = median(SOLD ppm²) / median(ASKING ppm²) (~0.72–0.93). Estimator
# домножает ASKING-медиану на этот ratio, получая параллельную expected_sold
# цену (релевантную для выкупа). Headline asking-медиана НЕ меняется.
#
# Кэш: tiny in-process dict {bucket: (ratio, basis, fetched_monotonic)} с TTL.
# Ratio дрейфует медленно (refresh-задача раз в сутки, Stage 4), поэтому 300с
# TTL более чем достаточно и снимает по SELECT'у с каждой оценки. Single-worker
# uvicorn/scheduler — GIL делает dict-доступ atomic enough (без явного lock).
#
# Tier-aware ppm²-путь (#928) УДАЛЁН (#2002): per-price-tier sold/asking — это
# артефакт ratio-of-truncated-medians. Бинирование SOLD-сделок по ASKING-перцентилям
# с делением within-tier медиан рождает мнимый «премиум продаётся ближе к asking»
# градиент (Monte-Carlo с КОНСТАНТНЫМ true sold/asking=0.84 точно воспроизводил
# прод-тиры 0.94/0.99/0.96 и перекошенный сплит сделок 57/27/15%; включение флага
# ухудшало прод — overall MAPE 14.6→17.2, эконом-bias +5.8→+18.1). Валидный
# within-price-tier sold/asking НЕВЫЧИСЛИМ из asking-less ДКП-сделок; корректное
# обусловливание дают per-rooms blend + захардженный hedonic (год+площадь).
_ASKING_SOLD_RATIO_CACHE_TTL_S = 300.0
# Cache key: rooms bucket (единственный legacy per-rooms путь после #2002).
_asking_sold_ratio_cache: dict[int, tuple[float | None, str | None, float]] = {}


def _get_asking_sold_ratio(
    db: Session,
    rooms: int | None,
    anchor_ppm2: float | None = None,
) -> tuple[float | None, str | None]:
    """Возвращает (ratio, basis) asking→sold для бакета комнат.

    bucket = min(max(rooms or 0, 0), 4).

    Запрос к asking_to_sold_ratios (migration 080): per-rooms строка
    (WHERE rooms_bucket = bucket AND district = '') → fallback на global -1
    (basis='global_fallback'). Ничего нет → (None, None).

    anchor_ppm2 сохранён в сигнатуре для совместимости с call-site (резолвер
    вызывается с ФИНАЛЬНЫМ headline ppm² после anchor/blend-мутаций — см.
    _ratio_resolver), но БОЛЬШЕ НЕ используется: tier-aware путь удалён как
    статистический артефакт (#2002, см. module-level комментарий выше).

    Таблицы нет / любая ошибка → (None, None), НЕ raise (graceful).
    Кэшируется на ключ bucket с TTL _ASKING_SOLD_RATIO_CACHE_TTL_S.
    """
    bucket = min(max(rooms or 0, 0), 4)

    cached = _asking_sold_ratio_cache.get(bucket)
    if cached is not None:
        ratio, basis, fetched = cached
        if (time.monotonic() - fetched) < _ASKING_SOLD_RATIO_CACHE_TTL_S:
            return ratio, basis

    ratio: float | None = None
    basis: str | None = None
    # #2265 D2: SAVEPOINT + 1 retry вокруг ratio-lookup. Транзиентный сбой —
    # обычно poisoned tx (InFailedSqlTransaction) от вышестоящего graceful-except:
    # первый же SELECT падает, и раньше это гасило expected_sold для КОНКРЕТНОЙ
    # оценки (3/224 за 14 дней при живых ratio-бакетах). Оборачиваем в begin_nested:
    # при сбое savepoint откатывается, tx чистится (db.rollback), retry идёт на
    # здоровом соединении. begin_nested также локализует benign-сбой (таблицы нет
    # на свежей/старой БД, миграция 080 не применена) — без отравления outer tx.
    last_exc: Exception | None = None
    ok = False
    for attempt in range(2):
        try:
            with db.begin_nested():
                row = db.execute(
                    text(
                        """
                        SELECT ratio, basis FROM asking_to_sold_ratios
                        WHERE rooms_bucket = CAST(:b AS int) AND district = ''
                        """
                    ),
                    {"b": bucket},
                ).fetchone()
                if row is None:
                    # Бакет тонкий (n<30 при seed'е) или отсутствует → global (-1).
                    row = db.execute(
                        text(
                            """
                            SELECT ratio, basis FROM asking_to_sold_ratios
                            WHERE rooms_bucket = -1 AND district = ''
                            """
                        ),
                    ).fetchone()
                if row is not None and row.ratio is not None:
                    ratio = float(row.ratio)
                    basis = row.basis
            ok = True
            break
        except Exception as exc:
            last_exc = exc
            # begin_nested откатывает СВОЙ savepoint; но если outer tx уже была
            # poisoned до savepoint — сам SAVEPOINT не встаёт → чистим всю tx,
            # чтобы retry шёл на здоровом соединении.
            try:
                db.rollback()
            except Exception:
                pass
            if attempt == 0:
                logger.debug("asking_to_sold_ratio lookup failed, retrying on clean tx: %s", exc)
                continue

    if not ok:
        # Оба захода упали — graceful без sold-коррекции. НЕ кэшируем этот None:
        # ошибка транзиентна (poisoned tx, миг. лаг, коннект-хиккап). Раньше строка
        # кэша ниже писалась безусловно → один сбой отравлял
        # _asking_sold_ratio_cache[bucket] = (None, None) на весь TTL (300с) и молча
        # гасил expected_sold для ВСЕХ оценок бакета до истечения TTL (#2175). Ранний
        # return без записи в кэш → следующая оценка ретраит.
        logger.debug("asking_to_sold_ratio lookup skipped (graceful, NOT cached): %s", last_exc)
        return None, None

    # Кэшируем ТОЛЬКО успешный lookup. ratio может быть None (строки нет —
    # стабильный факт БД, безопасно кэшировать на TTL); транзиентный None выше
    # уже вернулся ранним return и сюда не доходит.
    _asking_sold_ratio_cache[bucket] = (ratio, basis, time.monotonic())
    return ratio, basis


# ── Avito IMV cache lookup (Stage 3) ────────────────────────────────────────
IMV_CACHE_TTL_HOURS = 24

# Префиксы в адресе, которые Avito-геокодер не распознаёт (не жилые назначения).
# Пример: "Склад, ул. Заводская, д. 44-а" → "ул. Заводская, д. 44-а"
_NOISE_PREFIX_RE = re.compile(
    r"(Склад|Гараж|Подсобка|Нежилое|Помещение|Цех),\s*",
    flags=re.IGNORECASE,
)

YANDEX_VALUATION_CACHE_TTL_HOURS = 24
YANDEX_VALUATION_DEFAULT_CATEGORY = "APARTMENT"
YANDEX_VALUATION_DEFAULT_TYPE = "SELL"


async def _get_or_fetch_imv_cached(
    db: Session,
    *,
    address: str,
    rooms: int,
    area_m2: float,
    floor: int,
    floor_at_home: int,
    house_type: str,
    renovation_type: str,
    has_balcony: bool,
    has_loggia: bool,
    estimate_id_for_link: Any = None,
) -> IMVEvaluation | None:
    """Cached IMV lookup. TTL 24h по cache_key (sha256 of address + params).

    1. compute cache_key
    2. SELECT из avito_imv_evaluations WHERE cache_key = :ck AND fetched_at > NOW() - 24h
    3. Если hit → возвращаем reconstructed IMVEvaluation
    4. Cache miss → call evaluate_via_imv, save_imv_evaluation, return

    Graceful: на любой error возвращаем None (estimator продолжает без IMV).
    """
    try:
        cache_key = compute_imv_cache_key(
            address,
            rooms,
            area_m2,
            floor,
            floor_at_home,
            house_type,
            renovation_type,
            has_balcony,
            has_loggia,
        )

        existing = (
            db.execute(
                text(
                    """
                SELECT id, cache_key, address, rooms, area_m2, floor, floor_at_home,
                       house_type, renovation_type, has_balcony, has_loggia,
                       lat, lon, geo_hash, avito_address_id, avito_location_id,
                       avito_metro_id, avito_district_id,
                       recommended_price, lower_price, higher_price, market_count,
                       raw_response, fetched_at
                FROM avito_imv_evaluations
                WHERE cache_key = :ck
                  AND fetched_at > NOW() - (:ttl_hours || ' hours')::interval
                ORDER BY fetched_at DESC
                LIMIT 1
                """
                ),
                {"ck": cache_key, "ttl_hours": IMV_CACHE_TTL_HOURS},
            )
            .mappings()
            .first()
        )

        if existing is not None:
            logger.info(
                "imv: cache HIT key=%s recommended=%d",
                cache_key[:8],
                existing["recommended_price"],
            )
            from scraper_kit.providers.avito.imv import IMVGeo

            return IMVEvaluation(
                cache_key=existing["cache_key"],
                address=existing["address"],
                rooms=existing["rooms"],
                area_m2=float(existing["area_m2"]),
                floor=existing["floor"],
                floor_at_home=existing["floor_at_home"],
                house_type=existing["house_type"],
                renovation_type=existing["renovation_type"],
                has_balcony=existing["has_balcony"],
                has_loggia=existing["has_loggia"],
                geo=IMVGeo(
                    geo_hash=existing["geo_hash"] or "",
                    lat=existing["lat"],
                    lon=existing["lon"],
                    avito_address_id=existing["avito_address_id"],
                    avito_location_id=existing["avito_location_id"],
                    avito_metro_id=existing["avito_metro_id"],
                    avito_district_id=existing["avito_district_id"],
                ),
                recommended_price=existing["recommended_price"],
                lower_price=existing["lower_price"],
                higher_price=existing["higher_price"],
                market_count=existing["market_count"],
                raw_response=existing.get("raw_response"),
            )

        # Cache miss — fresh fetch
        logger.info("imv: cache MISS key=%s — fetching fresh", cache_key[:8])
        result = await evaluate_via_imv(
            address=address,
            rooms=rooms,
            area_m2=area_m2,
            floor=floor,
            floor_at_home=floor_at_home,
            house_type=house_type,
            renovation_type=renovation_type,
            has_balcony=has_balcony,
            has_loggia=has_loggia,
            config=RealScraperConfig(),
        )
        save_imv_evaluation(db, result, estimate_id=estimate_id_for_link)
        logger.info(
            "imv: fresh recommended=%d range=(%d, %d) count=%d",
            result.recommended_price,
            result.lower_price,
            result.higher_price,
            result.market_count or 0,
        )
        return result

    except IMVAddressNotFoundError as e:
        logger.warning("imv: address not found in Avito geocoder: %s", e)
        # Retry once with noise prefixes stripped (e.g. "Склад, ул. X" → "ул. X")
        cleaned = _NOISE_PREFIX_RE.sub("", address)
        if cleaned != address:
            logger.info(
                "imv: retry with cleaned address %r → %r",
                address[:60],
                cleaned[:60],
            )
            try:
                result = await evaluate_via_imv(
                    address=cleaned,
                    rooms=rooms,
                    area_m2=area_m2,
                    floor=floor,
                    floor_at_home=floor_at_home,
                    house_type=house_type,
                    renovation_type=renovation_type,
                    has_balcony=has_balcony,
                    has_loggia=has_loggia,
                    config=RealScraperConfig(),
                )
                save_imv_evaluation(db, result, estimate_id=estimate_id_for_link)
                logger.info(
                    "imv: retry OK recommended=%d range=(%d, %d) count=%d",
                    result.recommended_price,
                    result.lower_price,
                    result.higher_price,
                    result.market_count or 0,
                )
                return result
            except IMVAddressNotFoundError:
                logger.warning("imv: cleaned address also not found — giving up")
            except Exception as retry_exc:
                logger.warning("imv: retry failed: %s", retry_exc)
        return None
    except IMVAuthError as e:
        logger.error(
            "imv: auth/quota error — manual action required: %s",
            e,
        )
        return None
    except IMVTransientError as e:
        logger.warning("imv: transient error, skipping retry in estimator context: %s", e)
        return None
    except Exception as e:
        logger.warning("imv: fetch failed — estimator продолжает без IMV: %s", e)
        return None


# ── Yandex Valuation cache lookup (Stage 8) ─────────────────────────────────


def _yandex_valuation_cache_key(address: str, offer_category: str, offer_type: str) -> str:
    """SHA256 cache key for Yandex Valuation lookups."""
    payload = f"{address}|{offer_category}|{offer_type}"
    return hashlib.sha256(payload.encode("utf-8")).hexdigest()


async def _get_or_fetch_yandex_valuation_cached(
    db: Session,
    *,
    address: str,
    offer_category: str = YANDEX_VALUATION_DEFAULT_CATEGORY,
    offer_type: str = YANDEX_VALUATION_DEFAULT_TYPE,
    house_id: int | None = None,
) -> YandexValuationResult | None:
    """Cached Yandex Valuation lookup. TTL 24h via external_valuations table.

    Returns None on any error / cache miss + fetch failure — caller continues
    without Yandex enrichment (graceful degradation).

    house_id: канонический дом, уже разрезолвленный estimate-путём через
    match_house_readonly. Пишется в external_valuations.house_id при fresh-fetch
    (best-effort; None → колонка остаётся NULL). ON CONFLICT сохраняет уже
    проставленный house_id через COALESCE.
    """
    cache_key = _yandex_valuation_cache_key(address, offer_category, offer_type)

    # Cache lookup
    try:
        cached = (
            db.execute(
                text(
                    """
                SELECT raw_payload, fetched_at
                FROM external_valuations
                WHERE source = 'yandex_valuation'
                  AND cache_key = :ck
                  AND expires_at > NOW()
                ORDER BY fetched_at DESC
                LIMIT 1
                """
                ),
                {"ck": cache_key},
            )
            .mappings()
            .first()
        )
    except Exception as e:
        logger.warning("yandex_valuation: cache lookup failed: %s", e)
        cached = None

    if cached is not None and cached.get("raw_payload"):
        try:
            payload_dict = (
                cached["raw_payload"]
                if isinstance(cached["raw_payload"], dict)
                else json.loads(cached["raw_payload"])
            )
            logger.info(
                "yandex_valuation: cache HIT key=%s items=%d",
                cache_key[:8],
                len(payload_dict.get("history_items", [])),
            )
            return YandexValuationResult.model_validate(payload_dict)
        except Exception as e:
            logger.warning("yandex_valuation: cache deserialize failed — refetching: %s", e)

    # Fresh fetch
    try:
        async with YandexValuationScraper(
            RealScraperConfig(), delay_provider=get_scraper_delay
        ) as scraper:
            result = await scraper.fetch_house_history(
                address=address,
                offer_category=offer_category,
                offer_type=offer_type,
            )
    except Exception:
        # logger.exception (не .warning) — намеренно: GlitchTip LoggingIntegration
        # (main.py/scheduler_main.py) слушает event_level=logging.ERROR. WARNING,
        # даже с exc_info=True, остаётся ниже порога и НЕ создаёт событие в GlitchTip
        # (только breadcrumb) — config-wiring регрессия здесь была бы не видна
        # мониторингу. .exception() логирует на ERROR + traceback (#2337).
        logger.exception("yandex_valuation: fetch failed — estimator продолжает без Yandex")
        return None

    if result is None:
        logger.info("yandex_valuation: empty result for address=%s", address[:60])
        return None

    # Save to cache (UPSERT on (source, cache_key))
    try:
        db.execute(
            text(
                """
                INSERT INTO external_valuations (
                    source, cache_key, address,
                    house_id,
                    raw_payload,
                    fetched_at, expires_at
                ) VALUES (
                    'yandex_valuation', :ck, :addr,
                    CAST(:hid AS bigint),
                    CAST(:payload AS jsonb),
                    NOW(), NOW() + (:ttl_hours || ' hours')::interval
                )
                ON CONFLICT (source, cache_key) DO UPDATE
                    SET raw_payload = EXCLUDED.raw_payload,
                        house_id = COALESCE(
                            EXCLUDED.house_id, external_valuations.house_id
                        ),
                        fetched_at = NOW(),
                        expires_at = NOW() + (:ttl_hours || ' hours')::interval
                """
            ),
            {
                "ck": cache_key,
                "addr": address,
                "hid": house_id,
                "payload": json.dumps(result.model_dump(mode="json"), ensure_ascii=False),
                "ttl_hours": YANDEX_VALUATION_CACHE_TTL_HOURS,
            },
        )
        db.commit()
        logger.info(
            "yandex_valuation: fresh fetch saved key=%s items=%d",
            cache_key[:8],
            len(result.history_items),
        )
    except Exception as e:
        logger.warning("yandex_valuation: cache save failed (continuing): %s", e)
        db.rollback()

    return result


def _save_yandex_history_items(
    db: Session,
    result: YandexValuationResult,
) -> int:
    """Persist history items to house_placement_history. Returns saved count.

    Resolves house_id ONCE per result via match_or_create_house() using the
    valuation page's address + meta (year_built/total_floors). All items from
    the same page share that house_id.

    Confidence pipeline:
      method_confidence  <- match_or_create_house (1.0 cadastr/source, 0.9 fp, 0.7 geo, 1.0 new)
      final_confidence   = method_confidence

    Idempotent via UNIQUE (source, ext_item_id); ext_item_id synthesized from
    (address|publish_date|area|floor|prices) hash.

    Batch semantics: single try/except; on any failure the batch rolls back.
    """
    if not result.history_items:
        return 0

    # Resolve house ONCE per page. Synthetic ext_id = sha256(address)[:16]
    # — stable across re-runs, distinguishes pages for different addresses.
    address_seed = (result.address or "").strip().lower()
    house_ext_id = (
        hashlib.sha256(address_seed.encode("utf-8")).hexdigest()[:16] if address_seed else "unknown"
    )

    try:
        house_id, method_confidence, method = match_or_create_house(
            db,
            ext_source="yandex_valuation",
            ext_id=house_ext_id,
            address=result.address,
            year_built=result.house.year_built,
        )
    except Exception as e:
        logger.warning(
            "yandex_valuation: house resolution failed for address=%r: %s"
            " — saving with house_id=NULL",
            result.address,
            e,
        )
        db.rollback()
        house_id = None
        method_confidence = 0.0
        method = "fail"

    logger.info(
        "yandex_valuation: house resolved house_id=%s method=%s confidence=%.2f addr=%r",
        house_id,
        method,
        method_confidence,
        result.address,
    )

    rows = []
    skipped_area = 0
    for item in result.history_items:
        # Фильтруем items с нулевой/отрицательной/отсутствующей площадью — битый парс
        # («0,5 м²» и пр.) сохраняет мусор в house_placement_history и искажает
        # price_trend. Estimator защищён NULLIF, но грязь копится → чистим на входе.
        if item.area_m2 is None or item.area_m2 <= 0:
            skipped_area += 1
            continue
        ext_seed = (
            f"{result.address}|{item.publish_date}|{item.area_m2}|{item.floor}|"
            f"{item.start_price}|{item.last_price}"
        )
        ext_item_id = hashlib.sha256(ext_seed.encode("utf-8")).hexdigest()[:32]
        rows.append(
            {
                "ext_id": ext_item_id,
                "house_id": house_id,
                "rooms": item.rooms,
                "area": item.area_m2,
                "floor": item.floor,
                "total_floors": result.house.total_floors,
                "start_price": item.start_price,
                "last_price": item.last_price,
                "publish_date": item.publish_date,
                "removed_date": item.removed_date,
                "exposure": item.exposure_days,
                "confidence": float(method_confidence),
                "notes": f"match_method={method}" if method != "fail" else None,
                "raw": json.dumps(item.model_dump(mode="json"), ensure_ascii=False),
            }
        )

    if skipped_area > 0:
        logger.info(
            "yandex_valuation: skipped %d/%d history items with area_m2 <= 0 or None" " (addr=%r)",
            skipped_area,
            len(result.history_items),
            result.address,
        )

    sql = text(
        """
        INSERT INTO house_placement_history (
            source, ext_item_id, house_id,
            rooms, area_m2, floor, total_floors,
            start_price, start_price_date,
            last_price, last_price_date,
            removed_date,
            exposure_days,
            source_confidence, notes,
            raw_payload
        ) VALUES (
            'yandex_valuation', :ext_id, :house_id,
            :rooms, :area, :floor, :total_floors,
            :start_price, :publish_date,
            :last_price, :publish_date,
            :removed_date,
            :exposure,
            :confidence, :notes,
            CAST(:raw AS jsonb)
        )
        ON CONFLICT (source, ext_item_id) DO NOTHING
        """
    )

    try:
        if rows:
            db.execute(sql, rows)
        db.commit()
        return len(rows)
    except Exception as e:
        logger.warning(
            "yandex_valuation: failed to save history batch (%d items): %s",
            len(rows),
            e,
        )
        db.rollback()
        return 0


# ── #651: IMV / Yandex blend (killer accuracy fix) ─────────────────────────────


def _fetch_house_imv_anchor(
    db: Session,
    *,
    target_house_id: int | None,
    rooms: int | None,
    area: float | None,
) -> dict[str, Any] | None:
    """Достаёт РЕАЛЬНУЮ Avito IMV-оценку target-дома из `house_imv_evaluations`.

    В отличие от `avito_imv_evaluations` (keyed estimate_id — пустая, on-demand
    скрейп), `house_imv_evaluations` популирована (~2951 домов, fresh) и keyed по
    house_id. Резолвим строку: WHERE house_id = target_house_id, предпочитаем
    запись с ближайшими rooms+area (минимизируем |Δrooms|*10 + |Δarea%|), иначе
    самую свежую (fetched_at DESC). Best-effort: None при любой ошибке / отсутствии
    house_id / пустой таблице — estimator продолжает на гео-tier'ах (no regress).

    Returns dict {recommended_price, lower_price, higher_price, market_count,
    rooms, area_m2} или None.
    """
    if target_house_id is None:
        return None
    try:
        row = (
            db.execute(
                text(
                    """
                    SELECT recommended_price, lower_price, higher_price,
                           market_count, rooms, area_m2
                    FROM house_imv_evaluations
                    WHERE house_id = CAST(:hid AS bigint)
                      AND recommended_price > 0
                      -- Band-guard: строка пригодна как anchor только при правдоподобном
                      -- совпадении rooms/area. Иначе studio-only IMV запись «прилипала»
                      -- к 3-комн. target'у (ORDER BY всё равно вернёт LIMIT 1) и при
                      -- anchor > median×1.15 раздувала blend. NULL target/row → не
                      -- режем (graceful, нет данных для сравнения).
                      AND (
                        CAST(:rooms AS integer) IS NULL OR rooms IS NULL
                        OR abs(rooms - CAST(:rooms AS integer)) <= 1
                      )
                      AND (
                        CAST(:area AS double precision) IS NULL
                        OR area_m2 IS NULL OR area_m2 <= 0
                        OR area_m2 BETWEEN CAST(:area AS double precision) * 0.7
                                       AND CAST(:area AS double precision) * 1.3
                      )
                    ORDER BY
                      -- ближе по комнатам и площади → меньше score; NULL target → 0
                      (CASE WHEN CAST(:rooms AS integer) IS NOT NULL AND rooms IS NOT NULL
                            THEN abs(rooms - CAST(:rooms AS integer)) * 10 ELSE 0 END)
                      + (CASE WHEN CAST(:area AS double precision) IS NOT NULL
                                   AND area_m2 IS NOT NULL AND area_m2 > 0
                              THEN abs(area_m2 - CAST(:area AS double precision))
                                   / area_m2 * 100 ELSE 0 END) ASC,
                      fetched_at DESC
                    LIMIT 1
                    """
                ),
                {"hid": target_house_id, "rooms": rooms, "area": area},
            )
            .mappings()
            .first()
        )
    except Exception as exc:  # pragma: no cover — defensive
        logger.warning("house_imv anchor lookup failed (graceful): %s", exc)
        return None
    return dict(row) if row is not None else None


def _apply_imv_blend(
    *,
    median_price: int,
    range_high: int,
    median_ppm2: float,
    area: float,
    anchor_total: int | None,
    anchor_higher: int | None,
    weight: float,
    threshold: float,
) -> tuple[int, int, float, bool, int | None]:
    """Чистая (testable без БД) blend-трансформация для #651.

    Если есть надёжный якорь A (`anchor_total`, ПОЛНАЯ цена за квартиру) и он
    выше median_price × threshold (сигнал занижения) → поднимаем медиану до
    blend = median*(1-w) + A*w и расширяем верх диапазона до max(range_high,
    anchor_higher или A). ОДНОНАПРАВЛЕННО: только повышаем (баг — занижение).
    Если A ниже медианы — медиану НЕ трогаем, но диапазон можем расширить, чтобы
    включить A (информативность). Null-guard: при anchor_total=None — no-op.

    Returns (new_median_price, new_range_high, new_median_ppm2, blended,
             anchor_used_total).
    """
    if anchor_total is None or anchor_total <= 0 or median_price <= 0 or area <= 0:
        return median_price, range_high, median_ppm2, False, None

    blended = False
    new_median = median_price
    new_ppm2 = median_ppm2
    if anchor_total > median_price * threshold:
        w = max(0.0, min(1.0, weight))
        new_median = round(median_price * (1.0 - w) + anchor_total * w)
        new_ppm2 = new_median / area
        blended = True

    # Расширяем верх диапазона: предпочитаем верхнюю границу IMV-коридора, иначе сам
    # якорь. Только вверх (никогда не сужаем).
    range_top_candidate = anchor_higher if (anchor_higher and anchor_higher > 0) else anchor_total
    new_range_high = max(range_high, range_top_candidate, new_median)

    return new_median, new_range_high, new_ppm2, blended, anchor_total


# ── #764: per-cadastral-quarter price index correction ───────────────────────


def _quarter_from_cadastre(cad_num: str | None) -> str | None:
    """Извлечь кадастровый номер квартала из кадастрового номера дома/квартиры.

    Формат: AA:BB:CCCCCC или AA:BB:CCCCCCC (6 или 7 цифр в третьей части).
    Возвращаем первые три двоеточие-разделённых компонента.
    Пример: "66:41:0204016:350" → "66:41:0204016".
    При отсутствии или некорректном формате → None.
    """
    if not cad_num:
        return None
    parts = cad_num.split(":")
    if len(parts) < 3:
        return None
    quarter = ":".join(parts[:3])
    # Проверяем что третья часть — числовая (квартал, не мусор)
    if not parts[2].isdigit():
        return None
    return quarter


def _lookup_quarter_index(
    db: Session,
    *,
    quarter_cad_number: str,
    min_n_deals: int,
) -> tuple[float, int] | None:
    """Поиск price_index для кадастрового квартала в FDW-таблице quarter_price_index.

    Возвращает (price_index, n_deals) или None при отсутствии строки / n_deals < min_n_deals
    / любой FDW-ошибке (graceful — backward-compatible).
    Использует CAST(:q AS varchar) — psycopg v3 convention.
    """
    try:
        row = (
            db.execute(
                text(
                    """
                    SELECT price_index, n_deals
                    FROM quarter_price_index
                    WHERE quarter_cad_number = CAST(:q AS varchar)
                      AND n_deals >= CAST(:min_n AS bigint)
                    LIMIT 1
                    """
                ),
                {"q": quarter_cad_number, "min_n": min_n_deals},
            )
            .mappings()
            .first()
        )
    except Exception as exc:
        logger.warning("quarter_price_index FDW lookup failed (graceful, no-op): %s", exc)
        return None
    if row is None:
        return None
    return float(row["price_index"]), int(row["n_deals"])


def _lookup_quarter_indexes(
    db: Session,
    *,
    quarter_cad_numbers: list[str],
    min_n_deals: int,
) -> dict[str, float]:
    """Батч-поиск price_index для списка кадастровых кварталов (одним SQL-запросом).

    Возвращает {quarter_cad_number: price_index} только для кварталов, у которых
    n_deals >= min_n_deals. Кварталы без записи или с n_deals < порога — не попадают
    в словарь. При любой FDW-ошибке → {} (graceful, avg_analog_index остаётся 1.0).
    """
    if not quarter_cad_numbers:
        return {}
    distinct = list(dict.fromkeys(quarter_cad_numbers))  # сохраняем порядок, убираем дубли
    try:
        rows = (
            db.execute(
                text(
                    """
                    SELECT quarter_cad_number, price_index
                    FROM quarter_price_index
                    WHERE quarter_cad_number = ANY(CAST(:quarters AS varchar[]))
                      AND n_deals >= CAST(:min_n AS bigint)
                    """
                ),
                {"quarters": distinct, "min_n": min_n_deals},
            )
            .mappings()
            .all()
        )
    except Exception as exc:
        logger.warning("quarter_price_index batch FDW lookup failed (graceful, no-op): %s", exc)
        return {}
    return {str(row["quarter_cad_number"]): float(row["price_index"]) for row in rows}


def _apply_quarter_index(
    *,
    base_median_ppm2: float,
    base_median_price: int,
    base_range_low: int,
    base_range_high: int,
    target_index: float,
    avg_analog_index: float,
    min_factor: float = 0.6,
    max_factor: float = 1.8,
) -> tuple[float, int, int, int, float]:
    """Чистая (testable без БД) gap-correction квартального индекса (#764).

    Корректирует ТОЛЬКО разрыв между квартальным уровнем целевого объекта и
    усреднённым квартальным уровнем аналогов:
        factor = target_index / avg_analog_index
        adjusted_ppm2 = base_median_ppm2 × factor

    Все ценовые выходы масштабируются одним и тем же factor → median/range
    остаются геометрически консистентными.

    min_factor / max_factor — sanity-clamp (#859): belt-and-suspenders против
    патологичных FDW-данных. Калибруются через settings и передаются из
    вызывающего кода, чтобы хелпер оставался чистым (без импорта settings).
    Когда clamp меняет raw factor — логируется (см. caller).

    Returns (adjusted_ppm2, adjusted_median_price, adjusted_range_low,
             adjusted_range_high, factor).
    """
    raw_factor = target_index / avg_analog_index
    factor = max(min_factor, min(max_factor, raw_factor))
    if raw_factor != factor:
        logger.info(
            "quarter_index: factor clamped raw=%.4f → %.4f (bounds [%.2f, %.2f])"
            " target_index=%.3f avg_analog_index=%.3f",
            raw_factor,
            factor,
            min_factor,
            max_factor,
            target_index,
            avg_analog_index,
        )
    adjusted_ppm2 = base_median_ppm2 * factor
    adjusted_median_price = round(base_median_price * factor)
    adjusted_range_low = round(base_range_low * factor)
    adjusted_range_high = round(base_range_high * factor)
    return adjusted_ppm2, adjusted_median_price, adjusted_range_low, adjusted_range_high, factor


def _segment_for_ppm2(ppm2: float) -> str:
    """Ценовой сегмент (label) для значения ₽/м² по границам PRICE_SEGMENTS_PPM2.

    Значение попадает в первый бэнд, чей upper_bound (exclusive) оно НЕ превышает.
    Последний бэнд (+inf) ловит хвост. Чистая функция — общий бэндинг для
    эстиматора и бэктеста.
    """
    for label, upper in PRICE_SEGMENTS_PPM2:
        if ppm2 < upper:
            return label
    return PRICE_SEGMENTS_PPM2[-1][0]  # +inf-хвост — недостижимо, defensive


def _apply_segment_multiplier(
    *,
    median_price: int,
    median_ppm2: float,
    range_low: int,
    range_high: int,
    enabled: bool,
    multipliers: dict[str, float],
) -> tuple[float, int, int, int, str | None, float]:
    """#2255: сегментная поправка эстиматора по ценовому бэнду (₽/м²).

    Чистая (testable без БД) функция по образцу _apply_quarter_index. Бэнд
    определяется по median_ppm2 границами PRICE_SEGMENTS_PPM2; множитель для
    этого бэнда берётся из multipliers. Умножается median_price, median_ppm2 и
    ПРОПОРЦИОНАЛЬНО range_low/range_high (тот же factor → asking↔ppm²↔range
    остаются геометрически консистентны, как в quarter-index/corridor-clamp).

    No-op (factor=1.0, band=None) когда:
      - enabled=False (флаг OFF → путь байт-в-байт идентичен),
      - multipliers пуст/битый (нет ключа бэнда, значение не приводится к float,
        либо ≤ 0) → warning + no-op (не роняем оценку из-за кривого конфига),
      - median_ppm2 <= 0 (нет headline),
      - множитель бэнда == 1.0 (премиум и любой явно-нейтральный сегмент).

    Returns (median_ppm2, median_price, range_low, range_high, band, factor).
    band=None при no-op; иначе label сегмента, к которому применён множитель.
    """
    if not enabled or median_ppm2 <= 0:
        return median_ppm2, median_price, range_low, range_high, None, 1.0
    if not multipliers:
        logger.warning("segment_mult: пустой multipliers-dict (флаг ON) — no-op")
        return median_ppm2, median_price, range_low, range_high, None, 1.0

    band = _segment_for_ppm2(median_ppm2)
    raw = multipliers.get(band)
    if raw is None:
        # Бэнд без записи (напр. премиум намеренно отсутствует) — no-op без шума.
        return median_ppm2, median_price, range_low, range_high, None, 1.0
    try:
        factor = float(raw)
    except (TypeError, ValueError):
        logger.warning("segment_mult: битый множитель band=%s raw=%r — no-op", band, raw)
        return median_ppm2, median_price, range_low, range_high, None, 1.0
    if factor <= 0:
        logger.warning("segment_mult: неположительный множитель band=%s ×%r — no-op", band, factor)
        return median_ppm2, median_price, range_low, range_high, None, 1.0
    if factor == 1.0:
        # Нейтральный сегмент (эконом=1.00 и т.п.) — no-op без мутации/лога.
        return median_ppm2, median_price, range_low, range_high, None, 1.0

    new_price = round(median_price * factor)
    logger.info(
        "segment_mult: band=%s ×%.3f median %d→%d",
        band,
        factor,
        median_price,
        new_price,
    )
    return (
        median_ppm2 * factor,
        new_price,
        round(range_low * factor),
        round(range_high * factor),
        band,
        factor,
    )


def _load_sber_index_series(db: Session, *, region: str) -> dict[date, float]:
    """#794: monthly {period_month: index_value} for region from sber_price_index.

    Tries SBER_COEFF_DASHBOARDS in order; returns first non-empty series. {} on any error.
    #audit-5a: если latest месяц серии старее sber_index_max_age_days → warning.
    """
    for dash in SBER_COEFF_DASHBOARDS:
        try:
            rows = (
                db.execute(
                    text("""
                        SELECT period_month, index_value_rub_m2
                        FROM sber_price_index
                        WHERE city = CAST(:region AS text)
                          AND dashboard = CAST(:dash AS text)
                        ORDER BY period_month
                    """),
                    {"region": region, "dash": dash},
                )
                .mappings()
                .all()
            )
        except Exception as exc:
            logger.warning("sber_price_index lookup failed for %s (graceful): %s", dash, exc)
            continue
        if rows:
            series = {r["period_month"]: float(r["index_value_rub_m2"]) for r in rows}
            if not series:
                continue
            # #audit-5a: data-age guard — предупреждаем о stale СберИндексе.
            latest = max(series)
            today = datetime.now(tz=UTC).date()
            age_days = (today - latest).days
            if age_days > settings.sber_index_max_age_days:
                logger.warning(
                    "sber_index stale #audit-5a: latest=%s age=%d days"
                    " (> sber_index_max_age_days=%d) region=%s dash=%s"
                    " — time-adjustment may be outdated",
                    latest.isoformat(),
                    age_days,
                    settings.sber_index_max_age_days,
                    region,
                    dash,
                )
            return series
    return {}


def _sber_time_factor(series: dict[date, float], deal_month: date) -> float:
    """#794: factor = idx[latest] / idx[deal_month], clamped. 1.0 when no data / recent deal.

    series: {first-of-month date -> index value}. deal_month: first-of-month of the deal.
    If deal_month absent, use the nearest available month <= deal_month; if none, nearest overall.
    If deal_month >= latest available month -> 1.0 (no extrapolation of recent deals).
    """
    if not series:
        return 1.0
    latest = max(series)
    if deal_month >= latest:
        return 1.0
    base = series.get(deal_month)
    if base is None:
        earlier = [m for m in series if m <= deal_month]
        if earlier:
            base = series[max(earlier)]
        else:
            base = series[min(series)]  # deal older than series start → use earliest
    if not base or base <= 0:
        return 1.0
    factor = series[latest] / base
    return max(SBER_TIME_FACTOR_MIN, min(SBER_TIME_FACTOR_MAX, factor))


def _fetch_dkp_corridor(
    db: Session,
    *,
    address: str | None,
    rooms: int | None,
    area: float | None,
    period_months: int = DEALS_PERIOD_MONTHS,
    area_tolerance: float = AREA_TOLERANCE,
) -> dict[str, Any] | None:
    """#652: коридор ₽/м² по реальным ДКП-сделкам Росреестра для target.

    Reuse паттерна street-deals (api/v1/trade_in.py): извлекаем улицу из адреса,
    фильтруем `deals` (source='rosreestr', та же rooms, площадь ±tolerance, окно
    period_months) и нормализуем per-m². Возвращаем low/median/high ₽/м².
    ADVISORY — caller не клампит, только сурфейсит + опциональная пометка.
    Best-effort: None при отсутствии улицы / сделок / любой ошибке.
    """
    if not address or rooms is None or not area:
        return None
    street_name = extract_street_name(address)
    if not street_name:
        return None
    area_min = area * (1.0 - area_tolerance)
    area_max = area * (1.0 + area_tolerance)
    try:
        rows = (
            db.execute(
                text(
                    """
                    SELECT price_per_m2, deal_date
                    FROM deals
                    WHERE source = 'rosreestr'
                      AND address ILIKE :street_pattern
                      AND address ~* :street_regex
                      AND rooms = CAST(:rooms AS integer)
                      AND area_m2 BETWEEN :area_min AND :area_max
                      AND deal_date > NOW()
                          - (CAST(:period_months AS integer) || ' months')::interval
                      AND price_per_m2 > 0
                      -- #699: режем нерыночные ppm²-выбросы из коридора expected_sold
                      AND price_per_m2 BETWEEN :ppm_min AND :ppm_max
                    """
                ),
                {
                    "street_pattern": "%" + street_name + "%",
                    "street_regex": r"\m" + street_name + r"\M",
                    "rooms": rooms,
                    "area_min": area_min,
                    "area_max": area_max,
                    "period_months": period_months,
                    "ppm_min": DEAL_MIN_PPM2,
                    "ppm_max": DEAL_MAX_PPM2,
                },
            )
            .mappings()
            .all()
        )
    except Exception as exc:  # pragma: no cover — defensive
        logger.warning("dkp_corridor lookup failed (graceful): %s", exc)
        return None

    # #794: apply СберИндекс time-adjustment to re-base stale Rosreestr ДКП ppm²
    # to the latest available index month. Graceful: factor=1.0 when table is empty.
    series = _load_sber_index_series(db, region=SBER_TIME_ADJUST_REGION)
    adjusted: list[float] = []
    factors_applied: list[float] = []
    for r in rows:
        ppm2 = r["price_per_m2"]
        if not ppm2:
            continue
        dd = r.get("deal_date")
        factor = 1.0
        if series and dd is not None:
            deal_month = date(dd.year, dd.month, 1)
            factor = _sber_time_factor(series, deal_month)
        adjusted.append(float(ppm2) * factor)
        factors_applied.append(factor)
    ppm2_values = sorted(adjusted)
    if not ppm2_values:
        return None
    if series and factors_applied:
        logger.info(
            "dkp_corridor #794 time-adjust: n=%d factor min=%.3f max=%.3f region=%s",
            len(factors_applied),
            min(factors_applied),
            max(factors_applied),
            SBER_TIME_ADJUST_REGION,
        )
    # #1520: используем P10/P90 вместо абсолютных min/max, чтобы коридор был
    # устойчив к выбросам (один нерыночный ДКП не сдвигает границу).
    # При маленьких выборках (n < 10) _percentile с линейной интерполяцией
    # плавно сжимается к первому/последнему элементу — специального fallback
    # не нужно (n=3: P10 ≈ индекс 0.2, P90 ≈ индекс 2.8 → оба внутри диапазона).
    return {
        "count": len(ppm2_values),
        "low_ppm2": int(_percentile(ppm2_values, 0.10)),
        "median_ppm2": int(_percentile(ppm2_values, 0.5)),
        "high_ppm2": int(_percentile(ppm2_values, 0.90)),
        "period_months": period_months,
    }


# ── #651/#652 v2: same-building anchor (validated, 55 golden cases) ─────────────
#
# Радиусная медиана ₽/м² системно занижает премиум/видовые квартиры — она мешает
# топовый дом с массовой застройкой рядом. v2 строит PRIMARY якорь из комплов ТОГО
# ЖЕ ДОМА (Tier A), similarity-weighted по площади+комнатам, с premium-uplift и
# hard guardrail. Industry-grounded (Fannie Mae «same-project comps preferred» +
# inverse-adjustment weighting + FSD-as-confidence). Полностью за флагом.

# Street-alias map: ЕКБ-специфичные расхождения между golden/source-адресами и БД.
# Golden «Ткачёва 13» = БД «Ткачей 13» — без алиаса 0 комплов для 5 business-кейсов
# (Clever Park). Ключи/значения уже ё→е-нормализованы и lowercase. Расширяемо.
# ВАЖНО: применяется к ЦЕЛЬНОМУ street_core (после strip type-words), не к токену.
_STREET_ALIAS_MAP: dict[str, str] = {
    "ткачева": "ткачей",  # «ул. Ткачёва» (родит. падеж) ↔ БД «ул. Ткачей»
}

# Street-type токены: канонизируем (drop type-слово, оставляем имя). Реальные prod-
# адреса ставят тип ДО или ПОСЛЕ имени («улица Ткачей» И «Олимпийская наб.») — поэтому
# дропаем тип ОТКУДА УГОДНО в строке, а не только ведущий keyword. Лемматизированы по
# точкам/окончаниям: матчим точное слово ИЛИ «<core>.»-сокращение.
_STREET_TYPE_TOKENS: frozenset[str] = frozenset(
    {
        "улица",
        "ул",
        "у",
        "переулок",
        "пер",
        "проспект",
        "пр",
        "прт",
        "пркт",
        "пр-кт",
        "пр-т",
        "проезд",
        "бульвар",
        "бр",
        "б-р",
        "набережная",
        "наб",
        "шоссе",
        "ш",
        "площадь",
        "пл",
        "тракт",
        "аллея",
        "тупик",
    }
)

# Административные токены-маркеры: всё, что относится к городу/району/мкр — НЕ часть
# имени дома. Дропаем токен-маркер ВМЕСТЕ со следующим за ним словом-значением
# («р-н Октябрьский», «мкр Парковый», «г Екатеринбург»). Города ЕКБ-агломерации тоже
# чистим (стоят как ведущий токен «Екатеринбург,»/«Первоуральск,»).
_ADMIN_MARKER_TOKENS: frozenset[str] = frozenset(
    {"рн", "р-н", "район", "мкр", "микрорайон", "г", "гор", "город", "обл", "область"}
)
_CITY_TOKENS: frozenset[str] = frozenset(
    {"екатеринбург", "первоуральск", "березовский", "верхняя", "пышма", "среднеуральск", "россия"}
)

# Литера корпуса, прилипшая к номеру: «16а», «204г», «57а» → base + letter (рус/лат).
_HOUSE_LETTER_RE = re.compile(r"^(?P<num>\d+)\s*(?P<letter>[а-яa-z])?$", flags=re.UNICODE)
# Разбивка на токены: слова/числа, отбрасывая пунктуацию (',', '.', '·', '/', '-').
_TOKEN_SPLIT_RE = re.compile(r"[\s,;·]+", flags=re.UNICODE)


def _normalize_building_key(
    address: str | None,
) -> tuple[str | None, int | None, str | None]:
    """Нормализует адрес в robust-ключ «того же дома»: (street_core, base_no, letter).

    Инвариантен к prod-форматам ЕКБ-вторички:
      - ё→е, lowercase.
      - отрезает город / «р-н …» / «мкр …» / «г. …» / «· …»-хвост (district-suffix).
      - дропает street-type слова ОТКУДА УГОДНО (улица/ул./наб./набережная/пр./… —
        тип может стоять ДО или ПОСЛЕ имени: «улица Ткачей» И «Олимпийская наб.»);
        остаток alpha-токенов = street_core («бориса ельцина», «сакко и ванцетти»).
      - base_no = первый числовой токен ПОСЛЕ имени улицы, толерантно к
        «Ткачей, 13» = «Ткачей,13» = «Ткачей,д. 13» = «Ткачей дом 13».
      - letter = прилипшая литера корпуса («16а»→'а', «204г»→'г'); «/N» и «кN»
        (корпус) схлопываются к base (тот же дом). Литеры — РАЗНЫЕ дома (204г ≠ 204д).
      - street_core прогоняется через _STREET_ALIAS_MAP (ткачева→ткачей).

    Returns (street_core, base_no, letter) — любой элемент None если не извлёкся.
    Best-effort: при пустом адресе → (None, None, None).
    """
    if not address:
        return None, None, None
    norm = address.replace("ё", "е").replace("Ё", "Е").lower()
    # Отрезаем «· …»-хвост (Avito-формат «… · р-н Центр»): district всегда после «·».
    norm = norm.split("·")[0]
    # «д.»/«дом» перед номером → пробел (чтобы числовой токен встал отдельно).
    norm = re.sub(r"\b(?:д\.?|дом)\s*(?=\d)", " ", norm, flags=re.UNICODE)

    raw = [t for t in _TOKEN_SPLIT_RE.split(norm) if t]

    # 1. Вычищаем admin-маркеры (+следующее за ними значение) и города.
    cleaned: list[str] = []
    skip_next = False
    for tok in raw:
        if skip_next:
            skip_next = False
            continue
        bare = tok.rstrip(".")
        if bare in _ADMIN_MARKER_TOKENS:
            skip_next = True  # дропаем и сам маркер, и следующее слово-значение
            continue
        if bare in _CITY_TOKENS:
            continue
        cleaned.append(tok)

    # 2. House-токен = ПОСЛЕДНИЙ токен, начинающийся с цифры. Берём последний (а не
    #    первый), чтобы числа ВНУТРИ имени улицы («8 Марта», «1905 года») не съелись
    #    как номер дома — настоящий номер всегда в хвосте, за именем. Хвост за номером
    #    (корпус «/N», «кN») игнорируем; всё остальное — токены улицы.
    base_no: int | None = None
    letter: str | None = None
    house_idx: int | None = None
    for i, tok in enumerate(cleaned):
        if tok[0].isdigit():
            head = re.split(r"[/\\]", tok, maxsplit=1)[0]  # «4/2» → «4»; корпус отброшен
            head = re.split(r"к\d", head, maxsplit=1)[0]  # «105к1» → «105»
            m = _HOUSE_LETTER_RE.match(head)
            if m:
                base_no = int(m.group("num"))
                letter = m.group("letter") or None
                house_idx = i

    # 3. street_core = токены до номера дома, минус type-слова (улица/наб./пр./…) и
    #    минус сам house-токен. Числовые префиксы имени («8 марта») сохраняем.
    street_tokens = [
        tok
        for i, tok in enumerate(cleaned)
        if i != house_idx and tok.rstrip(".") not in _STREET_TYPE_TOKENS
    ]
    street_core = " ".join(street_tokens).strip() or None
    if street_core:
        street_core = _STREET_ALIAS_MAP.get(street_core, street_core)

    return street_core, base_no, letter


def _anchor_comp_from_row(r: Any) -> dict[str, Any]:
    """Строит comp-dict из строки SQL same-building/micro-radius (#694).

    Несёт 5 числовых полей для _compute_same_building_anchor
    (price_per_m2/area_m2/rooms/floor/total_floors) + display-поля listings
    (address/source/source_url/price_rub/listing_date/days_on_market/photo_urls/
    lat/lon), чтобы UI-аналоги отражали ИМЕННО комплы, на которых построен якорь,
    а не радиусные (cheaper/empty). Display-ключи best-effort: SELECT их тянет, но
    helper устойчив к их отсутствию (тестовые моки могут давать только числа).
    """
    return {
        "price_per_m2": int(r["price_per_m2"]),
        "area_m2": float(r["area_m2"]) if r.get("area_m2") is not None else None,
        "rooms": int(r["rooms"]) if r.get("rooms") is not None else None,
        "floor": int(r["floor"]) if r.get("floor") is not None else None,
        "total_floors": int(r["total_floors"]) if r.get("total_floors") is not None else None,
        "address": r.get("address"),
        "source": r.get("source"),
        "source_url": r.get("source_url"),
        "price_rub": int(r["price_rub"]) if r.get("price_rub") is not None else None,
        "listing_date": r.get("listing_date"),
        "days_on_market": r.get("days_on_market"),
        "photo_urls": r.get("photo_urls"),
        "lat": float(r["lat"]) if r.get("lat") is not None else None,
        "lon": float(r["lon"]) if r.get("lon") is not None else None,
    }


def _fetch_anchor_comps(
    db: Session,
    *,
    address: str | None,
    target_house_id: int | None,
    lat: float | None,
    lon: float | None,
    rooms: int | None,
    area: float | None,
) -> tuple[list[dict[str, Any]], str | None]:
    """Тированный набор комплов для same-building якоря. Стоп на 1-м тире с ≥ min_comps.

    Tier A — SAME BUILDING: normalized street + base house no (+ литера если есть).
      RELAXED rooms (без фильтра), БЕЗ area±15%. Не группируем по house_id_fk —
      один дом дробится на несколько fk (Хохрякова 48 = 7085/9878/12797).
    Tier C — micro-radius ≤500m (ST_DWithin) + вторичка-канон guard (#1186): NULL = legacy
      вторичка + rooms match + area±25%. (Tier B «тот же ЖК» — skip: complex_id/cian_zhk_url
      ненадёжны.)
    Tier D — фолбэк: None tier (caller остаётся на радиусном median-пути).

    Excludes lots без price_per_m2. is_active=true. Best-effort: ([], None) на ошибке.

    Returns (comps, tier) где tier ∈ {'A','C', None}. comps — list dict с
    ключами price_per_m2 (int>0), area_m2 (float|None), rooms (int|None),
    floor (int|None), total_floors (int|None) — последние два для floor-веса (#680-WB).
    """
    min_comps = settings.estimate_sb_min_comps

    # ── Tier A: same building ────────────────────────────────────────────────
    street, base_no, letter = _normalize_building_key(address)
    if street and base_no is not None:
        # Numeric-boundary regex: дом 204 не матчит 2040/1204; литера при наличии
        # обязательна (204г ≠ 204д). Корпус «/N» допускаем (тот же дом). ё→е в SQL
        # для symmetry с нормализатором. psycopg v3: bind через :param, оператор ~.
        if letter:
            house_re = rf"(^|[^0-9]){base_no}\s*{letter}([^а-яёa-z0-9/]|/|$)"
        else:
            house_re = rf"(^|[^0-9]){base_no}([^а-яёa-z0-9/]|/|$)"
        try:
            rows = (
                db.execute(
                    text(
                        """
                        SELECT price_per_m2, area_m2, rooms, floor, total_floors,
                               address, source, source_url, price_rub, listing_date,
                               days_on_market, photo_urls, lat, lon,
                               listing_segment, source_id
                        FROM listings
                        WHERE is_active = true
                          AND price_per_m2 > 0
                          AND lower(translate(address, 'ёЁ', 'ее')) LIKE :street_like
                          AND lower(translate(address, 'ёЁ', 'ее')) ~ :house_re
                        """
                    ),
                    {
                        "street_like": "%" + street + "%",
                        "house_re": house_re,
                    },
                )
                .mappings()
                .all()
            )
        except Exception as exc:  # pragma: no cover — defensive
            logger.warning("anchor Tier A lookup failed (graceful): %s", exc)
            try:
                db.rollback()
            except Exception:
                pass
            rows = []
        # #1774: gated relaxation of the #1186 guard, Tier A ONLY. В сданном доме
        # cian тегирует переуступки/перепродажи собственниками как 'novostroyki';
        # впускаем novostroyki только если вторичных (vtorichka/NULL) НЕ МЕНЬШЕ, чем
        # первичных — иначе MAD-clip может выкинуть редкую вторичку и заякорить на
        # ценах застройщика. Чисто-первичный / primary-dominated дом → гард #1186.
        raw_rows = list(rows)
        secondary_count = sum(
            1 for r in raw_rows if r.get("listing_segment") in (None, "vtorichka")
        )
        primary_count = len(raw_rows) - secondary_count
        include_primary = (
            settings.estimate_sb_tier_a_allow_primary_if_secondary_present
            and secondary_count >= 1
            and secondary_count >= primary_count
        )
        if include_primary:
            kept = raw_rows  # mixed/delivered house: include novostroyki resales
        else:
            kept = [r for r in raw_rows if r.get("listing_segment") in (None, "vtorichka")]
        # Dedup дублей одного объявления (#1774: source_id=330047129 → 2 active-строки,
        # одна с house_id_fk, одна NULL). Ключ — (source, source_id) PRIMARY (codebase
        # canon: скрейперы дедупят на source_id; source_url может отличаться trailing
        # slash/query-param). Fallback source_url, затем атрибуты. Namespaced-теги
        # ('id'/'url') защищают от value-collision между id и url.
        deduped: dict[Any, dict[str, Any]] = {}
        for r in kept:
            sid = r.get("source_id")
            url = r.get("source_url")
            if sid is not None:
                key: Any = (r.get("source"), "id", sid)
            elif url is not None:
                key = (r.get("source"), "url", url)
            else:
                key = (
                    r.get("source"),
                    r.get("address"),
                    r.get("area_m2"),
                    r.get("price_per_m2"),
                )
            if key not in deduped:
                deduped[key] = r
        deduped_rows = list(deduped.values())
        comps = [_anchor_comp_from_row(r) for r in deduped_rows if r["price_per_m2"]]
        if len(comps) >= min_comps:
            primary_n = sum(1 for r in deduped_rows if r.get("listing_segment") == "novostroyki")
            logger.info(
                "anchor tier=A street=%r base=%s letter=%s → %d comps (primary=%d)",
                street,
                base_no,
                letter,
                len(comps),
                primary_n,
            )
            return comps, "A"

    # ── Tier C: micro-radius ≤500m + same segment + rooms + area±25% ─────────
    if lat is not None and lon is not None and rooms is not None and area:
        try:
            rows = (
                db.execute(
                    text(
                        """
                        SELECT price_per_m2, area_m2, rooms, floor, total_floors,
                               address, source, source_url, price_rub, listing_date,
                               days_on_market, photo_urls, lat, lon
                        FROM listings
                        WHERE is_active = true
                          AND price_per_m2 > 0
                          AND rooms = CAST(:rooms AS integer)
                          AND area_m2 BETWEEN :area_min AND :area_max
                          -- novostroyki guard (#1186): NULL = legacy вторичка до м.011
                          AND (listing_segment IS NULL OR listing_segment = 'vtorichka')
                          AND geom IS NOT NULL
                          AND ST_DWithin(
                                geom::geography,
                                ST_MakePoint(:lon, :lat)::geography,
                                500
                          )
                        """
                    ),
                    {
                        "rooms": rooms,
                        "area_min": area * 0.75,
                        "area_max": area * 1.25,
                        "lon": lon,
                        "lat": lat,
                    },
                )
                .mappings()
                .all()
            )
        except Exception as exc:  # pragma: no cover — defensive
            logger.warning("anchor Tier C lookup failed (graceful): %s", exc)
            try:
                db.rollback()
            except Exception:
                pass
            rows = []
        comps = [_anchor_comp_from_row(r) for r in rows if r["price_per_m2"]]
        if len(comps) >= min_comps:
            logger.info("anchor tier=C micro-radius → %d comps", len(comps))
            return comps, "C"

    # Tier D — caller fallback (радиусный median-путь без anchor).
    return [], None


def _band_haircut(anchor_ppm2: float) -> float:
    """asking→sold haircut, banded по ppm² (class-label в prod пуст — band на цену).

    Премиум (высокий ppm²) торгуется плотнее → меньше скидка; эконом — больше.
    Пороги ЕКБ-вторички: ≥350k → 4%; 180-350k → 5%; <180k → 7%. Дефолт из config.
    """
    if anchor_ppm2 >= 350_000:
        return 0.04
    if anchor_ppm2 >= 180_000:
        return settings.asking_to_sold_haircut  # 5% mid
    return 0.07


def _mad_clip(values: list[float], k: float) -> list[int]:
    """MAD-клип: возвращает индексы элементов values, не являющихся выбросами.

    Выброс: |v − median| > k × MAD, где MAD = median(|v − median|).
    Чистая функция без side-effect'ов — возвращает список индексов выживших
    (не сами значения, чтобы caller мог фильтровать list[dict] по ним).

    При MAD == 0 (все значения одинаковы) — все элементы проходят (ни один
    не считается выбросом в вырожденном случае).
    Ожидает непустой список; caller гарантирует len(values) >= 1.
    """
    sorted_v = sorted(values)
    median = _percentile(sorted_v, 0.5)
    deviations = sorted([abs(v - median) for v in values])
    mad = _percentile(deviations, 0.5)
    if mad == 0.0:
        # Все значения идентичны — нечего отсекать.
        return list(range(len(values)))
    threshold = k * mad
    return [i for i, v in enumerate(values) if abs(v - median) <= threshold]


def _compute_same_building_anchor(
    comps: list[dict[str, Any]],
    *,
    area_target: float,
    rooms_target: int | None,
    tier: str,
    sigma: float,
    rooms_boost: float,
    floor_target: int | None = None,
    total_floors_target: int | None = None,
    floor_sigma: float = 0.0,
    min_comps: int = 4,
    mad_k: float = 3.5,
) -> dict[str, Any] | None:
    """Чистая (testable без БД) свёртка комплов в anchor-оценку.

    1. similarity-weighted mean ppm²: w_i = exp(−(ln(area_i/area_target))²/(2σ²))
       × (rooms_boost если rooms_i==rooms_target) × FLOOR-вес. area_i=None →
       area-вес 1.0 (нейтрально). FLOOR-вес (#680-WB) — Gaussian по ОТНОСИТЕЛЬНОЙ
       вертикальной позиции pos=floor/total_floors: exp(−(pos_i−pos_t)²/(2σ_f²)),
       σ_f=floor_sigma. Прижимает якорь к комплам с похожим этажом (1-й/последний
       и видовые этажи реально отличаются по цене). floor_sigma=0 ИЛИ нет floor у
       target/компла → вес 1.0 (выключено / нейтрально — no regress).
    2. PREMIUM uplift (class-free): target — топ-юнит ДОМА (area ≥ p66 площадей
       комплов) И rooms_target ≥ медианы комнат комплов И tier == 'A' → берём
       weighted ~p70 верхний квантиль ppm² (консервативно, только вверх). Условие
       по комнатам (#680-WB) не даёт мелкокомнатному юниту во флагман-доме унаследовать
       headline-премию флагмана (3к/153 в доме с 4к-флагманом ≠ цена флагмана).
    3. haircut asking→sold (banded по anchor ppm²): anchor_sold = anchor×(1−haircut).
    4. FSD = 0.07 + 0.25·CV(comp ppm²) + tier_penalty + n_penalty; range полуширина
       = k·fsd. confidence-банд по fsd.

    Returns dict {anchor_ppm2, anchor_sold_ppm2, fsd, confidence, n, cv,
    comp_min_ppm2, used_uplift, haircut} или None если комплов нет.
    """
    if not comps:
        return None
    # Строим параллельные списки comps/ppm2 с гарантированным соответствием индексов.
    priced_pairs = [(c, float(c["price_per_m2"])) for c in comps if c.get("price_per_m2")]
    if not priced_pairs:
        return None

    # #755 param-3: MAD-clip — отсекаем выбросы по price_per_m2 до агрегации.
    # Если после клипа выживает < min_comps — якорь НЕ срабатывает (→ None → fallback).
    raw_ppm2 = [p for _, p in priced_pairs]
    # #1795 шаг 2: ужесточаем MAD-clip на малых выборках. При n < small_n_threshold
    # дефолтный mad_k=3.5 слишком мягок (n=7 не срезает элитные хвосты на право-
    # скошенном премиум-распределении → similarity-weighted mean тянется вверх).
    # Эффективный k выбирается ВНУТРИ функции до _mad_clip (сигнатура не меняется).
    # mad_k_small >= mad_k → no-op (старое поведение).
    # ВАЖНО: Tier A (комплы ТОГО ЖЕ дома) EXEMPT — внутридомовой спред (этаж/вид)
    # легитимен, агрессивный clip там съел бы реальные топ-юниты и обрушил бы якорь
    # < min_comps → fallback на заниженную радиусную медиану. Tier C/прочие — clip.
    effective_mad_k = mad_k
    if (
        tier != "A"
        and settings.estimate_sb_mad_k_small_n < mad_k
        and len(raw_ppm2) < settings.estimate_sb_small_n_threshold
    ):
        effective_mad_k = settings.estimate_sb_mad_k_small_n
    surviving_idx = _mad_clip(raw_ppm2, effective_mad_k)
    if len(surviving_idx) < min_comps:
        logger.info(
            "anchor MAD-clip: %d comps → %d survived (< min_comps=%d) → fallback",
            len(priced_pairs),
            len(surviving_idx),
            min_comps,
        )
        return None
    if len(surviving_idx) < len(priced_pairs):
        logger.info(
            "anchor MAD-clip: %d comps → %d after k=%.1f×MAD clip",
            len(priced_pairs),
            len(surviving_idx),
            effective_mad_k,
        )
        priced_pairs = [priced_pairs[i] for i in surviving_idx]
    comps = [c for c, _ in priced_pairs]
    ppm2 = [p for _, p in priced_pairs]
    n = len(ppm2)

    # target relative vertical position (None → floor-вес отключён/нейтрален).
    target_pos: float | None = None
    if floor_sigma > 0 and floor_target and total_floors_target and total_floors_target > 0:
        target_pos = floor_target / total_floors_target

    # #audit-4: sigma > 0 guard — при sigma=0 Gaussian exp(-x²/0) → div/0/NaN.
    # area_sigma=0 (отключено) → нейтральный вес 1.0; floor_sigma=0 уже гейтится выше.
    safe_area_sigma2 = 2.0 * sigma * sigma if sigma > 0 else 0.0
    safe_floor_sigma2 = 2.0 * floor_sigma * floor_sigma if floor_sigma > 0 else 0.0

    # 1. similarity weights (area × rooms × floor-position)
    weights: list[float] = []
    for c in comps:
        a = c.get("area_m2")
        if a and area_target > 0 and safe_area_sigma2 > 0:
            area_w = math.exp(-((math.log(a / area_target)) ** 2) / safe_area_sigma2)
        else:
            area_w = 1.0  # площадь неизвестна или sigma=0 → нейтральный area-вес
        rooms_match = rooms_target is not None and c.get("rooms") == rooms_target
        rooms_w = rooms_boost if rooms_match else 1.0
        floor_w = 1.0
        if target_pos is not None and safe_floor_sigma2 > 0:
            cf = c.get("floor")
            ctf = c.get("total_floors")
            if cf and ctf and ctf > 0:
                comp_pos = cf / ctf
                floor_w = math.exp(-((comp_pos - target_pos) ** 2) / safe_floor_sigma2)
            # компл без floor/total_floors → нейтральный floor-вес 1.0
        weights.append(area_w * rooms_w * floor_w)
    wsum = sum(weights)
    if wsum > 0:
        anchor = sum(w * p for w, p in zip(weights, ppm2, strict=True)) / wsum
    else:
        anchor = _percentile(sorted(ppm2), 0.5)

    # #audit-4: MAD-clip ПОСЛЕ similarity-weighting (за флагом estimate_sb_clip_after_weight).
    # Видовые/топ-юниты с высоким ppm² могут быть выкинуты сырым clip'ом ДО weighting —
    # они легитимны. После weighting (anchor = weighted mean) ищем выбросы
    # относительно self-consistent взвешенного пространства.
    # Используем те же effective_mad_k; если после clip < min_comps → anchor=None.
    if settings.estimate_sb_clip_after_weight and n >= 2:
        post_clip_idx = _mad_clip(ppm2, effective_mad_k)
        if len(post_clip_idx) < min_comps:
            logger.info(
                "anchor post-weight MAD-clip #audit-4: %d comps → %d survived"
                " (< min_comps=%d) → fallback",
                n,
                len(post_clip_idx),
                min_comps,
            )
            return None
        if len(post_clip_idx) < n:
            logger.info(
                "anchor post-weight MAD-clip #audit-4: %d comps → %d after k=%.1f×MAD",
                n,
                len(post_clip_idx),
                effective_mad_k,
            )
            comps = [comps[i] for i in post_clip_idx]
            ppm2 = [ppm2[i] for i in post_clip_idx]
            weights = [weights[i] for i in post_clip_idx]
            n = len(ppm2)
            wsum = sum(weights)
            if wsum > 0:
                anchor = sum(w * p for w, p in zip(weights, ppm2, strict=True)) / wsum
            else:
                anchor = _percentile(sorted(ppm2), 0.5)

    # 2. premium uplift — топ-юнит дома (площадь ≥ p66 И комнаты ≥ медианы) И Tier A
    #    → weighted p70. Условие по комнатам отсекает мелкие юниты во флагман-домах.
    used_uplift = False
    areas = [c.get("area_m2") for c in comps if c.get("area_m2")]
    comp_rooms = [c.get("rooms") for c in comps if c.get("rooms") is not None]
    if tier == "A" and areas and area_target > 0:
        p66_area = _percentile(sorted(areas), 0.66)
        rooms_ok = True
        if rooms_target is not None and comp_rooms:
            median_rooms = _percentile(sorted(comp_rooms), 0.5)
            rooms_ok = rooms_target >= median_rooms
        if area_target >= p66_area and rooms_ok:
            p70 = _percentile(sorted(ppm2), 0.70)
            if p70 > anchor:
                anchor = p70
                used_uplift = True

    # 3. asking→sold haircut (banded)
    haircut = _band_haircut(anchor)
    anchor_sold = anchor * (1.0 - haircut)

    # 4. FSD-диапазон (tight). CV = std/mean comp ppm².
    mean_ppm2 = sum(ppm2) / n
    if mean_ppm2 > 0 and n >= 2:
        var = sum((p - mean_ppm2) ** 2 for p in ppm2) / n
        cv = math.sqrt(var) / mean_ppm2
    else:
        cv = 0.0
    tier_penalty = {"A": 0.0, "C": 0.05}.get(tier, 0.09)
    n_penalty = 0.05 if n < 3 else (0.02 if n < 5 else 0.0)
    fsd = 0.07 + 0.25 * cv + tier_penalty + n_penalty

    if fsd <= 0.13:
        confidence = "high"
    elif fsd <= 0.20:
        confidence = "medium"
    else:
        confidence = "low"

    # #755 param-2: confidence cap — при n < 5 комплах anchor не может быть "high"
    # даже если FSD укладывается в 0.13 (мало данных — самоуверенный headline опасен).
    if n < 5 and confidence == "high":
        confidence = "medium"

    return {
        "anchor_ppm2": anchor,
        "anchor_sold_ppm2": anchor_sold,
        "fsd": fsd,
        "confidence": confidence,
        "n": n,
        "cv": cv,
        "comp_min_ppm2": min(ppm2),
        "comp_max_ppm2": max(ppm2),
        "used_uplift": used_uplift,
        "haircut": haircut,
    }


# ── #693 prod-fix: coarse-geocode detector (DaData-independent) ─────────────
# Дом всегда оканчивается номером (1-3 цифры, опц. литера корпуса). Centroid
# города/региона его НЕ содержит. Прод-сигнал грубости геокода, работающий БЕЗ
# DaData: на проде DaData может быть off (token не сконфигурирован) → dadata.qc_geo
# всегда None → старый гейт #707 (условный на qc_geo>=2) НЕ срабатывал НИКОГДА,
# даже для региона/города. Кэш-агностичен — смотрит на geo.full_address, каким бы
# провайдером/кэшем он ни был получен.
#
# Граница (?<!\d)\d{1,3}(?!\d) исключает почтовый индекс (6 цифр) и год постройки
# (4 цифры) — они не матчат «дом». Числовые улицы («8 Марта») матчат свой номер →
# НЕ даунгрейдятся (консервативно: реальная улица, аналоги рядом есть; принцип
# #707 — никаких ложных downgrade важнее, чем отлов всех coarse-кейсов).
_HOUSE_NUMBER_RE = re.compile(r"(?<!\d)\d{1,3}[а-яёa-z]?(?!\d)", flags=re.IGNORECASE)


def _geocode_is_coarse(geo: GeocodeResult) -> bool:
    """True если геокод разрешился лишь до centroid'а НП/города/региона (без дома).

    Два сигнала (OR):
      1. provider confidence == 'locality' — явный centroid-маркер (на будущее:
         текущие провайдеры его не эмитят, но enum/кэш-колонка допускают, и так
         геокодер можно улучшить позже без правки гейта).
      2. в geo.full_address нет house-number токена (1-3 цифры) → геокодер не дошёл
         до дома, вернул центр НП/города/региона.
    Гарантирует ZERO ложных downgrade на реальных адресах: у любого реального дома
    есть номер → токен матчится → не coarse.
    """
    if geo.confidence == "locality":
        return True
    return _HOUSE_NUMBER_RE.search(geo.full_address or "") is None


# ── Time-budget guard (#654) ────────────────────────────────────────────────
async def _with_budget(coro: Any, budget_s: float, *, label: str) -> Any:
    """Await `coro` under an asyncio.wait_for() time budget.

    On timeout the coroutine is cancelled and we return None — mapping a slow
    upstream onto the SAME graceful "None" path these enrichments already take
    on network error, so a single slow source degrades the estimate instead of
    blowing the gateway read timeout (#654: opaque Caddy 502/504).

    budget_s <= 0 disables the guard (await directly) — escape hatch via config.
    """
    if budget_s is None or budget_s <= 0:
        return await coro
    try:
        return await asyncio.wait_for(coro, timeout=budget_s)
    except TimeoutError:
        # asyncio.TimeoutError is an alias of builtin TimeoutError (py3.11+).
        logger.warning("%s exceeded %.1fs budget — degrading to None (#654)", label, budget_s)
        return None


# ── PricingResult dataclass (pure, no I/O) ──────────────────────────────────


def _cv_from_ppm2(values: list[float | int | None]) -> float | None:
    """Коэффициент вариации ₽/м² (std/mean) по выборке — #2043 (BE-1).

    Метрика разброса цен аналогов: делит population std на среднее. Совпадает с
    CV, который _compute_same_building_anchor уже считает для anchor-комплов
    (та же формула), но применима и к радиусной выборке / rehydrate из
    сохранённых analogs. Возвращает None при <2 валидных (>0) значениях или
    нулевом среднем (недостаточно данных → честный None, а не 0.0).
    """
    vals = [float(v) for v in values if v]
    n = len(vals)
    if n < 2:
        return None
    mean = sum(vals) / n
    if mean <= 0:
        return None
    var = sum((v - mean) ** 2 for v in vals) / n
    return math.sqrt(var) / mean


def _source_counts(sources: list[str | None]) -> dict[str, int]:
    """Счётчики по источнику ({'avito': 12, 'cian': 5}) — #2043 (BE-1).

    Считает по ПОЛНОЙ выборке аналогов (до top-N отсечки для UI). Пустые/None
    источники пропускаются. Порядок ключей стабильно отсортирован для
    детерминированного ответа.
    """
    counts: dict[str, int] = {}
    for s in sources:
        if s:
            counts[s] = counts.get(s, 0) + 1
    return dict(sorted(counts.items()))


# Оценочные (не-листинговые) источники канона «7» источников. Листинговые
# (avito/cian/yandex/domklik) выводятся динамически из реальных analog-карточек;
# эти три — внешние оценки, которые не порождают analog-строк.
_CANONICAL_VALUATION_SOURCES: frozenset[str] = frozenset(
    {"avito_imv", "yandex_valuation", "cian_valuation"}
)


def _canonical_sources(
    analog_sources: Iterable[str | None],
    valuation_flags: Iterable[str | None],
) -> list[str]:
    """Единый источник правды для sources_used — #2087 (M1).

    sources_used = {листинговые источники, РЕАЛЬНО присутствующие в persisted
    analogs} ∪ {оценочные источники (avito_imv/yandex_valuation/cian_valuation),
    которые действительно использованы}. Детерминированно отсортирован.

    Вызывается идентично на POST (estimate_quality) и GET-rehydrate
    (api.v1.trade_in.get_estimate) из ТЕХ ЖЕ persisted analogs, поэтому один
    estimate_id → идентичный sources_used на POST/GET/reload. Гарантирует
    инвариант source_counts.keys() ⊆ sources_used: и counts, и листинговая часть
    sources_used считаются из одного и того же набора analog-источников.

    valuation_flags фильтруется до канонических оценочных источников — можно
    безопасно передать сырой persisted-массив sources_used (листинговые сорта и
    служебные метки вроде quarter_index отбрасываются, т.к. листинговая часть
    берётся из analogs).
    """
    listing = {s for s in analog_sources if s}
    valuation = {s for s in valuation_flags if s in _CANONICAL_VALUATION_SOURCES}
    return sorted(listing | valuation)


@dataclass
class PricingResult:
    """Return type of _price_from_inputs — все переменные, нужные estimate_quality после блока."""

    median_ppm2: float
    median_price: int
    range_low: int
    range_high: int
    n_analogs: int
    confidence: str
    explanation: str
    anchor_tier: str | None
    anchor_comps_used: list[dict]
    avito_imv_summary: AvitoImvSummary | None
    dkp_corridor: DkpCorridor | None
    expected_sold_per_m2: int | None
    expected_sold_price: int | None
    expected_sold_range_low: int | None
    expected_sold_range_high: int | None
    asking_to_sold_ratio: float | None
    ratio_basis: str | None
    sources_used_pre: list[str]
    listings_clean: list[dict]
    # #2043 (BE-1): коэффициент вариации ₽/м² по выборке, на которой построен
    # headline. Anchor-путь → CV комплов (anchor["cv"]); radius-путь → CV
    # радиусной ₽/м²-выборки. None если <2 цен (недостаточно данных).
    cv: float | None = None


def _price_from_inputs(
    *,
    listings: list[dict],
    area_m2: float,
    rooms: int | None,
    repair_state: str | None,
    floor: int | None,
    total_floors: int | None,
    target_year: int | None,
    analog_tier: str,
    fallback_used: bool,
    area_widened: bool,
    anchor_comps: list[dict],
    anchor_tier_fetched: str | None,
    dkp_raw: dict | None,
    imv_anchor: dict | None,
    imv_eval: IMVEvaluation | None,
    yandex_val_present: bool,
    cian_val_present: bool,
    ratio_resolver: Callable[[float | None], tuple[float | None, str | None]],
    quarter_index_lookup: Callable[[str], tuple[float, int] | None],
    quarter_indexes_lookup: Callable[[list[str]], dict[str, float]],
    target_house_cadnum: str | None,
    dadata_coarse: bool,
    geo: GeocodeResult,
    dadata_qc_geo: int | None,
) -> PricingResult:
    """Deterministic pricing orchestration — pure, synchronous, zero I/O.

    Extracted from estimate_quality (#1966) to enable offline backtesting and
    direct unit testing. All DB lookups are injected via callables or pre-fetched
    values; behavior is byte-identical to the original block.
    """
    # 2b. Кросс-source физический дедуп (#2087 H4) — ДО outlier-фильтра и
    # агрегации, чтобы n_analogs/median/cv считались по уникальным лотам, а не
    # по кросс-постам. No-op при estimate_dedup_analogs_enabled=False.
    listings = _dedup_cross_source(listings)
    # #2265 gap (live QA 2026-07-03): якорный пул (_fetch_anchor_comps, Tier A
    # same_building / Tier C micro_radius) строится ОТДЕЛЬНЫМ raw SQL и раньше
    # НИКОГДА не проходил через дедуп — только радиусные `listings` дедупились.
    # Когда anchor сработал, anchor_comps_used (и n_analogs=anchor["n"]) брались
    # из недедупленного пула → тот же физлот с разных source (пустой cadnum,
    # street-композит совпал) считался/показывался дважды. Дедупим ЗДЕСЬ, ДО
    # _compute_same_building_anchor и ДО anchor_comps_used=anchor_comps ниже —
    # оба места читают этот же (теперь задедупленный) список, так что n_analogs
    # и показанные top-N analogs остаются согласованы автоматически.
    anchor_comps = _dedup_cross_source(anchor_comps)

    # 3. Outlier filter
    listings_clean = _filter_outliers(listings)

    # 4. Aggregation
    if listings_clean:
        prices_ppm2 = sorted(lot["price_per_m2"] for lot in listings_clean if lot["price_per_m2"])
        median_ppm2 = _percentile(prices_ppm2, 0.5)
        q1_ppm2 = _percentile(prices_ppm2, 0.25)
        q3_ppm2 = _percentile(prices_ppm2, 0.75)
        median_price = int(median_ppm2 * area_m2)
        range_low = int(q1_ppm2 * area_m2)
        range_high = int(q3_ppm2 * area_m2)
        # #2: n_analogs считается по prices_ppm2, а не len(listings_clean).
        n_analogs = len(prices_ppm2)
        # #2043 (BE-1): CV радиусной выборки ₽/м² (переопределяется anchor CV ниже,
        # если якорь сработал). None при <2 ценах.
        cv = _cv_from_ppm2(list(prices_ppm2))
    else:
        median_ppm2 = 0.0
        q1_ppm2 = 0.0
        q3_ppm2 = 0.0
        median_price = 0
        range_low = 0
        range_high = 0
        n_analogs = 0
        cv = None

    # 4b. Repair coefficient
    repair_coef = _repair_coefficient(repair_state)
    repair_note = ""
    if listings_clean and repair_coef != 1.0:
        median_price = int(median_price * repair_coef)
        range_low = int(range_low * repair_coef)
        range_high = int(range_high * repair_coef)
        median_ppm2 = median_ppm2 * repair_coef
        pct = round((repair_coef - 1.0) * 100)
        repair_note = (
            f" Цена скорректирована на состояние ремонта "
            f"({_REPAIR_LABEL.get(repair_state, '')} {pct:+d}%)."
        )

    # Build sources_used_pre from listings + external sources
    sources_used_pre = sorted({lot.get("source") for lot in listings_clean if lot.get("source")})
    if imv_eval is not None:
        sources_used_pre = sorted(set(sources_used_pre) | {"avito_imv"})
    if yandex_val_present:
        sources_used_pre = sorted(set(sources_used_pre) | {"yandex_valuation"})
    if cian_val_present:
        sources_used_pre = sorted(set(sources_used_pre) | {"cian_valuation"})

    # 4c. asking→sold variables — initialized; actual computation is after all mutations.
    asking_to_sold_ratio: float | None = None
    ratio_basis: str | None = None
    expected_sold_per_m2: int | None = None
    expected_sold_price: int | None = None
    expected_sold_range_low: int | None = None
    expected_sold_range_high: int | None = None

    confidence, explanation = _compute_confidence(
        n_analogs,
        median_ppm2,
        q1_ppm2 if listings_clean else 0,
        q3_ppm2 if listings_clean else 0,
        fallback_used,
        area_widened,
        listings=listings_clean,
    )

    # Tier note — информируем пользователя о качестве house-match
    tier_note = ""
    if analog_tier == "S":
        tier_note = " (аналоги из того же дома)"
    elif analog_tier == "H":
        tf_str = f"{total_floors}-эт." if total_floors is not None else ""
        yr_str = f"{target_year}±15 г." if target_year else ""
        parts_str = ", ".join(p for p in [yr_str, tf_str] if p)
        tier_note = f" (аналоги из домов того же класса: {parts_str})" if parts_str else ""
    else:
        tier_note = " (нет аналогов в том же доме/классе — расширили поиск)"

    explanation = (explanation or "") + tier_note + repair_note

    # ── #651/#652 v2: same-building anchor ───────────────────────────────────
    anchor_tier: str | None = anchor_tier_fetched
    anchor_comps_used: list[dict] = []

    anchor = _compute_same_building_anchor(
        anchor_comps,
        area_target=area_m2,
        rooms_target=rooms,
        tier=anchor_tier or "",
        sigma=settings.estimate_sb_area_sigma,
        rooms_boost=settings.estimate_sb_rooms_match_boost,
        floor_target=floor,
        total_floors_target=total_floors,
        floor_sigma=settings.estimate_sb_floor_sigma,
        min_comps=settings.estimate_sb_min_comps,
        mad_k=settings.estimate_sb_mad_k,
    )

    # #1795 шаг 3: гейт Tier C.
    if (
        anchor is not None
        and anchor_tier == "C"
        and settings.estimate_anchor_tier_c_corridor_mult > 0
    ):
        if dkp_raw is not None and dkp_raw.get("high_ppm2", 0) > 0:
            corridor_high_for_gate = float(dkp_raw["high_ppm2"])
        else:
            corridor_high_for_gate = (median_ppm2 / repair_coef) * 1.3 if repair_coef else 0.0
        gate_threshold = corridor_high_for_gate * settings.estimate_anchor_tier_c_corridor_mult
        if gate_threshold > 0 and anchor["anchor_ppm2"] > gate_threshold:
            logger.info(
                "sb_anchor Tier C gate #1795: anchor_ppm2=%d > corridor_high×%.1f=%d"
                " → keep radius median (anchor suppressed)",
                int(anchor["anchor_ppm2"]),
                settings.estimate_anchor_tier_c_corridor_mult,
                int(gate_threshold),
            )
            anchor = None

    # #audit-1: low-confidence gate.
    if anchor is not None and settings.estimate_sb_low_conf_gate_enabled:
        gate_low = anchor["confidence"] == "low"
        gate_thin = (
            anchor["n"] < settings.estimate_sb_gate_min_n
            and anchor["fsd"] > settings.estimate_sb_gate_max_fsd
        )
        if gate_low or gate_thin:
            logger.info(
                "sb_anchor low-conf gate #audit-1: tier=%s n=%d fsd=%.3f conf=%s"
                " → suppressed (gate_low=%s gate_thin=%s) → radius fallback",
                anchor_tier,
                anchor["n"],
                anchor["fsd"],
                anchor["confidence"],
                gate_low,
                gate_thin,
            )
            anchor = None
            anchor_tier = None

    if anchor is not None:
        # #694: якорь мутирует headline — UI-аналоги должны отражать ЭТИ комплы.
        anchor_comps_used = anchor_comps
        est_ppm2 = anchor["anchor_ppm2"]
        # PREMIUM GUARDRAIL (hard).
        floor_ppm2 = anchor["comp_min_ppm2"] * (1.0 - settings.estimate_sb_guardrail_tol)
        if est_ppm2 < floor_ppm2:
            est_ppm2 = floor_ppm2
        new_ppm2 = est_ppm2 * repair_coef
        point = int(new_ppm2 * area_m2)
        # FSD-диапазон.
        half = settings.estimate_fsd_k * anchor["fsd"]
        new_range_low = int(point * max(0.0, 1.0 - half))
        new_range_high = int(point * (1.0 + half))
        # Спред комплов.
        spread_low = int(anchor["comp_min_ppm2"] * repair_coef * area_m2)
        spread_high = int(anchor["comp_max_ppm2"] * repair_coef * area_m2)
        new_range_low = min(new_range_low, spread_low, point)
        new_range_high = max(new_range_high, spread_high, point)

        logger.info(
            "sb_anchor: tier=%s n=%d radius_median_ppm2=%d → anchor_asking_ppm2=%d"
            " (uplift=%s haircut=%.2f) point %d → %d",
            anchor_tier,
            anchor["n"],
            int(median_ppm2),
            int(est_ppm2),
            anchor["used_uplift"],
            anchor["haircut"],
            median_price,
            point,
        )
        median_ppm2 = new_ppm2
        median_price = point
        range_low = new_range_low
        range_high = new_range_high
        confidence = anchor["confidence"]
        tier_label = "того же дома" if anchor_tier == "A" else "ближайшего окружения (≤500 м)"
        # #695: explanation описывает ИМЕННО якорные комплы.
        explanation = (
            f"Оценка построена по {anchor['n']} аналогам из {tier_label}"
            f"{' (топ-уровень в доме)' if anchor['used_uplift'] else ''}."
        ) + repair_note
        # #695 (QA fixup): n_analogs по anchor-популяции.
        n_analogs = anchor["n"]
        # #2043 (BE-1): headline построен на комплах якоря → CV тоже по ним.
        cv = anchor["cv"]
        # #1871 P1: ghost-anchor guard.
        if not listings_clean and confidence != "low":
            logger.warning(
                "estimator #1871 ghost-anchor guard: confidence %s→low "
                "(anchor_n=%s, radius_analogs=0)",
                confidence,
                anchor["n"],
            )
            confidence = "low"
            explanation += (
                " Оценка опирается только на аналоги из того же дома — "
                "сопоставимых предложений поблизости не найдено, поэтому "
                "точность ориентировочная."
            )
        # #1871 P2: split-дома wide-corridor disclosure.
        if (
            settings.estimate_wide_corridor_disclosure_enabled
            and anchor_tier == "A"
            and median_price > 0
        ):
            corridor_pct = (range_high - range_low) / median_price
            if corridor_pct > settings.estimate_wide_corridor_threshold:
                confidence = _downgrade_confidence(confidence)
                explanation = (explanation or "") + (
                    " Очень широкий ценовой диапазон по дому (вероятно, дом "
                    "разбит на секции разной этажности или разнородный фонд) — "
                    "оценка ориентировочная, уточните по конкретной секции."
                )

    # ── #651: IMV / Yandex blend (Tier D only, anchor_tier is None) ──────────
    imv_anchor_present: bool = False
    avito_imv_summary: AvitoImvSummary | None = None
    if (
        anchor_tier is None
        and settings.estimate_imv_blend_enabled
        and listings_clean
        and median_price > 0
    ):
        anchor_total: int | None = None
        anchor_higher: int | None = None
        anchor_label: str | None = None
        if imv_anchor is not None and imv_anchor.get("recommended_price"):
            anchor_total = int(imv_anchor["recommended_price"])
            anchor_higher = (
                int(imv_anchor["higher_price"]) if imv_anchor.get("higher_price") else None
            )
            anchor_label = "оценке Avito IMV"
            _imv_mc = int(imv_anchor["market_count"]) if imv_anchor.get("market_count") else None
            avito_imv_summary = AvitoImvSummary(
                recommended_price=anchor_total,
                lower_price=(
                    int(imv_anchor["lower_price"]) if imv_anchor.get("lower_price") else None
                ),
                higher_price=anchor_higher,
                market_count=_imv_mc,
                thin_market=(
                    _imv_mc is not None and _imv_mc < settings.avito_imv_thin_market_threshold
                ),
            )
        elif imv_eval is not None and imv_eval.recommended_price:
            anchor_total = int(imv_eval.recommended_price)
            anchor_higher = int(imv_eval.higher_price) if imv_eval.higher_price else None
            anchor_label = "оценке Avito IMV"
            avito_imv_summary = AvitoImvSummary(
                recommended_price=anchor_total,
                lower_price=(int(imv_eval.lower_price) if imv_eval.lower_price else None),
                higher_price=anchor_higher,
                market_count=imv_eval.market_count,
                thin_market=(
                    imv_eval.market_count is not None
                    and imv_eval.market_count < settings.avito_imv_thin_market_threshold
                ),
            )

        # #audit-5b: thin-market warning.
        if avito_imv_summary is not None and avito_imv_summary.thin_market:
            logger.warning(
                "avito_imv thin_market #audit-5b: market_count=%s"
                " (< avito_imv_thin_market_threshold=%d) — IMV reliability low",
                avito_imv_summary.market_count,
                settings.avito_imv_thin_market_threshold,
            )

        if anchor_total is not None:
            imv_anchor_present = True
            new_median, new_range_high, new_ppm2, blended, anchor_used = _apply_imv_blend(
                median_price=median_price,
                range_high=range_high,
                median_ppm2=median_ppm2,
                area=area_m2,
                anchor_total=anchor_total,
                anchor_higher=anchor_higher,
                weight=settings.estimate_imv_blend_weight,
                threshold=settings.estimate_imv_blend_threshold,
            )
            if blended:
                logger.info(
                    "imv_blend: median %d → %d (anchor=%d w=%.2f) range_high %d → %d",
                    median_price,
                    new_median,
                    anchor_used,
                    settings.estimate_imv_blend_weight,
                    range_high,
                    new_range_high,
                )
                median_price = new_median
                median_ppm2 = new_ppm2
                explanation = (explanation or "") + (
                    f" Оценка скорректирована по {anchor_label} "
                    f"({anchor_used / 1_000_000:.1f} млн ₽)."
                )
                sources_used_pre = sorted(set(sources_used_pre) | {"avito_imv"})
            # Диапазон расширяем даже если медиану не двигали.
            range_high = new_range_high

    # Display-only IMV summary when headline built by same-building anchor.
    if anchor_tier is not None and avito_imv_summary is None:
        if imv_anchor is not None and imv_anchor.get("recommended_price"):
            _disp_mc = int(imv_anchor["market_count"]) if imv_anchor.get("market_count") else None
            avito_imv_summary = AvitoImvSummary(
                recommended_price=int(imv_anchor["recommended_price"]),
                lower_price=(
                    int(imv_anchor["lower_price"]) if imv_anchor.get("lower_price") else None
                ),
                higher_price=(
                    int(imv_anchor["higher_price"]) if imv_anchor.get("higher_price") else None
                ),
                market_count=_disp_mc,
                thin_market=(
                    _disp_mc is not None and _disp_mc < settings.avito_imv_thin_market_threshold
                ),
            )

    # ── #764: per-cadastral-quarter price index gap-correction ───────────────
    if (
        settings.estimate_quarter_index_enabled
        and anchor_tier is None  # Guard-1a
        and not imv_anchor_present  # Guard-1b
        and median_price > 0
        and area_m2
    ):
        target_quarter: str | None = _quarter_from_cadastre(target_house_cadnum)
        if target_quarter is None:
            for lot in listings_clean:
                cq = _quarter_from_cadastre(lot.get("building_cadastral_number"))
                if cq is not None:
                    target_quarter = cq
                    break

        if target_quarter is not None:
            qindex_result = quarter_index_lookup(target_quarter)
            if qindex_result is not None:
                target_qi, target_n_deals = qindex_result

                # Bimodal/nominal guard (Guard-4).
                if (
                    target_qi > settings.estimate_quarter_index_max_for_small_n
                    and target_n_deals < settings.estimate_quarter_index_small_n_threshold
                ):
                    logger.info(
                        "quarter_index: bimodal guard triggered "
                        "(index=%.3f n=%d < %d) for %s — no-op",
                        target_qi,
                        target_n_deals,
                        settings.estimate_quarter_index_small_n_threshold,
                        target_quarter,
                    )
                else:
                    lot_quarters_for_guard2: list[str] = []
                    analog_quarters: list[tuple[str, float]] = []
                    for lot in listings_clean:
                        lq = _quarter_from_cadastre(lot.get("building_cadastral_number"))
                        if lq is None:
                            continue
                        lot_quarters_for_guard2.append(lq)
                        lp = lot.get("price_per_m2")
                        if lp:
                            analog_quarters.append((lq, float(lp)))

                    # Guard-2: same-quarter ratio.
                    same_quarter_count = sum(
                        1 for lq in lot_quarters_for_guard2 if lq == target_quarter
                    )
                    # #1385: знаменатель — только классифицируемые аналоги.
                    same_quarter_ratio = (
                        same_quarter_count / len(lot_quarters_for_guard2)
                        if lot_quarters_for_guard2
                        else 0.0
                    )
                    if same_quarter_ratio > settings.estimate_quarter_match_skip_ratio:
                        logger.info(
                            "quarter_index: Guard-2 skip (same-quarter ratio=%.2f > %.2f)"
                            " for %s",
                            same_quarter_ratio,
                            settings.estimate_quarter_match_skip_ratio,
                            target_quarter,
                        )
                    else:
                        distinct_analog_quarters = list(
                            dict.fromkeys(lq for lq, _lp in analog_quarters)
                        )
                        analog_index_map = quarter_indexes_lookup(distinct_analog_quarters)
                        weighted_sum = 0.0
                        weight_total = 0.0
                        for lq, lp in analog_quarters:
                            lot_qi = analog_index_map.get(lq)
                            if lot_qi is None:
                                continue
                            weighted_sum += lp * lot_qi
                            weight_total += lp

                        avg_analog_index = weighted_sum / weight_total if weight_total > 0 else 1.0

                        (
                            median_ppm2,
                            median_price,
                            range_low,
                            range_high,
                            qi_factor,
                        ) = _apply_quarter_index(
                            base_median_ppm2=median_ppm2,
                            base_median_price=median_price,
                            base_range_low=range_low,
                            base_range_high=range_high,
                            target_index=target_qi,
                            avg_analog_index=avg_analog_index,
                            min_factor=settings.estimate_quarter_index_factor_min,
                            max_factor=settings.estimate_quarter_index_factor_max,
                        )
                        analogs_with_qi = sum(
                            1 for lq, _lp in analog_quarters if lq in analog_index_map
                        )
                        logger.info(
                            "quarter_index: applied target=%s target_qi=%.3f"
                            " avg_analog_qi=%.3f factor=%.3f"
                            " (same_quarter_ratio=%.2f analogs_with_qi=%d)",
                            target_quarter,
                            target_qi,
                            avg_analog_index,
                            qi_factor,
                            same_quarter_ratio,
                            analogs_with_qi,
                        )
                        explanation = (explanation or "") + (
                            f" Учтена локация квартала" f" (индекс цен квартала ×{qi_factor:.2f})."
                        )
                        sources_used_pre = sorted(set(sources_used_pre) | {"quarter_index"})

    # ── #1795 шаг 1: soft-кламп headline к коридору ДКП-сделок ──────────────
    slack = settings.estimate_corridor_clamp_slack
    if dkp_raw is not None and median_ppm2 > 0:
        old_ppm2 = median_ppm2
        median_ppm2, median_price, range_low, range_high, clamped = _apply_corridor_clamp(
            median_ppm2=median_ppm2,
            median_price=median_price,
            range_low=range_low,
            range_high=range_high,
            corridor_high_ppm2=dkp_raw["high_ppm2"],
            corridor_count=dkp_raw["count"],
            anchor_tier=anchor_tier,
            slack=slack,
            min_n=settings.estimate_corridor_clamp_min_n,
            enabled=settings.estimate_corridor_clamp_enabled,
        )
        if clamped:
            logger.info(
                "corridor clamp #1795: headline %d → %d ₽/м² (corridor_high=%d ×(1+%.2f),"
                " count=%d, tier=%s)",
                int(old_ppm2),
                int(median_ppm2),
                dkp_raw["high_ppm2"],
                slack,
                dkp_raw["count"],
                anchor_tier,
            )
            explanation = (explanation or "") + (
                " Оценка ограничена коридором реальных сделок Росреестра по улице."
            )

    # ── Radius-path нижний floor от DKP-коридора ─────────────────────────────
    if (
        settings.estimate_radius_floor_enabled
        and anchor_tier is None
        and dkp_raw is not None
        and dkp_raw.get("low_ppm2", 0) > 0
        and median_ppm2 > 0
        and dkp_raw.get("count", 0) >= settings.estimate_corridor_clamp_min_n
    ):
        radius_floor_ppm2 = float(dkp_raw["low_ppm2"]) * settings.estimate_radius_floor_factor
        if median_ppm2 < radius_floor_ppm2:
            floor_factor = radius_floor_ppm2 / median_ppm2
            logger.info(
                "radius_floor: median_ppm2=%d < dkp_low=%d × factor=%.2f = floor=%d"
                " → lifting (factor=%.3f)",
                int(median_ppm2),
                dkp_raw["low_ppm2"],
                settings.estimate_radius_floor_factor,
                int(radius_floor_ppm2),
                floor_factor,
            )
            median_ppm2 = radius_floor_ppm2
            median_price = round(median_price * floor_factor)
            range_low = round(range_low * floor_factor)
            range_high = round(range_high * floor_factor)
            explanation = (explanation or "") + (
                " Оценка поднята до нижней границы коридора реальных сделок Росреестра."
            )

    # 4c (cont.). expected_sold AFTER all headline mutations.
    if median_ppm2 > 0:
        asking_to_sold_ratio, ratio_basis = ratio_resolver(median_ppm2)
        if asking_to_sold_ratio is None:
            ratio_basis = None

    if asking_to_sold_ratio is not None and median_price > 0:
        effective_ratio = asking_to_sold_ratio
        if settings.estimate_expected_sold_le_asking and effective_ratio > 1.0:
            logger.info(
                "expected_sold ratio clamped %.3f->1.0 (rooms=%s)",
                effective_ratio,
                rooms,
            )
            effective_ratio = 1.0
        expected_sold_per_m2 = round(median_ppm2 * effective_ratio)
        expected_sold_price = round(median_price * effective_ratio)
        # #2002: hedonic year+area correction на ТОЧКУ expected_sold. Fit
        # log(actual_sold/expected_sold) ~ year + ln(area) по 2366 прод-сделкам:
        # factor = exp(b0 + b_year*(year-2000)/20 + b_larea*ln(area)), clamp [min,max].
        # Применяется ДО калиброванного PI-блока ниже, чтобы диапазон считался
        # вокруг скорректированной точки. OFF ⇒ точно старое expected_sold.
        if (
            settings.estimate_hedonic_correction_enabled
            and expected_sold_price
            and area_m2
            and area_m2 > 0
        ):
            _yr = ((target_year - 2000) / 20.0) if target_year else 0.0
            # #2002: ground-floor (floor==1) term — engine overestimates 1st-floor
            # units ~12%; floor is int|None, so floor==1 leaves None/other floors
            # byte-identical to the prior 2-term factor.
            _first = settings.estimate_hedonic_first_floor_coef if floor == 1 else 0.0
            _factor = math.exp(
                settings.estimate_hedonic_b0
                + settings.estimate_hedonic_year_coef * _yr
                + settings.estimate_hedonic_larea_coef * math.log(area_m2)
                + _first
            )
            _factor = max(
                settings.estimate_hedonic_factor_min,
                min(settings.estimate_hedonic_factor_max, _factor),
            )
            if expected_sold_per_m2:
                expected_sold_per_m2 = round(expected_sold_per_m2 * _factor)
            expected_sold_price = round(expected_sold_price * _factor)
        # #2002: re-assert the le_asking invariant — the hedonic factor (≤1.30) can
        # push expected_sold above the asking headline (median) for new/small lots,
        # which is an overpay risk for trade-in. Re-clamp the corrected point back to
        # the headline so the calibrated PI range below wraps the clamped point.
        # round(median_ppm2) keeps expected_sold_per_m2 an int (median_ppm2 is float).
        if settings.estimate_expected_sold_le_asking and expected_sold_price:
            expected_sold_price = min(expected_sold_price, median_price)
            if expected_sold_per_m2:
                expected_sold_per_m2 = min(expected_sold_per_m2, round(median_ppm2))
        if settings.estimate_calibrated_pi_enabled and expected_sold_price:
            # #1966: калиброванный ~80% prediction interval вокруг ТОЧКИ expected_sold.
            # Эмпирически отношение actual_sold_ppm2 / expected_sold_per_m2 по 2366
            # прод-сделкам: p10=0.649, p90=1.392 → band [×low_mult, ×high_mult] даёт
            # ~80% honest coverage. Старый IQR-производный band (asking-IQR × ratio)
            # покрывал лишь ~55% реальных продаж при заявленном «диапазоне оценки».
            # Множители low<1<high (дефолты) гарантируют low ≤ point ≤ high.
            expected_sold_range_low = round(expected_sold_price * settings.estimate_pi_low_mult)
            expected_sold_range_high = round(expected_sold_price * settings.estimate_pi_high_mult)
        else:
            # legacy: диапазон производный от IQR аналогов (asking-IQR × ratio).
            expected_sold_range_low = round(range_low * effective_ratio)
            expected_sold_range_high = round(range_high * effective_ratio)

        # #2141: честный asking_to_sold_ratio (дескриптор бейджа «−N% к рынку»).
        # ratio_resolver отдаёт СЫРОЙ per-rooms/tier дисконт, но ФАКТИЧЕСКИЙ
        # expected_sold сдвинут относительно median×ratio: hedonic-коррекция (#2002,
        # год+площадь, factor ∈ [0.75, 1.30]), le_asking-clamp, corridor-clamp. Тогда
        # сохранённый сырой ratio ≠ expected_sold/headline, и web/PDF-бейдж
        # round((1−ratio)×100) систематически врёт (напр. stored 0.771 при факте 0.945
        # → «−23%» вместо честных «−5%»). Пересчитываем ratio как реальное
        # expected_sold_price/median_price — дескриптор становится честным, а сам
        # expected_sold (выкуп) НЕ трогаем: hedonic-uplift остаётся прибит к sale-модели.
        # Нет сдвига (expected == median×ratio, hedonic OFF) → табличный ratio байт-в-байт.
        #
        # #2087 M2 (донат-виджет «−N% к рынку» расходился с показанными ценами):
        # тот же корень, что #2141 выше — закрывается ЭТИМ recompute'ом, т.к. он
        # безусловный (выполняется всегда, когда expected_sold_price задан) и стоит
        # ПОСЛЕ anchor/IMV-blend/quarter-index/corridor-clamp/radius-floor (все они
        # мутируют median_price ДО этой точки, см. "AFTER all headline mutations"
        # выше). #2255 segment-multiplier ниже — единственная мутация ПОСЛЕ этого
        # recompute'а — умножает median_price И expected_sold_price ОДНИМ и тем же
        # factor, так что их отношение (= сохранённый ratio) инвариантно с точностью
        # до независимого round() на каждой стороне (см.
        # test_honest_ratio_invariant_under_segment_multiplier).
        if expected_sold_price and expected_sold_price > 0:
            honest_ratio = expected_sold_price / median_price
            if abs(honest_ratio - asking_to_sold_ratio) > _RATIO_DESCRIPTOR_EPS:
                asking_to_sold_ratio = honest_ratio

    # ── #652: ДКП-коридор реальных сделок (advisory) ─────────────────────────
    dkp_corridor: DkpCorridor | None = None
    if dkp_raw is not None:
        dkp_corridor = DkpCorridor(**dkp_raw)
        if median_ppm2 and dkp_raw["count"] >= 3:
            if median_ppm2 > dkp_raw["high_ppm2"] * (1.0 + slack):
                explanation = (explanation or "") + (
                    " Оценка выше коридора реальных сделок Росреестра по улице."
                )
            elif median_ppm2 < dkp_raw["low_ppm2"] * (1.0 - slack):
                explanation = (explanation or "") + (
                    " Оценка ниже коридора реальных сделок Росреестра по улице."
                )

    # ── #693: coarse-geo downgrade ───────────────────────────────────────────
    geo_coarse = _geocode_is_coarse(geo)
    if (dadata_coarse or geo_coarse) and median_price > 0:
        logger.info(
            "coarse-geo gate #693: dadata_coarse=%s geo_coarse=%s anchor_tier=%s "
            "median=%s geo.provider=%s geo.confidence=%s geo.full_address=%r geo=(%.5f,%.5f)",
            dadata_coarse,
            geo_coarse,
            anchor_tier,
            median_price,
            geo.provider,
            geo.confidence,
            geo.full_address,
            geo.lat,
            geo.lon,
        )
    if (dadata_coarse or geo_coarse) and anchor_tier != "A" and median_price > 0:
        if dadata_coarse:
            _coarse_label = {2: "населённого пункта", 3: "города", 4: "региона"}.get(
                dadata_qc_geo, "населённого пункта"
            )
        else:
            _coarse_label = "населённого пункта"
        confidence = "low"
        explanation = (explanation or "") + (
            f" Адрес определён лишь до уровня {_coarse_label} — точные координаты "
            "дома найти не удалось, поэтому оценка ориентировочная (аналоги взяты "
            "по широкой окрестности)."
        )

    # ── #2255: сегментная поправка по ценовому бэнду — СРАЗУ ПЕРЕД min-width
    # floor, ПОСЛЕ IMV-blend / corridor-clamp / quarter-index / hedonic / PI
    # (все ценовые мутации точки уже отработали → бэнд считается по финальному
    # median_ppm2). Множитель к median_price/median_ppm2 и пропорционально к
    # range_low/range_high. Флаг OFF ⇒ no-op (путь байт-в-байт идентичен).
    #
    # Тот же factor применяется ДВУМЯ точками — к asking-headline (здесь) И к
    # expected_sold (выкуп) ниже. Причина: expected_sold дерайвится выше по
    # цепочке (median×ratio + hedonic/le_asking/PI, ~стр. 2595-2651), т.е. ДО
    # этой поправки → он уже заморожен и не «подхватит» умноженный median сам.
    # Acceptance #2255 требует сжатия per-segment bias именно в бэктесте, а
    # бэктест скорит expected_sold — значит поправка ОБЯЗАНА доехать до выкупа,
    # иначе оффер клиенту в бизнес/элит остаётся заниженным. Один общий factor
    # держит asking↔выкуп геометрически консистентными: honest_ratio
    # (expected/median) инвариантен к общему множителю (бейдж «−N%» не врёт), и
    # инвариант «выкуп ≤ headline» сохраняется (обе стороны ×один factor).
    if settings.estimate_segment_multiplier_enabled:
        (
            median_ppm2,
            median_price,
            range_low,
            range_high,
            _seg_band,
            _seg_factor,
        ) = _apply_segment_multiplier(
            median_price=median_price,
            median_ppm2=median_ppm2,
            range_low=range_low,
            range_high=range_high,
            enabled=settings.estimate_segment_multiplier_enabled,
            multipliers=settings.estimate_segment_multipliers,
        )
        if _seg_band is not None:
            sources_used_pre = sorted(set(sources_used_pre) | {"segment_multiplier"})
            # Догоняем той же пропорцией уже-дерайвнутый expected_sold (выкуп).
            if expected_sold_per_m2 is not None:
                expected_sold_per_m2 = round(expected_sold_per_m2 * _seg_factor)
            if expected_sold_price is not None:
                expected_sold_price = round(expected_sold_price * _seg_factor)
            if expected_sold_range_low is not None:
                expected_sold_range_low = round(expected_sold_range_low * _seg_factor)
            if expected_sold_range_high is not None:
                expected_sold_range_high = round(expected_sold_range_high * _seg_factor)
            logger.info(
                "segment_mult: expected_sold band=%s ×%.3f price→%s per_m2→%s",
                _seg_band,
                _seg_factor,
                expected_sold_price,
                expected_sold_per_m2,
            )

    # ── #2209: min-width floor — ПОСЛЕДНИМ, после всех мутаций (anchor / IMV blend
    # / quarter-index / corridor-clamp / radius-floor / hedonic PI / segment-mult),
    # чтобы никакая последующая мутация не сузила диапазон обратно. Floor только
    # расширяет и не трогает точку (median_price / expected_sold_price). Вырожденный
    # n=1 asking-диапазон (Q1==Q3) перестаёт быть точкой с ложной точностью.
    range_low, range_high = _apply_range_floor(range_low, range_high, median_price)
    if expected_sold_range_low is not None and expected_sold_range_high is not None:
        expected_sold_range_low, expected_sold_range_high = _apply_range_floor(
            expected_sold_range_low,
            expected_sold_range_high,
            expected_sold_price if expected_sold_price is not None else 0,
        )

    return PricingResult(
        median_ppm2=median_ppm2,
        median_price=median_price,
        range_low=range_low,
        range_high=range_high,
        n_analogs=n_analogs,
        confidence=confidence,
        explanation=explanation,
        anchor_tier=anchor_tier,
        anchor_comps_used=anchor_comps_used,
        avito_imv_summary=avito_imv_summary,
        dkp_corridor=dkp_corridor,
        expected_sold_per_m2=expected_sold_per_m2,
        expected_sold_price=expected_sold_price,
        expected_sold_range_low=expected_sold_range_low,
        expected_sold_range_high=expected_sold_range_high,
        asking_to_sold_ratio=asking_to_sold_ratio,
        ratio_basis=ratio_basis,
        sources_used_pre=sources_used_pre,
        listings_clean=listings_clean,
        cv=cv,
    )


# ── Public ───────────────────────────────────────────────────────────────────
async def estimate_quality(
    payload: TradeInEstimateInput, db: Session, created_by: str | None = None
) -> AggregatedEstimate:
    """Главная функция — оценка квартиры по реальным данным.

    PR M / #564 Phase 3: rosreestr_deals **included** в actual_deals output.
    Stale NOTE 2026-05-24 (про ДДУ contamination) устарел — importer
    `import-rosreestr.sh` после PR-A 2026-05-24 фильтрует doc_type='ДКП',
    ДДУ первички исключены. Deals идут в `actual_deals` JSONB поле
    AggregatedEstimate с tier classification (T0_per_house / T1_per_street)
    — frontend может разделять confidence в UI.

    Returns:
        AggregatedEstimate с estimate_id, медианой, диапазоном, аналогами.
    """
    # 1. Geocode (#654: time-budgeted — Yandex/Nominatim retry chain can stack
    #    multiple network round-trips + 1s Nominatim rate-limit sleeps).
    geo: GeocodeResult | None = None
    # Variant A: trust client-provided coords (resolved by autocomplete/map) when present
    # and inside the EKB bbox — skips the geocode() chain that fails on DaData-format
    # addresses with the Yandex key dead. Out-of-bbox / partial → ignore, geocode normally.
    if (
        payload.lat is not None
        and payload.lon is not None
        and 60.40 <= payload.lon <= 60.85
        and 56.65 <= payload.lat <= 56.95
    ):
        geo = GeocodeResult(
            lat=payload.lat,
            lon=payload.lon,
            full_address=payload.address,
            provider="cache",
            confidence="exact",
        )
        logger.info(
            "estimate: using client coords (%.5f, %.5f) — skipping geocode",
            payload.lat,
            payload.lon,
        )
    if geo is None and payload.address:
        geo = await _with_budget(
            geocode(payload.address, db),
            settings.estimate_geocode_budget_s,
            label="geocode",
        )

    if geo is None:
        # Без координат не можем искать через PostGIS. Возвращаем low confidence.
        logger.warning("geocode failed for %s — returning low-confidence estimate", payload.address)
        return await asyncio.to_thread(
            _empty_estimate, payload, db, reason="address_not_geocoded", created_by=created_by
        )

    # 1b. DaData enrichment (PR Q1) — on-demand cleanup для target адреса.
    # Best-effort: graceful None при отсутствии credentials / quota / fail.
    # Дополняет geocode результатом kadastr_num + canonical form + nearest metro.
    dadata: DadataAddressResult | None = None
    try:
        dadata = await dadata_clean_address(payload.address)
    except Exception as exc:  # pragma: no cover — defensive
        logger.warning("dadata: unexpected error (graceful): %s", exc)

    # 1c. #6 House-match: резолвим target в КАНОНИЧЕСКИЙ house_id (read-only, без
    #     создания записи). Это даёт детерминированный Tier S «тот же дом» через
    #     listings.house_id_fk (99% покрытие), точнее хрупкого address-string match.
    #     cadastr от DaData → cadastr_exact tier заработает по мере backfill houses.
    #     Best-effort: None при любой ошибке, estimator продолжает на гео-tier'ах.
    target_house_id: int | None = None
    # ФИАС как first-class ключ: приоритет клиентскому target_fias_id (разрешён
    # автокомплитом suggest), иначе fias из DaData /clean. Прокидываем в Tier 0.5
    # fias_exact матчера — самый стабильный ключ дома, точнее адрес-строки.
    dadata_fias = dadata.house_fias_id if dadata else None
    match_fias = payload.target_fias_id or dadata_fias
    try:
        match = await asyncio.to_thread(
            match_house_readonly,
            db,
            address=(dadata.canonical_address if dadata else None) or geo.full_address,
            lat=geo.lat,
            lon=geo.lon,
            cadastral_number=(dadata.house_cadnum if dadata else None),
            house_fias_id=match_fias,
        )
        if match is not None:
            target_house_id = match[0]
            logger.info(
                "estimate target → house_id=%s via %s (conf=%.2f)", match[0], match[2], match[1]
            )
            # Fill-null persist: если DaData вернул fias, а у канонического дома его
            # ещё нет — дописываем (+ qc_geo / enriched_at, сохраняя существующие
            # значения через COALESCE). Семантика scripts/backfill_houses_dadata.py.
            # Guard `house_fias_id IS NULL` — никогда не перетираем curated id.
            # SAVEPOINT изолирует сбой UPDATE от внешней estimate-транзакции.
            if dadata_fias and dadata is not None:

                def _backfill_house_fias() -> None:
                    with db.begin_nested():
                        db.execute(
                            text(
                                "UPDATE houses "
                                "   SET house_fias_id = CAST(:fias AS text), "
                                "       dadata_qc_geo = COALESCE(dadata_qc_geo, "
                                "                                CAST(:qc_geo AS integer)), "
                                "       dadata_enriched_at = COALESCE(dadata_enriched_at, NOW()) "
                                " WHERE id = CAST(:hid AS bigint) "
                                "   AND house_fias_id IS NULL"
                            ),
                            {
                                "fias": dadata_fias,
                                "qc_geo": dadata.qc_geo,
                                "hid": target_house_id,
                            },
                        )

                try:
                    await asyncio.to_thread(_backfill_house_fias)
                except Exception as exc:  # pragma: no cover — defensive
                    logger.warning("estimate fias back-fill failed (graceful): %s", exc)
    except Exception as exc:  # pragma: no cover — defensive
        logger.warning("target house match failed (graceful): %s", exc)

    # 2. #392: обогащаем год / тип дома из картографии (OSM Overpass), если
    #    пользователь их не указал — это улучшает house-match аналогов (#6).
    #    Best-effort: при недоступности OSM target_* остаются None.
    #    #654: time-budgeted — Overpass httpx timeout 15s сам по себе близок к
    #    gateway-таймауту; деградируем в None при превышении budget.
    target_year = payload.year_built
    target_house_type = payload.house_type
    if target_year is None or target_house_type is None:
        house_meta = await _with_budget(
            get_house_metadata(geo.lat, geo.lon, db),
            settings.estimate_house_meta_timeout_s,
            label="house_metadata(overpass)",
        )
        if house_meta is not None:
            if target_year is None:
                target_year = house_meta.year_built
            if target_house_type is None:
                target_house_type = house_meta.house_type

    # 3. Four-tier fallback (PR 9 — added Tier 0 with cohort filter):
    #    0) 1km + ±15% area + cohort match (year_built — если задан)
    #    a) 1km + ±15% area  (без cohort — drop fallback)
    #    b) 2km + ±15% area  (fallback_used = True)
    #    c) 2km + ±25% area  (fallback_used = True, area_widened = True)
    #
    # #2044: опциональный override радиуса анализа (контрол РАДИУС). None →
    # точное текущее поведение (DEFAULT 1000 м первичный, FALLBACK 2000 м
    # расширение). Задан → и первичный, и fallback-поиск используют ровно этот
    # радиус (он же — максимум, без авто-расширения за пределы выбранного).
    base_radius_m = payload.radius_m or DEFAULT_RADIUS_M
    fallback_radius_m = payload.radius_m or FALLBACK_RADIUS_M
    cohort_range = _target_cohort_range(target_year)

    if cohort_range is not None:
        cy_min, cy_max = cohort_range
        listings_tier0, _, analog_tier = await asyncio.to_thread(
            _fetch_analogs,
            db,
            lat=geo.lat,
            lon=geo.lon,
            rooms=payload.rooms,
            area=payload.area_m2,
            radius_m=base_radius_m,
            full_address=geo.full_address,
            target_house_id=target_house_id,
            year_built=target_year,
            house_type=target_house_type,
            total_floors=payload.total_floors,
            cohort_year_min=cy_min,
            cohort_year_max=cy_max,
        )
    else:
        listings_tier0 = []
        analog_tier = "W"

    if len(listings_tier0) >= MIN_ANALOGS_TIER_0:
        listings = listings_tier0
        fallback_used = False
    else:
        # Tier 0 пуст/мал — graceful fallback на Tier A без cohort
        listings, fallback_used, analog_tier = await asyncio.to_thread(
            _fetch_analogs,
            db,
            lat=geo.lat,
            lon=geo.lon,
            rooms=payload.rooms,
            area=payload.area_m2,
            radius_m=base_radius_m,
            full_address=geo.full_address,
            target_house_id=target_house_id,
            year_built=target_year,
            house_type=target_house_type,
            total_floors=payload.total_floors,
        )
    area_widened = False

    if len(listings) < 5:
        listings_wide, _, analog_tier_wide = await asyncio.to_thread(
            _fetch_analogs,
            db,
            lat=geo.lat,
            lon=geo.lon,
            rooms=payload.rooms,
            area=payload.area_m2,
            radius_m=fallback_radius_m,
            full_address=geo.full_address,
            target_house_id=target_house_id,
            year_built=target_year,
            house_type=target_house_type,
            total_floors=payload.total_floors,
        )
        if len(listings_wide) > len(listings):
            listings = listings_wide
            fallback_used = True
            analog_tier = analog_tier_wide

    # Tier C: если даже на 2км мало — расширяем area tolerance до ±25%
    # (актуально для отдалённых районов / новостроек с нестандартной планировкой)
    if len(listings) < 3:
        listings_widearea, _, analog_tier_wa = await asyncio.to_thread(
            _fetch_analogs,
            db,
            lat=geo.lat,
            lon=geo.lon,
            rooms=payload.rooms,
            area=payload.area_m2,
            radius_m=fallback_radius_m,
            area_tolerance=0.25,
            full_address=geo.full_address,
            target_house_id=target_house_id,
            year_built=target_year,
            house_type=target_house_type,
            total_floors=payload.total_floors,
        )
        if len(listings_widearea) > len(listings):
            listings = listings_widearea
            fallback_used = True
            area_widened = True
            analog_tier = analog_tier_wa

    # ── PRE-FETCH: dkp_raw (hoisted before _price_from_inputs) ──────────────
    # #1795: ДКП-коридор фетчим ДО вызова _price_from_inputs, чтобы
    # corridor_high был доступен для Tier C-гейта и soft-клампа headline.
    dkp_raw = await asyncio.to_thread(
        _fetch_dkp_corridor,
        db,
        address=geo.full_address,
        rooms=payload.rooms,
        area=payload.area_m2,
    )

    # ── Stage 3: Avito IMV evaluation as 5-th source (on-demand cached) ──
    imv_eval: IMVEvaluation | None = None
    imv_house_type = _IMV_HOUSE_TYPE_MAP.get(target_house_type)
    imv_renovation = _IMV_REPAIR_MAP.get(payload.repair_state)
    if (
        geo is not None
        and geo.full_address
        and payload.rooms is not None
        and payload.area_m2
        and payload.floor is not None
        and payload.total_floors is not None
        and imv_house_type is not None
        and imv_renovation is not None
    ):
        imv_eval = await _get_or_fetch_imv_cached(
            db,
            address=geo.full_address,
            rooms=payload.rooms,
            area_m2=payload.area_m2,
            floor=payload.floor,
            floor_at_home=payload.total_floors,
            house_type=imv_house_type,
            renovation_type=imv_renovation,
            has_balcony=bool(payload.has_balcony),
            has_loggia=False,
        )

    # ── Stage 8: Yandex Valuation as on-demand source (anonymous, cached 24h) ──
    yandex_val: YandexValuationResult | None = None
    if geo is not None and geo.full_address:
        yandex_val = await _with_budget(
            _get_or_fetch_yandex_valuation_cached(
                db, address=geo.full_address, house_id=target_house_id
            ),
            settings.estimate_yandex_valuation_timeout_s,
            label="yandex_valuation",
        )
        if yandex_val is not None:
            saved_hist = await asyncio.to_thread(_save_yandex_history_items, db, yandex_val)
            logger.info(
                "yandex_valuation: history items processed=%d saved=%d (ext_val house_id=%s)",
                len(yandex_val.history_items),
                saved_hist,
                target_house_id,
            )

    # ── Stage 9: Cian Valuation as 7th source (on-demand, 24h cached) ──────
    cian_val: CianValuationResult | None = None
    if (
        geo is not None
        and geo.full_address
        and payload.rooms is not None
        and payload.area_m2
        and payload.floor is not None
        and payload.total_floors is not None
    ):
        try:
            cian_val = await _with_budget(
                estimate_via_cian_valuation(
                    db,
                    config=RealScraperConfig(),
                    address=geo.full_address,
                    total_area=payload.area_m2,
                    rooms_count=payload.rooms,
                    floor=payload.floor,
                    total_floors=payload.total_floors,
                    repair_type="cosmetic",
                    deal_type="sale",
                    use_cache=True,
                    house_id=target_house_id,
                ),
                settings.estimate_cian_valuation_timeout_s,
                label="cian_valuation",
            )
            if cian_val is not None and cian_val.sale_price_rub:
                logger.info(
                    "cian_valuation: price=%s accuracy=%s house_id=%s",
                    cian_val.sale_price_rub,
                    cian_val.sale_accuracy,
                    cian_val.external_house_id,
                )
        except Exception:
            # logger.exception (не .warning) — намеренно: GlitchTip LoggingIntegration
            # (main.py/scheduler_main.py) слушает event_level=logging.ERROR. WARNING,
            # даже с exc_info=True, остаётся ниже порога и НЕ создаёт событие в GlitchTip
            # (только breadcrumb) — config-wiring регрессия здесь была бы не видна
            # мониторингу. .exception() логирует на ERROR + traceback (#2337).
            logger.exception("cian_valuation: lookup failed (graceful)")

    # ── Pre-fetch: same-building anchor comps ─────────────────────────────────
    # Guard mirrors the original in-block guard exactly; when false → ([], None).
    _anchor_comps_pre: list[dict]
    _anchor_tier_pre: str | None
    if (
        settings.estimate_same_building_anchor_enabled
        and payload.area_m2
        and (payload.address or (geo is not None and geo.full_address))
    ):
        _anchor_comps_pre, _anchor_tier_pre = await asyncio.to_thread(
            _fetch_anchor_comps,
            db,
            address=payload.address or geo.full_address,
            target_house_id=target_house_id,
            lat=geo.lat,
            lon=geo.lon,
            rooms=payload.rooms,
            area=payload.area_m2,
        )
    else:
        _anchor_comps_pre, _anchor_tier_pre = [], None

    # ── Pre-fetch: house IMV anchor ONCE (used for both blend and display) ───
    imv_anchor_data = await asyncio.to_thread(
        _fetch_house_imv_anchor,
        db,
        target_house_id=target_house_id,
        rooms=payload.rooms,
        area=payload.area_m2,
    )

    # ── Coarse-geo signals ────────────────────────────────────────────────────
    dadata_coarse = dadata is not None and dadata.qc_geo is not None and dadata.qc_geo >= 2

    # ── DB-callable wrappers injected into pure pricing ───────────────────────
    def _ratio_resolver(
        appm2: float | None,
    ) -> tuple[float | None, str | None]:
        return _get_asking_sold_ratio(db, payload.rooms, anchor_ppm2=appm2)

    def _qi_lookup(q: str) -> tuple[float, int] | None:
        return _lookup_quarter_index(
            db,
            quarter_cad_number=q,
            min_n_deals=settings.estimate_quarter_index_min_n_deals,
        )

    def _qis_lookup(qs: list[str]) -> dict[str, float]:
        return _lookup_quarter_indexes(
            db,
            quarter_cad_numbers=qs,
            min_n_deals=settings.estimate_quarter_index_min_n_deals,
        )

    # ── Deterministic pricing orchestration ──────────────────────────────────
    pr = await asyncio.to_thread(
        _price_from_inputs,
        listings=listings,
        area_m2=payload.area_m2,
        rooms=payload.rooms,
        repair_state=payload.repair_state,
        floor=payload.floor,
        total_floors=payload.total_floors,
        target_year=target_year,
        analog_tier=analog_tier,
        fallback_used=fallback_used,
        area_widened=area_widened,
        anchor_comps=_anchor_comps_pre,
        anchor_tier_fetched=_anchor_tier_pre,
        dkp_raw=dkp_raw,
        imv_anchor=imv_anchor_data,
        imv_eval=imv_eval,
        yandex_val_present=yandex_val is not None,
        cian_val_present=cian_val is not None and bool(cian_val.sale_price_rub),
        ratio_resolver=_ratio_resolver,
        quarter_index_lookup=_qi_lookup,
        quarter_indexes_lookup=_qis_lookup,
        target_house_cadnum=dadata.house_cadnum if dadata else None,
        dadata_coarse=dadata_coarse,
        geo=geo,
        dadata_qc_geo=dadata.qc_geo if dadata else None,
    )

    # Unpack pricing result
    median_price = pr.median_price
    median_ppm2 = pr.median_ppm2
    range_low = pr.range_low
    range_high = pr.range_high
    n_analogs = pr.n_analogs
    confidence = pr.confidence
    explanation = pr.explanation
    anchor_tier = pr.anchor_tier
    anchor_comps_used = pr.anchor_comps_used
    avito_imv_summary = pr.avito_imv_summary
    dkp_corridor = pr.dkp_corridor
    expected_sold_per_m2 = pr.expected_sold_per_m2
    expected_sold_price = pr.expected_sold_price
    expected_sold_range_low = pr.expected_sold_range_low
    expected_sold_range_high = pr.expected_sold_range_high
    asking_to_sold_ratio = pr.asking_to_sold_ratio
    ratio_basis = pr.ratio_basis
    listings_clean = pr.listings_clean
    cv = pr.cv

    # 5. Deals — ДКП-only sales (вторичка) из rosreestr_deals.
    #    Importer фильтрует doc_type='ДКП' (PR-A 2026-05-24), ДДУ застройщиков
    #    исключены — больше не скёюят median вторички ~110-120 К/м².
    deals = await asyncio.to_thread(
        _fetch_deals,
        db,
        lat=geo.lat,
        lon=geo.lon,
        rooms=payload.rooms,
        area=payload.area_m2,
        radius_m=base_radius_m,
    )

    # 6. Сохраняем в trade_in_estimates
    estimate_id = uuid4()
    now = datetime.now(tz=UTC)
    expires_at = now + timedelta(hours=24)

    # #694: когда same-building якорь сработал, headline построен на комплах того
    # же дома (anchor_comps_used) — показываем ИХ, а не радиусные listings_clean
    # (другие/дешевле/пусто → premium headline «не подтверждён» аналогами).
    if anchor_tier is not None and anchor_comps_used:
        analogs_lots = [_anchor_comp_to_analog(c) for c in anchor_comps_used[:10]]
        # #1519: при сработавшем якоре метаданные (freshness/last_scraped_at/
        # days_on_market) считаем по ПОКАЗАННЫМ комплам, а не по радиусной выборке —
        # иначе «обновлено N мин назад»/дата парсинга/срок продажи относятся к другому
        # набору (или = None при пустом listings_clean, хотя у комплов данные есть).
        metadata_lots = anchor_comps_used
    else:
        analogs_lots = [_listing_to_analog(lot) for lot in listings_clean[:10]]
        metadata_lots = listings_clean
    deals_lots = [_deal_to_analog(d) for d in deals[:10]]
    # #2087 (M1): единый канонический sources_used + source_counts. ОБА считаем по
    # persisted analogs_lots (top-N, ровно то, что уходит в колонку analogs и
    # рехайдрейтится на GET) — не по полной metadata-выборке. Иначе POST-ответ
    # (полная выборка) расходился бы с GET-reload (persisted top-N): источник мог
    # оказаться в source_counts, но не в sources_used → счётчик «X/7» прыгал.
    # Инвариант: source_counts.keys() ⊆ sources_used (общий набор analog-источников).
    valuation_flags: set[str] = set()
    if imv_eval is not None:
        valuation_flags.add("avito_imv")
    if yandex_val is not None:
        valuation_flags.add("yandex_valuation")
    if cian_val is not None and cian_val.sale_price_rub:
        valuation_flags.add("cian_valuation")
    sources_used = _canonical_sources((lot.source for lot in analogs_lots), valuation_flags)
    source_counts = _source_counts([lot.source for lot in analogs_lots])
    freshness_pre = _compute_freshness_minutes(metadata_lots)
    # DaData enrichment (PR Q1) — заполняется только если service отработал.
    # При DaData = None все колонки идут в DB как NULL (graceful).
    dadata_metro_json = (
        json.dumps(dadata.metro, ensure_ascii=False)
        if dadata is not None and dadata.metro
        else None
    )

    # #2207: INSERT+commit сгруппированы и вынесены с event loop (to_thread).
    def _persist_estimate_and_commit() -> None:
        db.execute(
            text(
                """
                INSERT INTO trade_in_estimates (
                    id, address, lat, lon,
                    area_m2, rooms, floor, total_floors,
                    year_built, house_type, repair_state, has_balcony,
                    ownership_type, has_mortgage,
                    median_price, range_low, range_high, median_price_per_m2,
                    confidence, confidence_explanation, n_analogs,
                    analogs, actual_deals,
                    sources_used, data_freshness_minutes,
                    canonical_address, house_cadnum, house_fias_id,
                    dadata_qc_geo, dadata_qc_house, dadata_metro,
                    expected_sold_price, expected_sold_range_low,
                    expected_sold_range_high, expected_sold_per_m2,
                    asking_to_sold_ratio, ratio_basis,
                    created_by,
                    expires_at
                ) VALUES (
                    CAST(:id AS uuid),
                    :address, :lat, :lon,
                    :area, :rooms, :floor, :total_floors,
                    :year_built, :house_type, :repair_state, :has_balcony,
                    :ownership_type, :has_mortgage,
                    :median_price, :range_low, :range_high, :median_ppm2,
                    :confidence, :explanation, :n_analogs,
                    CAST(:analogs_json AS jsonb),
                    CAST(:deals_json AS jsonb),
                    CAST(:sources_json AS jsonb),
                    :freshness,
                    :canonical_address, :house_cadnum, :house_fias_id,
                    :dadata_qc_geo, :dadata_qc_house,
                    CAST(:dadata_metro_json AS jsonb),
                    :expected_sold_price, :expected_sold_range_low,
                    :expected_sold_range_high, :expected_sold_per_m2,
                    :asking_to_sold_ratio, :ratio_basis,
                    :created_by,
                    :expires_at
                )
                """
            ),
            {
                "id": str(estimate_id),
                "address": geo.full_address,
                "lat": geo.lat,
                "lon": geo.lon,
                "area": payload.area_m2,
                "rooms": payload.rooms,
                "floor": payload.floor,
                "total_floors": payload.total_floors,
                "year_built": target_year,
                "house_type": target_house_type,
                "repair_state": payload.repair_state,
                "has_balcony": payload.has_balcony,
                "ownership_type": payload.ownership_type,
                "has_mortgage": payload.has_mortgage,
                "median_price": median_price,
                "range_low": range_low,
                "range_high": range_high,
                "median_ppm2": int(median_ppm2),
                "confidence": confidence,
                "explanation": explanation,
                "n_analogs": n_analogs,
                "analogs_json": json.dumps(
                    [a.model_dump(mode="json") for a in analogs_lots], ensure_ascii=False
                ),
                "deals_json": json.dumps(
                    [a.model_dump(mode="json") for a in deals_lots], ensure_ascii=False
                ),
                # #2087 (M1): персистим КАНОНИЧЕСКИЙ sources_used (листинговые из
                # analogs ∪ оценочные флаги) — тот же массив, что в POST-ответе. GET
                # рехайдрейтит его же (валид. флаги читаются из этой колонки), history
                # и PDF получают консистентный «X/7» без quarter_index/радиусного шума.
                "sources_json": json.dumps(sources_used, ensure_ascii=False),
                "freshness": freshness_pre,
                "canonical_address": dadata.canonical_address if dadata else None,
                "house_cadnum": dadata.house_cadnum if dadata else None,
                "house_fias_id": dadata.house_fias_id if dadata else None,
                "dadata_qc_geo": dadata.qc_geo if dadata else None,
                "dadata_qc_house": dadata.qc_house if dadata else None,
                "dadata_metro_json": dadata_metro_json,
                "expected_sold_price": expected_sold_price,
                "expected_sold_range_low": expected_sold_range_low,
                "expected_sold_range_high": expected_sold_range_high,
                "expected_sold_per_m2": expected_sold_per_m2,
                "asking_to_sold_ratio": asking_to_sold_ratio,
                "ratio_basis": ratio_basis,
                "created_by": created_by,
                "expires_at": expires_at,
            },
        )

        # Link saved IMV evaluation к этому estimate_id атомарно с основным INSERT
        # (closes finding #4 from 2026-05-24 audit — prior code committed estimate first,
        # then UPDATEd IMV in a separate tx, racing against concurrent estimators
        # sharing the same cache_key).
        if imv_eval is not None:
            db.execute(
                text(
                    """
                    UPDATE avito_imv_evaluations
                    SET estimate_id = CAST(:estimate_id AS uuid)
                    WHERE cache_key = :cache_key
                      AND (estimate_id IS NULL OR estimate_id = CAST(:estimate_id AS uuid))
                    """
                ),
                {"estimate_id": str(estimate_id), "cache_key": imv_eval.cache_key},
            )

        db.commit()

    await asyncio.to_thread(_persist_estimate_and_commit)

    logger.info(
        "estimate: id=%s addr=%s rooms=%d area=%.1f → median=%d (n=%d, conf=%s)%s%s",
        estimate_id,
        geo.full_address[:60],
        payload.rooms,
        payload.area_m2,
        median_price,
        n_analogs,
        confidence,
        f" imv={imv_eval.recommended_price}" if imv_eval else "",
        f" cian={cian_val.sale_price_rub}" if cian_val and cian_val.sale_price_rub else "",
    )

    # #2087 (M1): sources_used / source_counts уже посчитаны выше (канонически, из
    # persisted analogs_lots) — не пересчитываем, чтобы POST-ответ был байт-в-байт
    # тем, что персистится и рехайдрейтится на GET.
    freshness_min = _compute_freshness_minutes(metadata_lots)
    last_scraped_at = _compute_last_scraped_at(metadata_lots)
    # Месячный ₽/м² тренд целевого дома (web TREND chart) — best-effort, None если нет данных.
    # #audit-3: передаём freshness_months из настроек — исключаем устаревшие items.
    price_trend_raw = await asyncio.to_thread(
        _fetch_price_trend,
        db,
        target_house_id=target_house_id,
        freshness_months=settings.estimate_price_trend_max_age_months,
    )
    price_trend = (
        [PriceTrendPoint(month=p["month"], ppm2=p["ppm2"]) for p in price_trend_raw]
        if price_trend_raw
        else None
    )

    # #2002: премиальный-дом флаг + класс для target_house_id. Источник — curated
    # overlay (data/sql/142) с fallback на MV `premium_houses` (data/sql/139).
    # МЕТАДАННЫЕ (manual-review routing #4), НЕ ценовой сигнал — не трогает
    # median/expected_sold/ranges. Best-effort: degrade в (False, None, None) при
    # отсутствии таблиц. premium_building_class — класс из curated (None для
    # невыверенных MV-домов).
    (
        premium_building,
        premium_building_median_ppm2,
        premium_building_class,
    ) = await asyncio.to_thread(_is_premium_building, db, target_house_id)

    # #audit-2: структурный analog_tier — стабильный enum для фронта.
    # anchor-путь: anchor_tier "A" → "same_building", "C" → "micro_radius".
    # radius-путь: analog_tier "W" → "city", остальные → "district".
    # None только если нет аналогов (median=0, insufficient_data=True).
    if median_price > 0:
        if anchor_tier == "A":
            api_analog_tier: str | None = "same_building"
        elif anchor_tier == "C":
            api_analog_tier = "micro_radius"
        elif analog_tier == "W":
            api_analog_tier = "city"
        else:
            api_analog_tier = "district"
    else:
        api_analog_tier = None

    # #1871 P1.2 — defensive invariant guard перед сборкой ответа: n_analogs == 0
    # не может сосуществовать с confidence != 'low' (ghost-anchor). Mainline уже
    # честен — это belt-and-suspenders на будущие external-valuation/rehydrate пути.
    # За флагом estimate_confidence_floor_no_analogs (дефолт True). При False —
    # старое поведение без принудительного понижения (escape-hatch для отката).
    if settings.estimate_confidence_floor_no_analogs:
        confidence, explanation = _enforce_zero_analog_low(
            confidence,
            n_analogs,
            explanation,
            median_price=median_price,
            sources_used=sources_used,
        )

    # #2002 #4: manual-review routing — производный ФЛАГ на основе уже
    # вычисленных premium_building / confidence / range (asking-IQR). НЕ влияет
    # на median/expected_sold/ranges — только метаданные для UI/маршрутизации.
    manual_review_recommended, manual_review_reasons = _manual_review(
        premium_building,
        expected_sold_price,
        confidence,
        range_low,
        range_high,
        settings,
        # asking-сторона: тот же headline median_price_per_m2 (=int(median_ppm2)),
        # что уходит в ответ ниже. НЕ expected_sold_per_m2 — он занижен на элите.
        asking_ppm2=int(median_ppm2),
    )

    return AggregatedEstimate(
        estimate_id=estimate_id,
        median_price_rub=median_price,
        range_low_rub=range_low,
        range_high_rub=range_high,
        median_price_per_m2=int(median_ppm2),
        confidence=confidence,
        confidence_explanation=explanation,
        n_analogs=n_analogs,
        period_months=DEALS_PERIOD_MONTHS,
        analogs=analogs_lots,
        actual_deals=deals_lots,
        expires_at=expires_at,
        target_address=geo.full_address,
        target_lat=geo.lat,
        target_lon=geo.lon,
        sources_used=sources_used,
        data_freshness_minutes=freshness_min,
        last_scraped_at=last_scraped_at,
        price_trend=price_trend,
        est_days_on_market=_estimate_days_on_market(metadata_lots, deals),
        cian_valuation=(
            CianValuationSummary(
                sale_price_rub=int(cian_val.sale_price_rub) if cian_val.sale_price_rub else None,
                rent_price_rub=int(cian_val.rent_price_rub) if cian_val.rent_price_rub else None,
                chart=[
                    {
                        "date": p.get("month_date") or p.get("date") or "",
                        "price": p["price"],
                    }
                    for p in (cian_val.chart or [])
                    if p.get("price") is not None
                ],
                chart_change_pct=cian_val.chart_change_pct,
                chart_change_direction=(
                    cian_val.chart_change_direction
                    if cian_val.chart_change_direction in {"increase", "decrease", "neutral"}
                    else None
                ),
            )
            if cian_val is not None
            else None
        ),
        avito_imv=avito_imv_summary,
        dkp_corridor=dkp_corridor,
        expected_sold_price_rub=expected_sold_price,
        expected_sold_range_low_rub=expected_sold_range_low,
        expected_sold_range_high_rub=expected_sold_range_high,
        expected_sold_per_m2=expected_sold_per_m2,
        asking_to_sold_ratio=asking_to_sold_ratio,
        ratio_basis=ratio_basis,
        area_m2=payload.area_m2,
        rooms=payload.rooms,
        floor=payload.floor,
        total_floors=payload.total_floors,
        year_built=target_year,
        house_type=target_house_type,
        repair_state=payload.repair_state,
        has_balcony=payload.has_balcony,
        canonical_address=dadata.canonical_address if dadata else None,
        house_cadnum=dadata.house_cadnum if dadata else None,
        house_fias_id=dadata.house_fias_id if dadata else None,
        metro_nearest=(dadata.metro if dadata and dadata.metro else []),
        address_precision=_qc_geo_to_precision(dadata.qc_geo if dadata else None),
        analog_tier=api_analog_tier,  # type: ignore[arg-type]
        premium_building=premium_building,
        premium_building_median_ppm2=premium_building_median_ppm2,
        premium_building_class=premium_building_class,
        manual_review_recommended=manual_review_recommended,
        manual_review_reasons=manual_review_reasons,
        # #2043 (BE-1): достоверность выборки — CV, счётчики источников, дата.
        cv=cv,
        source_counts=source_counts,
        created_at=now,
    )


def _qc_geo_to_precision(qc_geo: int | None) -> str | None:
    # DaData qc_geo: 0=exact(house), 1=street, 2=settlement, 3=city, 4=region, 5=unknown
    if qc_geo is None:
        return None
    if qc_geo == 0:
        return "house"
    if qc_geo == 1:
        return "street"
    return "approximate"


def _is_premium_building(db: Session, house_id: int | None) -> tuple[bool, int | None, str | None]:
    """#2002: премиальный-дом флаг + класс для target_house_id.

    Источник истины — двухслойный overlay:
      1. `premium_buildings_curated` (data/sql/142) — AI/human-выверенный слой:
         per-house class tier (премиум/элит/бизнес/комфорт/эконом/неизвестно) +
         is_premium с false-positive demotions. Если дом есть здесь — он ПЕРЕБИВАЕТ MV.
      2. `premium_houses` MV (data/sql/139) — ~298 EKB-домов по концентрации дорогих
         листингов; даёт med_ppm2 (₽/м² медиана дорогих листингов) + fallback-членство
         для НЕвыверенных домов.

    Возвращает (is_premium, med_ppm2, building_class):
      - curated-дом → (curated.is_premium, MV.med_ppm2 или None, curated.tier);
      - невыверенный дом в MV → (True, MV.med_ppm2, None) — класс неизвестен;
      - дом нигде не найден / house_id None → (False, None, None).

    Это МЕТАДАННЫЕ для manual-review routing (#4), НЕ ценовой сигнал: не трогает
    median/expected_sold/ranges.

    Best-effort: любая из таблиц может ещё не существовать в части окружений — любая
    ошибка (нет таблицы / SQL) деградирует в (False, None, None) и НИКОГДА не валит
    оценку.
    """
    if house_id is None:
        return (False, None, None)
    try:
        cur = db.execute(
            text(
                "SELECT is_premium, tier FROM premium_buildings_curated "
                "WHERE house_id = CAST(:hid AS bigint)"
            ),
            {"hid": house_id},
        ).first()
        mv = db.execute(
            text("SELECT med_ppm2 FROM premium_houses WHERE house_id = CAST(:hid AS bigint)"),
            {"hid": house_id},
        ).first()
    except Exception as exc:  # pragma: no cover — defensive (таблица может ещё не существовать)
        logger.warning("premium-building lookup failed (graceful): %s", exc)
        try:
            db.rollback()
        except Exception:
            pass
        return (False, None, None)
    med = int(mv[0]) if mv is not None and mv[0] is not None else None
    if cur is not None:  # curated overlay перебивает MV (класс + corrected флаг)
        return (bool(cur[0]), med, str(cur[1]))
    return (mv is not None, med, None)  # невыверенный → членство в MV, класс неизвестен


def _manual_review(
    premium_building: bool,
    expected_sold_price: int | None,
    confidence: str,
    range_low: int | None,
    range_high: int | None,
    settings: Settings,
    asking_ppm2: int | None = None,
) -> tuple[bool, list[str]]:
    """#2002 #4: рекомендация ручной оценки — производный ФЛАГ, НЕ цена.

    Помечает оценки, которые НЕ стоит авто-оффэрить — нужна оценка человеком.
    Research: элит/премиум-премия unit-level и под-доверена (зависит от
    отделки/вида/этажа, чего нет в данных сделок). Собирает человекочитаемые
    RU-причины. Чистая функция — НЕ трогает median/expected_sold/ranges
    (regression-gate остаётся byte-identical).

    Триггеры (когда estimate_manual_review_enabled):
      - premium_building — премиальный дом;
      - expected_sold_price ≥ high_value_rub — элит-зона по абсолютной стоимости;
      - confidence == "low" — низкая уверенность оценки;
      - range_high / range_low ≥ wide_range_ratio — слишком широкий диапазон;
      - asking_ppm2 ≥ elite_ppm2 — дорогой сегмент по asking ₽/м².

    `asking_ppm2` — headline/«по объявлениям» медиана ₽/м² (НЕ expected_sold_per_m2):
    бэктест показал систематическую недооценку бизнес/элита (bias ≈ −29%), потому что
    expected_sold затягивает элит-юнит в бизнес-полосу и не опознаёт его. Asking-сторона
    не занижена и чисто маркирует дорогой сегмент.

    Возвращает (recommended, reasons), где recommended == bool(reasons).
    При выключенном флаге — (False, []). Деление на ноль исключено: проверка
    `range_low and range_high` отсекает None/0 до деления.
    """
    if not settings.estimate_manual_review_enabled:
        return (False, [])
    reasons: list[str] = []
    if premium_building:
        reasons.append("премиальный дом — премия зависит от отделки/вида (не в данных сделок)")
    high_value = settings.estimate_manual_review_high_value_rub
    if expected_sold_price and expected_sold_price >= high_value:
        reasons.append("высокая стоимость (≥20 млн ₽)")
    if confidence == "low":
        reasons.append("низкая уверенность оценки")
    wide_ratio = settings.estimate_manual_review_wide_range_ratio
    if range_low and range_high and range_high / range_low >= wide_ratio:
        reasons.append("широкий диапазон цены")
    if asking_ppm2 and asking_ppm2 >= settings.estimate_manual_review_elite_ppm2:
        reasons.append(
            "элитный/дорогой сегмент — авто-оценка консервативна: премия за отделку, "
            "вид и класс дома не отражена в данных сделок, фактическая цена может быть выше"
        )
    return (bool(reasons), reasons)


def _estimate_days_on_market(
    listings: list[dict[str, Any]], deals: list[dict[str, Any]]
) -> int | None:
    """Прогноз срока продажи — медиана days_on_market по аналогам/сделкам.

    Возвращает None если ни у одного аналога нет данных о сроке экспозиции
    (наши парсеры не всегда его отдают — честно показываем «нет данных»).
    """
    values = [
        int(lot["days_on_market"])
        for lot in (*listings, *deals)
        if lot.get("days_on_market") and int(lot["days_on_market"]) > 0
    ]
    if len(values) < 3:
        return None
    values.sort()
    return values[len(values) // 2]


def _compute_freshness_minutes(lots: list[dict[str, Any]]) -> int | None:
    """Минут с последнего парсинга — для UI «обновлено N мин назад»."""
    if not lots:
        return None
    from datetime import datetime as _dt

    now = _dt.now(tz=UTC)
    scraped = [lot.get("scraped_at") or lot.get("listing_date") for lot in lots]
    scraped_dt: list[datetime] = []
    for s in scraped:
        if s is None:
            continue
        # listings rows из mappings — scraped_at это datetime, не date
        if hasattr(s, "tzinfo"):
            scraped_dt.append(s if s.tzinfo else s.replace(tzinfo=UTC))
    if not scraped_dt:
        return None
    return int((now - max(scraped_dt)).total_seconds() / 60)


def _compute_last_scraped_at(lots: list[dict[str, Any]]) -> datetime | None:
    """Абсолютный timestamp самого свежего парсинга среди аналогов (для UI).

    Дополняет _compute_freshness_minutes (относительные минуты): отдаёт точную
    дату/время, чтобы фронт мог отрендерить «обновлено DD.MM HH:MM». None если
    ни у одного лота нет scraped_at/listing_date с tzinfo (graceful)."""
    if not lots:
        return None
    scraped = [lot.get("scraped_at") or lot.get("listing_date") for lot in lots]
    scraped_dt: list[datetime] = []
    for s in scraped:
        if s is None:
            continue
        if hasattr(s, "tzinfo"):
            scraped_dt.append(s if s.tzinfo else s.replace(tzinfo=UTC))
    return max(scraped_dt) if scraped_dt else None


def _fetch_price_trend(
    db: Session,
    *,
    target_house_id: int | None,
    months: int = 24,
    min_points: int = 3,
    freshness_months: int | None = None,
) -> list[dict[str, Any]] | None:
    """Месячный ₽/м² тренд для целевого дома (web TREND chart) — best-effort.

    Предпочитает `houses_price_dynamics` (house_id, month_date, price_per_sqm) —
    готовая помесячная серия. В prod эта таблица пока ПУСТА, поэтому fallback —
    агрегация `house_placement_history` по месяцам (медиана COALESCE(last_price,
    start_price)/area_m2, дата = COALESCE(last_price_date, start_price_date)).

    Возвращает список [{month: 'YYYY-MM', ppm2: int}, ...] (≤ `months` точек,
    ASC по месяцу) или None если house_id не задан / точек < `min_points` /
    любая ошибка (graceful — фронт скрывает chart, без регрессий).
    """
    if target_house_id is None:
        return None

    # ── Source 1 (preferred): houses_price_dynamics ──────────────────────────
    try:
        rows = (
            db.execute(
                text(
                    """
                    SELECT to_char(month_date, 'YYYY-MM') AS month,
                           round(
                               percentile_cont(0.5) WITHIN GROUP (ORDER BY price_per_sqm)
                           )::int AS ppm2
                    FROM houses_price_dynamics
                    WHERE house_id = CAST(:hid AS bigint)
                      AND price_per_sqm > 0
                      AND month_date > (CURRENT_DATE
                          - (CAST(:months AS integer) || ' months')::interval)
                    GROUP BY month_date
                    ORDER BY month_date ASC
                    """
                ),
                {"hid": target_house_id, "months": months},
            )
            .mappings()
            .all()
        )
    except Exception as exc:  # pragma: no cover — defensive
        logger.warning("price_trend houses_price_dynamics lookup failed (graceful): %s", exc)
        try:
            db.rollback()
        except Exception:
            pass
        rows = []

    trend = [{"month": r["month"], "ppm2": int(r["ppm2"])} for r in rows if r["ppm2"]]
    if len(trend) >= min_points:
        logger.info(
            "price_trend house_id=%s source=houses_price_dynamics → %d points",
            target_house_id,
            len(trend),
        )
        return trend

    # ── Source 2 (fallback): aggregate house_placement_history by month ──────
    # #audit-3: freshness_months — фильтр по scraped_at чтобы исключить стale items
    # (yandex_valuation из 2024 и т.д.). Применяется ко ВСЕМ source в этом запросе
    # (avito_imv + yandex_valuation), не только к yandex_valuation. Дефолт из config.
    # Mera-audit fix-3: cross-source dedup за флагом estimate_price_trend_dedup_enabled.
    _fresh_months = freshness_months if freshness_months is not None else months
    _dedup_enabled = settings.estimate_price_trend_dedup_enabled
    try:
        if _dedup_enabled:
            # Дедупликация near-дублей: один объект на avito_imv + yandex_valuation
            # c разными ext_item_id → double-count в медиане. DISTINCT ON по ключу
            # (round(area_m2,0), floor, price, price_date) с приоритетом avito_imv
            # (source='avito_imv' сортируется раньше через CASE).
            trend_sql = """
                WITH deduped AS (
                    SELECT DISTINCT ON (
                               ROUND(area_m2),
                               floor,
                               COALESCE(last_price, start_price),
                               COALESCE(last_price_date, start_price_date)
                           )
                           area_m2,
                           floor,
                           COALESCE(last_price, start_price)   AS price,
                           COALESCE(last_price_date, start_price_date) AS price_date
                    FROM house_placement_history
                    WHERE house_id = CAST(:hid AS bigint)
                      AND area_m2 > 0
                      AND COALESCE(last_price, start_price) > 0
                      AND COALESCE(last_price_date, start_price_date) IS NOT NULL
                      AND COALESCE(last_price_date, start_price_date) > (CURRENT_DATE
                          - (CAST(:months AS integer) || ' months')::interval)
                      AND scraped_at > (now()
                          - CAST(:fresh_months AS integer)
                          * CAST('1 month' AS interval))
                    ORDER BY
                        ROUND(area_m2),
                        floor,
                        COALESCE(last_price, start_price),
                        COALESCE(last_price_date, start_price_date),
                        CASE source WHEN 'avito_imv' THEN 0 ELSE 1 END ASC,
                        scraped_at DESC
                )
                SELECT to_char(date_trunc('month', price_date), 'YYYY-MM') AS month,
                       round(
                           percentile_cont(0.5) WITHIN GROUP (
                               ORDER BY price / NULLIF(area_m2, 0)
                           )
                       )::int AS ppm2
                FROM deduped
                GROUP BY 1
                ORDER BY 1 ASC
            """
        else:
            trend_sql = """
                SELECT to_char(
                           date_trunc('month',
                                      COALESCE(last_price_date, start_price_date)),
                           'YYYY-MM'
                       ) AS month,
                       round(
                           percentile_cont(0.5) WITHIN GROUP (
                               ORDER BY COALESCE(last_price, start_price)
                                        / NULLIF(area_m2, 0)
                           )
                       )::int AS ppm2
                FROM house_placement_history
                WHERE house_id = CAST(:hid AS bigint)
                  AND area_m2 > 0
                  AND COALESCE(last_price, start_price) > 0
                  AND COALESCE(last_price_date, start_price_date) IS NOT NULL
                  AND COALESCE(last_price_date, start_price_date) > (CURRENT_DATE
                      - (CAST(:months AS integer) || ' months')::interval)
                  AND scraped_at > (now()
                      - CAST(:fresh_months AS integer)
                      * CAST('1 month' AS interval))
                GROUP BY 1
                ORDER BY 1 ASC
            """
        rows = (
            db.execute(
                text(trend_sql),
                {"hid": target_house_id, "months": months, "fresh_months": _fresh_months},
            )
            .mappings()
            .all()
        )
    except Exception as exc:  # pragma: no cover — defensive
        logger.warning("price_trend house_placement_history lookup failed (graceful): %s", exc)
        try:
            db.rollback()
        except Exception:
            pass
        rows = []

    trend = [{"month": r["month"], "ppm2": int(r["ppm2"])} for r in rows if r["ppm2"]]
    if len(trend) >= min_points:
        logger.info(
            "price_trend house_id=%s source=house_placement_history → %d points",
            target_house_id,
            len(trend),
        )
        return trend

    logger.info(
        "price_trend house_id=%s → only %d points (<%d) → None",
        target_house_id,
        len(trend),
        min_points,
    )
    return None


# ── Internals ────────────────────────────────────────────────────────────────

# Compiled regexes for _extract_short_addr — module-level for performance.

# Strips leading admin prefixes: «Россия», «Свердловская область», «г. Екатеринбург» etc.
_ADMIN_PREFIX_RE = re.compile(
    r"^(?:"
    r"\s*(?:Россия|РФ|Российская\s+Федерация)\s*,?\s*|"
    r"\s*[А-Яа-яёЁ][А-Яа-яёЁ\s-]+(?:\s+(?:обл(?:асть)?|р-н|район|округ|край|республика))\.?\s*,?\s*|"
    r"\s*(?:г(?:ород)?|гор)\.?\s*[А-Яа-яёЁ][А-Яа-яёЁ\s-]+\s*,?\s*|"
    r"\s*[А-Я][а-яё-]+(?:\s+[А-Я][а-яё-]+)?\s*,?\s*"
    r")+",
    flags=re.UNICODE,
)

# Recognizes start of a street keyword.
_STREET_START_RE = re.compile(
    r"(?:ул\.|улица|пр\.|пр-т|проспект|пер\.|переулок|"
    r"б-р|бульвар|ш\.|шоссе|наб\.|набережная|проезд|тракт|пл\.|площадь|"
    r"мкр\.?|микрорайон)\s+",
    flags=re.IGNORECASE | re.UNICODE,
)

# Drops trailing apartment / office / corpus noise from the end.
_TRAILING_NOISE_RE = re.compile(
    r"\s*,\s*(?:кв\.?\s*\d+|корп\.?\s*\w+|оф\.?\s*\d+|пом\.?\s*\d+|подъезд\s*\d+).*$",
    flags=re.IGNORECASE | re.UNICODE,
)


def _extract_short_addr(full_address: str | None) -> str | None:
    """Извлекает «улица + номер дома» из полного адреса для поиска в том же доме.

    Примеры:
      "Свердловская область, г. Екатеринбург, ул. Заводская, д. 44-а" → "ул. Заводская, д. 44-а"
      "Россия, Екатеринбург, ул. Малышева, 1"                          → "ул. Малышева, 1"
      "РФ, Свердловская обл., Екатеринбург, ул. Ленина, 5, кв. 12"    → "ул. Ленина, 5"
      "г. Екатеринбург, проспект Ленина, 50"                           → "проспект Ленина, 50"
      "Екатеринбург, ул. Крауля, 48/2"                                 → "ул. Крауля, 48/2"

    Алгоритм:
    1. Отрезаем trailing кв./корп./оф. noise.
    2. Ищем первый street-keyword токен (ул./пр./пер. и т.д.) — возвращаем с него.
    3. Fallback: агрессивно strip admin-prefix regex, вернуть остаток.
    4. None если строка пустая или нечего возвращать.
    """
    if not full_address:
        return None
    s = full_address.strip()
    s = _TRAILING_NOISE_RE.sub("", s)

    # Find first street-keyword position and return from there.
    m = _STREET_START_RE.search(s)
    if m:
        return s[m.start() :].strip(" ,.")

    # Fallback: strip known admin prefixes, return whatever remains.
    s = _ADMIN_PREFIX_RE.sub("", s)
    return s.strip(" ,.") or None


# Ищет keyword типа улицы (ул./улица/пр./проспект/...) в адресе.
# Работает для FORWARD и REVERSE форматов Nominatim.
_STREET_KW_RE = re.compile(
    r"(?<![А-Яа-яёЁa-zA-Z])"
    r"(?:ул\.|улица|пр\.|пр-т|проспект|пер\.|переулок|"
    r"б-р|бульвар|ш\.|шоссе|наб\.|набережная|проезд|тракт|"
    r"пл\.|площадь|мкр\.|мкр|микрорайон)"
    r"\s+",
    flags=re.IGNORECASE | re.UNICODE,
)

# После keyword: 1-3 слова имени улицы со стопом на запятую или номер дома.
# Поддерживает "8 Марта" (цифра + слово) и "Большая Конюшенная" (несколько слов).
_STREET_NAME_RE = re.compile(
    r"^([0-9]+\s+[А-Яа-яёЁ][А-Яа-яёЁ-]+"
    r"|[А-Яа-яёЁ][А-Яа-яёЁ-]+(?:\s+[А-Яа-яёЁ][А-Яа-яёЁ-]+){0,2})"
    r"(?=,|\s+(?:д\.?\s*)?\d|\s*$)",
    flags=re.UNICODE,
)


def extract_street_name(full_address: str | None) -> str | None:
    """Извлекает чистое имя улицы из адреса в FORWARD или REVERSE формате.

    Примеры:
      "Екатеринбург, ул. Космонавтов, 50"                      → "Космонавтов"
      "80, улица 8 Марта, Артек, ..., Россия"                  → "8 Марта"
      "проспект Ленина 50"                                      → "Ленина"
      "Россия, Екатеринбург, ул. Малышева, 1"                  → "Малышева"
      "ул. Большая Конюшенная, 25"                              → "Большая Конюшенная"
      ""                                                        → None

    Алгоритм:
    1. Ищем street-keyword (ул/улица/пр/проспект/...) — case-insensitive.
    2. После keyword берём 1-3 слова до запятой или номера дома.
    3. Если keyword не нашёлся — пытаемся первый capitalized токен с
       поиском до запятой или номера (fallback для адресов без keyword'а).

    Returns None если ничего не извлеклось.
    """
    if not full_address or not full_address.strip():
        return None

    s = full_address.strip()

    # 1. Keyword-based extraction (работает для обоих форматов: forward и reverse)
    m = _STREET_KW_RE.search(s)
    if m:
        rest = s[m.end() :].lstrip()
        nm = _STREET_NAME_RE.match(rest)
        if nm:
            return nm.group(1).strip()

    # 2. Fallback: нет keyword — пробуем первый capitalized токен
    # Используется для "Большая Конюшенная, 25" без "ул."
    nm = _STREET_NAME_RE.match(s)
    if nm:
        candidate = nm.group(1).strip()
        # Отсеиваем очевидные административные слова
        bad = {"Россия", "Москва", "Санкт-Петербург", "область", "район", "округ", "край"}
        if not any(b in candidate for b in bad):
            return candidate

    return None


def _stratify_candidates(candidates: list[dict[str, Any]]) -> list[dict[str, Any]]:
    """Стратифицированная выборка Approach B — гарантирует MIN_ANALOGS_PER_SOURCE слотов.

    Candidates должны быть уже отсортированы по relevance_score (ASC).
    """
    guaranteed: list[dict[str, Any]] = []
    guaranteed_ids: set[int] = set()
    by_source: dict[str, list[dict[str, Any]]] = {}
    for row in candidates:
        src = row.get("source") or "unknown"
        by_source.setdefault(src, []).append(row)

    for _src, src_rows in by_source.items():
        quota = min(len(src_rows), MIN_ANALOGS_PER_SOURCE)
        for row in src_rows[:quota]:
            if id(row) not in guaranteed_ids:
                guaranteed.append(row)
                guaranteed_ids.add(id(row))

    remaining_slots = 50 - len(guaranteed)
    remainder: list[dict[str, Any]] = []
    if remaining_slots > 0:
        for row in candidates:
            if id(row) not in guaranteed_ids:
                remainder.append(row)
                if len(remainder) >= remaining_slots:
                    break

    result = guaranteed + remainder
    result.sort(key=lambda r: r.get("relevance_score") or 0.0)
    return result[:50]


def _adjust_relevance_by_pool_deviation(
    candidates: list[dict[str, Any]],
    *,
    key: str,
    scale: float,
    max_penalty: float,
    min_n: int,
) -> None:
    """#2012 comp-scoring: penalize deviation from the CANDIDATE POOL's own median.

    kitchen_area_m2 / ceiling_height_m have NO target value to compare against —
    unlike house_type/year_built (compared to target_house_type/target_year,
    sourced from payload or OSM house_metadata fallback), neither
    ``TradeInEstimateInput`` (user form) nor ``deals`` (backtest ground truth,
    rosreestr ДКП) carry a kitchen/ceiling value for the property being priced.
    So instead of a target-diff soft-penalty, this penalizes a candidate's
    deviation from the MEDIAN of the same pool of candidates being scored right
    now (self-referential) — no external "typical" constant is assumed.

    Mutates each candidate's ``relevance_score`` IN PLACE (same convention as the
    SQL house_type/year_built CASE terms: higher = less relevant). NULL-safe:
    a candidate missing ``key`` is neither penalized nor counted toward the pool
    median. Sparse-safe: if fewer than ``min_n`` candidates carry a non-NULL
    value, the signal is skipped for the ENTIRE pool — too few examples to trust
    a "typical" median (see #2012 sparse-coverage risk: kitchen 4-99%, ceiling
    ~10% coverage across sources).
    """
    values = [float(c[key]) for c in candidates if c.get(key) is not None]
    if len(values) < min_n:
        return
    pool_median = statistics.median(values)
    for c in candidates:
        v = c.get(key)
        if v is None:
            continue
        penalty = min(abs(float(v) - pool_median) / scale, max_penalty)
        c["relevance_score"] = (c.get("relevance_score") or 0.0) + penalty


def _apply_kitchen_ceiling_signal(candidates: list[dict[str, Any]]) -> None:
    """#2012: apply the kitchen_area_m2 / ceiling_height_m comp-scoring signals.

    Each is an INDEPENDENT feature flag (default OFF — see config.py). No-op
    when both flags are off (byte-identical to pre-#2012 behaviour). Called only
    from the Tier H / Tier W paths of ``_fetch_analogs`` — Tier S (same
    building) is intentionally excluded, symmetric with house_type/year_built,
    which also don't participate in Tier S relevance (fixed 0.0 there).
    """
    if settings.estimate_kitchen_area_signal_enabled:
        _adjust_relevance_by_pool_deviation(
            candidates,
            key="kitchen_area_m2",
            scale=settings.estimate_kitchen_area_scale,
            max_penalty=settings.estimate_kitchen_ceiling_signal_max_penalty,
            min_n=settings.estimate_kitchen_ceiling_signal_min_n,
        )
    if settings.estimate_ceiling_height_signal_enabled:
        _adjust_relevance_by_pool_deviation(
            candidates,
            key="ceiling_height_m",
            scale=settings.estimate_ceiling_height_scale,
            max_penalty=settings.estimate_kitchen_ceiling_signal_max_penalty,
            min_n=settings.estimate_kitchen_ceiling_signal_min_n,
        )


_ANALOG_SELECT_COLS = """
    source, source_url, address, lat, lon,
    rooms, area_m2, floor, total_floors,
    price_rub, price_per_m2,
    listing_date, days_on_market, photo_urls,
    scraped_at,
    building_cadastral_number,
    -- #2012: comp-scoring сигналы (kitchen_area_m2/ceiling_height_m). Только
    -- Tier H/W применяют их (см. _apply_kitchen_ceiling_signal) — Tier S
    -- (same building) не трогают, симметрично house_type/year_built, которые
    -- тоже не участвуют в Tier S relevance (там фиксированный 0.0).
    kitchen_area_m2, ceiling_height_m
"""

_COMMON_WHERE = """
    AND rooms = :rooms
    AND area_m2 BETWEEN :area_min AND :area_max
    AND is_active = true
    AND scraped_at > NOW() - (:fresh_days || ' days')::interval
    AND price_rub > 0
    -- Когортный фильтр (PR 10): применяется к Tier S и Tier H через _COMMON_WHERE.
    -- Tier W имеет свою копию этого блока в inline SQL. Если cohort_year_min IS NULL —
    -- фильтр прозрачен. CAST обязателен — psycopg3 prepared statement не выводит
    -- тип $N при IS NULL в predicate (см. PR #518 fix).
    AND (
        CAST(:cohort_year_min AS integer) IS NULL
        OR year_built IS NULL
        OR year_built BETWEEN CAST(:cohort_year_min AS integer)
                          AND CAST(:cohort_year_max AS integer)
    )
    -- novostroyki guard (#1186): NULL = legacy вторичка до м.011
    -- Исключаем новостройки из comp-пула вторички: девелоперский прайс искажает
    -- медиану ₽/м². NULL сегмент пропускаем (rosreestr/avito/yandex без сегмента —
    -- это вторичка или неклассифицированный объект).
    AND (listing_segment IS NULL OR listing_segment = 'vtorichka')
    -- #2012 is_apartments hard-filter (флаг estimate_is_apartments_filter_enabled,
    -- default OFF pending backtest). Флаг выключен ⇒ CAST(... ) IS NOT TRUE ⇒
    -- условие прозрачно (byte-identical старому поведению). Включён ⇒ исключает
    -- ТОЛЬКО явные is_apartments=true (апартаменты — иной ценовой/юридический
    -- сегмент). NULL (подавляющее большинство строк, sparse coverage) проходит
    -- без штрафа — не наказываем отсутствие данных.
    AND (
        CAST(:is_apartments_filter AS boolean) IS NOT TRUE
        OR is_apartments IS NULL
        OR is_apartments = false
    )
"""
# Note: Tier W has its own inline copy of the cohort clause (PR #519 line
# ~1280). Не удалять — Tier W не использует _COMMON_WHERE из-за inline
# relevance_score CASE expressions. Both code paths must stay in sync.

# ── #1871 P2: radius-tier (source, source_id) dedup ──────────────────────────
# Окно rn_dup в base-CTE каждого radius-тира: (source, source_id)-дубли делят
# один address и переживают per-address rn_addr cap → раздувают n_analogs.
# Anchor-путь дедупит по (source, source_id) (:1556); radius — нет. Ключ:
# source + (id:source_id | url:source_url | ctid:ctid) namespaced-тегом (защита
# от value-collision между id и url, симметрично anchor dedup). freshest по
# scraped_at. ВСЕ тиры читают FROM listings (физическая таблица, без JOIN) →
# source_id / source_url / ctid доступны в base-CTE даже без явного SELECT.
# psycopg3: source_id::text / ctid::text — это COLUMN::type (не bind-параметр),
# работает; запрещён только :name::type на bind-параметрах (их тут нет).
_RN_DUP_WINDOW = """
                        row_number() OVER (
                            PARTITION BY source,
                                CASE
                                    WHEN source_id IS NOT NULL THEN 'id:' || source_id::text
                                    WHEN source_url IS NOT NULL THEN 'url:' || source_url
                                    ELSE 'ctid:' || ctid::text
                                END
                            ORDER BY scraped_at DESC
                        ) AS rn_dup"""


def _fetch_analogs(
    db: Session,
    *,
    lat: float,
    lon: float,
    rooms: int,
    area: float,
    radius_m: int,
    full_address: str | None = None,
    area_tolerance: float = AREA_TOLERANCE,
    year_built: int | None = None,
    house_type: str | None = None,
    total_floors: int | None = None,
    cohort_year_min: int | None = None,  # NEW: lower bound year_built inclusive
    cohort_year_max: int | None = None,  # NEW: upper bound year_built inclusive
    target_house_id: int | None = None,  # #6: canonical house for same-building Tier S
) -> tuple[list[dict[str, Any]], bool, str]:
    """SELECT аналогов — трёхуровневый house-match (S → H → W).

    **Tier S (same building):** сначала канонический match по house_id_fk
    (если задан target_house_id) — детерминированно «тот же дом»; fallback —
    address ILIKE prefix-match по short_addr. Если ≥3 результатов → tier='S'.

    **Tier H (same class):** PostGIS + rooms + area + year ±15 + total_floors ±30%.
    Если ≥5 результатов → возвращаем; tier='H'.
    Пропускается если year_built или total_floors неизвестны.

    **Tier W (wide / current):** текущая логика без year/floors WHERE фильтра.
    tier='W'.

    House-match relevance_score используется для сортировки в Tier H и W.

    Стратифицированная выборка (Approach B):
    1. SQL вытягивает до 300 кандидатов с per-address row_number (cap MAX_ANALOGS_PER_ADDRESS).
    2. Python гарантирует MIN_ANALOGS_PER_SOURCE слотов каждому live source.
    3. Оставшиеся слоты заполняются из остальных кандидатов по relevance.
    4. Итоговый список отсортирован по relevance, LIMIT 50.

    Когортный фильтр (PR 9): если переданы cohort_year_min/max — добавляется
    hard-filter WHERE year_built BETWEEN min AND max OR year_built IS NULL.
    NULL допускается чтобы не отсеивать листинги с неизвестным годом
    (типично для Avito anonymous-address объявлений).

    #2012 comp-scoring (все флаги default OFF, см. config.py):
      - is_apartments hard-filter в WHERE (все тиры, симметрично novostroyki-guard).
      - kitchen_area_m2 / ceiling_height_m soft self-referential pool-median
        penalty в Tier H/W (не Tier S) — см. _apply_kitchen_ceiling_signal.

    Returns:
        (list_of_listings_as_dicts, fallback_radius_used_flag, tier)
        tier: 'S' | 'H' | 'W'
    """
    area_min = area * (1 - area_tolerance)
    area_max = area * (1 + area_tolerance)
    # #1871 P2: (source, source_id) dedup в radius-тирах. rn_dup-окно всегда в SQL
    # (безвредно без фильтра); статический фрагмент управляет только применением
    # `AND rn_dup = 1` в outer WHERE. Это SQL-литерал (static), НЕ data — psycopg3
    # bind-параметры не задействованы, инъекции нет.
    dup_filter = "AND rn_dup = 1" if settings.estimate_radius_dedup_enabled else ""
    base_params: dict[str, Any] = {
        "rooms": rooms,
        "area_min": area_min,
        "area_max": area_max,
        "fresh_days": LISTINGS_FRESH_DAYS,
        "max_per_addr": MAX_ANALOGS_PER_ADDRESS,
        "cohort_year_min": cohort_year_min,
        "cohort_year_max": cohort_year_max,
        # #2012: is_apartments hard-filter — see _COMMON_WHERE comment above.
        "is_apartments_filter": settings.estimate_is_apartments_filter_enabled,
    }

    # ── Tier S (canonical): same building via house_id_fk ─────────────────────
    # #6: детерминированный «тот же дом» через канонический house-граф. 99%
    # listings слинкованы (listings.house_id_fk → houses.id), что несравнимо
    # надёжнее address-string match'а между разнородными источниками
    # (Avito/Cian/Yandex форматируют адрес по-разному). Если target_house_id
    # неизвестен или результатов <3 — падаем на address-prefix Tier S ниже.
    if target_house_id is not None:
        tier_sc_params = {**base_params, "target_house_id": target_house_id}
        tier_sc_rows = (
            db.execute(
                text(
                    f"""
                WITH base AS (
                    SELECT
                        {_ANALOG_SELECT_COLS},
                        0.0 AS distance_m,
                        0.0 AS relevance_score,
                        row_number() OVER (
                            PARTITION BY address ORDER BY scraped_at DESC
                        ) AS rn_addr,
{_RN_DUP_WINDOW}
                    FROM listings
                    WHERE house_id_fk = CAST(:target_house_id AS bigint)
                    {_COMMON_WHERE}
                )
                SELECT
                    source, source_url, address, lat, lon,
                    rooms, area_m2, floor, total_floors,
                    price_rub, price_per_m2,
                    listing_date, days_on_market, photo_urls,
                    scraped_at, distance_m, relevance_score,
                    building_cadastral_number
                FROM base
                WHERE rn_addr <= :max_per_addr
                {dup_filter}
                ORDER BY scraped_at DESC
                LIMIT 300
                """
                ),
                tier_sc_params,
            )
            .mappings()
            .all()
        )

        tier_sc = [dict(r) for r in tier_sc_rows]
        if len(tier_sc) >= 3:
            logger.info(
                "analogs tier=S(canonical) house_id=%s → %d results",
                target_house_id,
                len(tier_sc),
            )
            return _stratify_candidates(tier_sc), radius_m > DEFAULT_RADIUS_M, "S"

    # ── Tier S (fallback): same building via address prefix ───────────────────
    short_addr = _extract_short_addr(full_address)

    if short_addr:
        tier_s_params = {
            **base_params,
            "short_addr_prefix": short_addr + "%",
        }

        tier_s_rows = (
            db.execute(
                text(
                    f"""
                WITH base AS (
                    SELECT
                        {_ANALOG_SELECT_COLS},
                        0.0 AS distance_m,
                        0.0 AS relevance_score,
                        row_number() OVER (
                            PARTITION BY address ORDER BY scraped_at DESC
                        ) AS rn_addr,
{_RN_DUP_WINDOW}
                    FROM listings
                    WHERE address ILIKE :short_addr_prefix
                    {_COMMON_WHERE}
                )
                SELECT
                    source, source_url, address, lat, lon,
                    rooms, area_m2, floor, total_floors,
                    price_rub, price_per_m2,
                    listing_date, days_on_market, photo_urls,
                    scraped_at, distance_m, relevance_score,
                    building_cadastral_number
                FROM base
                WHERE rn_addr <= :max_per_addr
                {dup_filter}
                ORDER BY scraped_at DESC
                LIMIT 300
                """
                ),
                tier_s_params,
            )
            .mappings()
            .all()
        )

        tier_s = [dict(r) for r in tier_s_rows]
        if len(tier_s) >= 3:
            logger.info(
                "analogs tier=S addr_prefix=%r → %d results",
                short_addr,
                len(tier_s),
            )
            return _stratify_candidates(tier_s), radius_m > DEFAULT_RADIUS_M, "S"

    # ── Tier H: same class (year ±15, total_floors ±30%) ─────────────────────
    if year_built is not None and total_floors is not None:
        year_min = year_built - 15
        year_max = year_built + 15
        tf_min = math.floor(total_floors * 0.7)
        tf_max = math.ceil(total_floors * 1.3)

        tier_h_rows = (
            db.execute(
                text(
                    f"""
                WITH base AS (
                    SELECT
                        {_ANALOG_SELECT_COLS},
                        id,
                        ST_Distance(geom::geography, ST_MakePoint(:lon, :lat)::geography)
                            AS distance_m,
                        (
                            ST_Distance(geom::geography, ST_MakePoint(:lon, :lat)::geography)
                                / 1000.0
                            + CASE
                                WHEN year_built IS NOT NULL
                                THEN abs(year_built - CAST(:target_year AS integer)) / 12.0
                                ELSE 0
                              END
                            + CASE
                                WHEN CAST(:target_house_type AS text) IS NOT NULL
                                     AND house_type IS NOT NULL
                                     AND house_type <> CAST(:target_house_type AS text)
                                THEN 1.5
                                ELSE 0
                              END
                        ) AS relevance_score,
                        row_number() OVER (
                            PARTITION BY address
                            ORDER BY (
                                ST_Distance(geom::geography, ST_MakePoint(:lon, :lat)::geography)
                                    / 1000.0
                                + CASE
                                    WHEN year_built IS NOT NULL
                                    THEN abs(year_built - CAST(:target_year AS integer)) / 12.0
                                    ELSE 0
                                  END
                                + CASE
                                    WHEN CAST(:target_house_type AS text) IS NOT NULL
                                         AND house_type IS NOT NULL
                                         AND house_type <> CAST(:target_house_type AS text)
                                    THEN 1.5
                                    ELSE 0
                                  END
                            )
                        ) AS rn_addr,
{_RN_DUP_WINDOW}
                    FROM listings
                    WHERE ST_DWithin(geom::geography, ST_MakePoint(:lon, :lat)::geography, :radius)
                      AND (geo_precision IS DISTINCT FROM 'city')
                    {_COMMON_WHERE}
                      AND total_floors BETWEEN CAST(:tf_min AS integer)
                                           AND CAST(:tf_max AS integer)
                      AND year_built BETWEEN CAST(:year_min AS integer)
                                        AND CAST(:year_max AS integer)
                )
                SELECT
                    source, source_url, address, lat, lon,
                    rooms, area_m2, floor, total_floors,
                    price_rub, price_per_m2,
                    listing_date, days_on_market, photo_urls,
                    scraped_at, distance_m, relevance_score,
                    building_cadastral_number,
                    kitchen_area_m2, ceiling_height_m
                FROM base
                WHERE rn_addr <= :max_per_addr
                {dup_filter}
                -- Детерминированный тай-брейкер: при равном relevance_score (один
                -- distance-bucket + year delta + house_type → идентичный score)
                -- Postgres возвращал бы строки в произвольном порядке, и тот же
                -- /analyze давал бы разные комп-сэты между запусками. distance_m
                -- ASC → scraped_at DESC (свежее) → id ASC (PK, гарантирует total
                -- order) делают выборку воспроизводимой.
                ORDER BY relevance_score ASC, distance_m ASC, scraped_at DESC NULLS LAST, id ASC
                LIMIT 300
                """
                ),
                {
                    **base_params,
                    "lat": lat,
                    "lon": lon,
                    "radius": radius_m,
                    "target_year": year_built,
                    "target_house_type": house_type,
                    "tf_min": tf_min,
                    "tf_max": tf_max,
                    "year_min": year_min,
                    "year_max": year_max,
                },
            )
            .mappings()
            .all()
        )

        tier_h = [dict(r) for r in tier_h_rows]
        _apply_kitchen_ceiling_signal(tier_h)
        tier_h.sort(key=lambda r: r.get("relevance_score") or 0.0)
        if len(tier_h) >= 5:
            logger.info(
                "analogs tier=H year=%d±15 tf=%d-%d → %d results",
                year_built,
                tf_min,
                tf_max,
                len(tier_h),
            )
            return _stratify_candidates(tier_h), radius_m > DEFAULT_RADIUS_M, "H"

        logger.info(
            "analogs tier=H year=%d±15 tf=%d-%d → only %d (fallthrough to W)",
            year_built,
            tf_min,
            tf_max,
            len(tier_h),
        )

    # ── Tier W: wide (current logic, year/floors only in relevance sort) ──────
    tier_w_rows = (
        db.execute(
            text(
                f"""
            WITH base AS (
                SELECT
                    source, source_url, address, lat, lon,
                    rooms, area_m2, floor, total_floors,
                    price_rub, price_per_m2,
                    listing_date, days_on_market, photo_urls,
                    scraped_at,
                    building_cadastral_number,
                    kitchen_area_m2, ceiling_height_m,
                    id,
                    ST_Distance(geom::geography, ST_MakePoint(:lon, :lat)::geography)
                        AS distance_m,
                    (
                        ST_Distance(geom::geography, ST_MakePoint(:lon, :lat)::geography)
                            / 1000.0
                        -- CAST обязателен: target_year / target_house_type приходят NULL
                        -- без типа → PostgreSQL "could not determine data type of parameter"
                        -- (AmbiguousParameter). Явный тип снимает неоднозначность.
                        + CASE
                            WHEN CAST(:target_year AS integer) IS NOT NULL
                                 AND year_built IS NOT NULL
                            THEN abs(year_built - CAST(:target_year AS integer)) / 12.0
                            ELSE 0
                          END
                        + CASE
                            WHEN CAST(:target_house_type AS text) IS NOT NULL
                                 AND house_type IS NOT NULL
                                 AND house_type <> CAST(:target_house_type AS text)
                            THEN 1.5
                            ELSE 0
                          END
                    ) AS relevance_score,
                    row_number() OVER (
                        PARTITION BY address
                        ORDER BY (
                            ST_Distance(geom::geography, ST_MakePoint(:lon, :lat)::geography)
                                / 1000.0
                            + CASE
                                WHEN CAST(:target_year AS integer) IS NOT NULL
                                     AND year_built IS NOT NULL
                                THEN abs(year_built - CAST(:target_year AS integer)) / 12.0
                                ELSE 0
                              END
                            + CASE
                                WHEN CAST(:target_house_type AS text) IS NOT NULL
                                     AND house_type IS NOT NULL
                                     AND house_type <> CAST(:target_house_type AS text)
                                THEN 1.5
                                ELSE 0
                              END
                        )
                    ) AS rn_addr,
{_RN_DUP_WINDOW}
                FROM listings
                WHERE ST_DWithin(geom::geography, ST_MakePoint(:lon, :lat)::geography, :radius)
                  AND (geo_precision IS DISTINCT FROM 'city')
                  AND rooms = :rooms
                  AND area_m2 BETWEEN :area_min AND :area_max
                  AND is_active = true
                  AND scraped_at > NOW() - (:fresh_days || ' days')::interval
                  AND price_rub > 0
                  -- Когортный фильтр (PR 9): отсеивает разные эпохи застройки
                  -- (хрущёвка vs новостройка). Если cohort_year_min IS NULL —
                  -- фильтр прозрачен. CAST обязателен — psycopg3 prepared statement
                  -- не выводит тип $N при IS NULL в predicate (см. PR #518 fix).
                  AND (
                      CAST(:cohort_year_min AS integer) IS NULL
                      OR year_built IS NULL
                      OR year_built BETWEEN CAST(:cohort_year_min AS integer)
                                        AND CAST(:cohort_year_max AS integer)
                  )
                  -- novostroyki guard (#1186): NULL = legacy вторичка до м.011
                  -- Tier W: исключаем новостройки из comp-пула (sync с _COMMON_WHERE).
                  AND (listing_segment IS NULL OR listing_segment = 'vtorichka')
                  -- #2012 is_apartments hard-filter, sync с _COMMON_WHERE (см. комментарий
                  -- там же). Флаг выключен ⇒ прозрачно (byte-identical старому поведению).
                  AND (
                      CAST(:is_apartments_filter AS boolean) IS NOT TRUE
                      OR is_apartments IS NULL
                      OR is_apartments = false
                  )
                  -- 2026-05-23: Avito coords теперь real (PR #487 убрал jitter после
                  -- C-5 audit). Listings с NULL coords отфильтруются через ST_DWithin
                  -- (geom IS NULL → не matches). geocode-missing-listings backfill
                  -- подтягивает координаты для address-only Avito листингов.
                  -- #769 Part E: geo_precision='city' исключает city-centroid листинги
                  -- из radius-аналогов (centroid загрязнял comp set при ST_DWithin).
                  -- IS DISTINCT FROM 'city' пропускает NULL (неизвестная точность —
                  -- консервативно: листинг участвует в аналогах, не удаляем без причины).
            )
            SELECT
                source, source_url, address, lat, lon,
                rooms, area_m2, floor, total_floors,
                price_rub, price_per_m2,
                listing_date, days_on_market, photo_urls,
                scraped_at,
                building_cadastral_number,
                kitchen_area_m2, ceiling_height_m,
                distance_m,
                relevance_score
            FROM base
            WHERE rn_addr <= :max_per_addr
            {dup_filter}
            -- Детерминированный тай-брейкер: симметрично Tier H. При равном
            -- relevance_score Postgres возвращал бы строки в произвольном порядке
            -- → недетерминированная оценка. distance_m ASC → scraped_at DESC
            -- (свежее) → id ASC (PK, total order) делают выборку воспроизводимой.
            ORDER BY relevance_score ASC, distance_m ASC, scraped_at DESC NULLS LAST, id ASC
            LIMIT 300
            """
            ),
            {
                "lat": lat,
                "lon": lon,
                "radius": radius_m,
                "rooms": rooms,
                "area_min": area_min,
                "area_max": area_max,
                "fresh_days": LISTINGS_FRESH_DAYS,
                "target_year": year_built,
                "target_house_type": house_type,
                "max_per_addr": MAX_ANALOGS_PER_ADDRESS,
                "cohort_year_min": cohort_year_min,  # NEW
                "cohort_year_max": cohort_year_max,  # NEW
                "is_apartments_filter": settings.estimate_is_apartments_filter_enabled,  # #2012
            },
        )
        .mappings()
        .all()
    )

    candidates: list[dict[str, Any]] = [dict(r) for r in tier_w_rows]
    _apply_kitchen_ceiling_signal(candidates)
    candidates.sort(key=lambda r: r.get("relevance_score") or 0.0)
    logger.info("analogs tier=W radius=%dm → %d candidates", radius_m, len(candidates))
    return _stratify_candidates(candidates), radius_m > DEFAULT_RADIUS_M, "W"


def _is_plausible_deal(
    price_per_m2: float | None,
    floor: int | None,
    total_floors: int | None,
    area_m2: float | None = None,
    price_rub: float | None = None,
) -> bool:
    """#699 + Mera-audit fix-2: True если ДКП-сделка правдоподобна (не выброс).

    Абсолютные guard-bands (см. DEAL_* константы). None-поля не судим (keep —
    нечем сравнивать). Проверки:
    - price_per_m2 вне [DEAL_MIN_PPM2, DEAL_MAX_PPM2] → drop
    - floor < 1 или floor > DEAL_MAX_FLOOR → drop (битый парсер: floor=-5/999)
    - floor > total_floors физически невозможен → drop
    - area_m2 задана и <= 0 → drop (битый парсер)
    - price_rub задана и <= 0 → drop (нерыночная/технческая сделка)
    """
    if price_per_m2 is not None and not (DEAL_MIN_PPM2 <= price_per_m2 <= DEAL_MAX_PPM2):
        return False
    if floor is not None:
        if floor < 1 or floor > DEAL_MAX_FLOOR:
            return False
        if total_floors is not None and total_floors > 0 and floor > total_floors:
            return False
    if area_m2 is not None and area_m2 <= 0:
        return False
    if price_rub is not None and price_rub <= 0:
        return False
    return True


def _fetch_deals(
    db: Session, *, lat: float, lon: float, rooms: int, area: float, radius_m: int
) -> list[dict[str, Any]]:
    rows = (
        db.execute(
            text(
                """
            SELECT
                source, address, lat, lon,
                rooms, area_m2, floor, total_floors,
                price_rub, price_per_m2,
                deal_date, days_on_market,
                cadastral_number,
                ST_Distance(geom::geography, ST_MakePoint(:lon, :lat)::geography) AS distance_m
            FROM deals
            WHERE ST_DWithin(geom::geography, ST_MakePoint(:lon, :lat)::geography, :radius)
              AND rooms = :rooms
              AND area_m2 BETWEEN :area_min AND :area_max
              AND deal_date > NOW() - (:months || ' months')::interval
              AND price_rub > 0
            ORDER BY deal_date DESC
            LIMIT 30
            """
            ),
            {
                "lat": lat,
                "lon": lon,
                "radius": radius_m,
                "rooms": rooms,
                "area_min": area * (1 - AREA_TOLERANCE),
                "area_max": area * (1 + AREA_TOLERANCE),
                "months": DEALS_PERIOD_MONTHS,
            },
        )
        .mappings()
        .all()
    )

    # #699 + Mera-audit fix-2: отсекаем ДКП-выбросы (битый этаж / нерыночный ppm²
    # / нулевая площадь / нулевая цена) до выдачи в actual_deals и expected_sold.
    deals = [dict(r) for r in rows]
    clean = [
        d
        for d in deals
        if _is_plausible_deal(
            d.get("price_per_m2"),
            d.get("floor"),
            d.get("total_floors"),
            d.get("area_m2"),
            d.get("price_rub"),
        )
    ]
    if len(clean) < len(deals):
        logger.info("deals sanitize #699: %d → %d (dropped outliers)", len(deals), len(clean))
    return clean


def _apply_corridor_clamp(
    *,
    median_ppm2: float,
    median_price: int,
    range_low: int,
    range_high: int,
    corridor_high_ppm2: int,
    corridor_count: int,
    anchor_tier: str | None,
    slack: float,
    min_n: int,
    enabled: bool,
) -> tuple[float, int, int, int, bool]:
    """#1795 шаг 1: soft-кламп headline к коридору реальных ДКП-сделок Росреестра.

    Чистая (testable без БД) функция. Прижимает headline к
    cap = corridor_high_ppm2 × (1 + slack), когда ВСЕ условия:
      - median_ppm2 > cap (headline выше потолка коридора + slack),
      - corridor_count >= min_n (достаточно сделок для доверия коридору),
      - anchor_tier != "A" (Tier A = реальные комплы ТОГО ЖЕ дома → EXEMPT),
      - enabled (флаг estimate_corridor_clamp_enabled).
    Тогда price/range_low/range_high пересчитываются ПРОПОРЦИОНАЛЬНО
    (множитель = cap / median_ppm2), чтобы asking↔sold↔range остались
    консистентны. Возвращает (median_ppm2, median_price, range_low,
    range_high, clamped: bool). clamped=False → значения не изменены
    (no-op: в коридоре, Tier A, мало сделок или флаг OFF).
    """
    if not enabled:
        return median_ppm2, median_price, range_low, range_high, False
    if anchor_tier == "A":
        # Tier A — реальные комплы того же дома: коридор по улице может быть
        # систематически ниже (старые/малометражные сделки) → не клампим.
        return median_ppm2, median_price, range_low, range_high, False
    if corridor_count < min_n or corridor_high_ppm2 <= 0 or median_ppm2 <= 0:
        return median_ppm2, median_price, range_low, range_high, False
    cap = corridor_high_ppm2 * (1.0 + slack)
    if median_ppm2 <= cap:
        # В коридоре (с учётом slack) — no-op (эконом/комфорт сюда не попадают).
        return median_ppm2, median_price, range_low, range_high, False
    factor = cap / median_ppm2
    new_ppm2 = cap
    new_price = round(median_price * factor)
    new_low = round(range_low * factor)
    new_high = round(range_high * factor)
    return new_ppm2, new_price, new_low, new_high, True


# ── #2087 H4 / #2265: кросс-source физический дедуп аналогов ──────────────────
# Radius-дедуп (_RN_DUP_WINDOW) ловит только повторы ВНУТРИ одного source
# (source, source_id). Один физический лот, кросс-запостенный на avito+cian+
# domklik, имеет РАЗНЫЕ source → переживает radius-дедуп → считается несколько
# раз → раздувает n_analogs И cv (→ шире коридор), может смещать медиану.
# _dedup_cross_source схлопывает такие дубли по физическому ключу ДО агрегации.
#
# #2265: адресный fallback-ключ ужесточён. Раньше building = lower + схлопнутая
# пунктуация ВСЕГО адреса → три source-формата одного дома дают три разных
# building-компонента и один физлот считается тремя. Прод-пример (оценка
# d5fc3841): один лот 33.6 м²/3 этаж/4.0М на ул. Сыромолотова показан как 3
# аналога, т.к. cadnum пуст у всех троих, а адреса форматированы по-разному:
#   cian    «р-н Кировский, мкр. ЖБИ, улица Сыромолотова, …»
#   domklik «Россия, Екатеринбург, ЖБИ м-н, улица Сыромолотова…»
#   yandex  «Екатеринбург, улица Сыромолотова, 11»
# domklik building_cadastral_number ВСЕГДА пуст (0/6296), yandex/avito/cian —
# 17/29/33% → cadnum-ключ между источниками тоже не совпадает.
#
# Фикс: из адреса извлекаем нормализованный street_token (тип улицы + город +
# район + «Россия» выброшены) и строим композит (street_token, floor, area,
# price). house_no СОЗНАТЕЛЬНО не входит в equality-ключ — он присутствует
# непоследовательно (yandex несёт номер, cian/domklik часто нет), включение
# помешало бы слить именно тот кросс-пост, ради которого дедуп существует.
# Разные физлоты остаются разными через floor/area/price (требование «не
# over-merge»). Дедуп union-find по ЛЮБОМУ совпавшему ключу (cadnum-композит ИЛИ
# street-композит) → закрывает и «у одного cadnum есть, у другого нет, адрес
# совпадает». Два РАЗНЫХ кадастра (авторитетный сигнал разных зданий) НЕ
# сливаются, даже если street-композит совпал.
_DEDUP_PRICE_BUCKET_RUB = 100_000

# Типы улиц (для отсечения от названия). District-маркеры (мкр/м-н/квартал/
# район) СЮДА НЕ входят — иначе «мкр. ЖБИ, улица Сыромолотова» матчилось бы на
# «мкр ЖБИ» вместо реальной улицы; они убираются как шум в _DEDUP_ADDR_NOISE_WORDS.
# NB: имена с префиксом _DEDUP_ — чтобы НЕ конфликтовать с модульным
# _STREET_NAME_RE (extract_street_name, другой парсер выше).
_DEDUP_STREET_TYPE_WORDS = (
    "улица",
    "ул",
    "переулок",
    "пер",
    "проспект",
    "просп",
    "пр-кт",
    "пр-т",
    "пр",
    "бульвар",
    "б-р",
    "бул",
    "проезд",
    "шоссе",
    "ш",
    "набережная",
    "наб",
    "площадь",
    "пл",
    "аллея",
    "тупик",
    "тракт",
    "линия",
)
# Длинные типы раньше коротких, чтобы «улица» матчилось раньше «ул».
_DEDUP_STREET_TYPE_ALT = "|".join(
    re.escape(w) for w in sorted(_DEDUP_STREET_TYPE_WORDS, key=len, reverse=True)
)
# «<тип>[.] <название>»: название = опциональная ведущая цифро-группа + 1-3
# буквенных слова, до запятой/цифры. Ведущая цифра нужна для нумерованных улиц
# («8 Марта», «40 лет Октября», «22 Партсъезда»); она разрешена ТОЛЬКО перед
# буквенным словом (?:\d+\s+)?[а-яё]…, поэтому НОМЕР ДОМА (число ПОСЛЕ названия,
# не сопровождаемое буквой) в токен не попадает: «Белинского 86» → «белинского».
# #2269 (б): тип-суффикс может быть приклеен запятой/точкой без пробела
# («ул.,6к1»): после `\.?` разрешаем ЛИБО пробел (обычный формат), ЛИБО запятую
# (→ следом номер дома). Ветка «тип ПЕРЕД именем» — только для формата с пробелом.
_DEDUP_STREET_NAME_RE = re.compile(
    rf"(?:^|[,\s])(?:{_DEDUP_STREET_TYPE_ALT})\.?\s+"
    r"((?:\d+\s+)?[а-яё][а-яё\-]+(?:\s+[а-яё][а-яё\-]+){0,2})",
    flags=re.IGNORECASE,
)
# #2269 (а): «<название> <тип>» — тип-слово ПОСЛЕ имени (формат domklik:
# «Рассветная улица, 6 к1»; avito с глухим суффиксом: «Рассветная ул.,6к1»).
# Название — 1-3 буквенных слова (+ опц. ведущая цифра нумерованной улицы) на
# границе запятой/начала строки, СРАЗУ перед типом. Тип завершается концом
# слова / точкой / запятой / пробелом — так «Рассветная ул.,6к1» и «Рассветная
# улица, 6» дают тот же токен «рассветная», что ветка-перед-именем на «улица
# Рассветная». Тип НЕ входит в захват (group 1) — токен байт-в-байт совпадает.
_DEDUP_STREET_NAME_SUFFIX_RE = re.compile(
    r"(?:^|[,\s])"
    r"((?:\d+\s+)?[а-яё][а-яё\-]+(?:\s+[а-яё][а-яё\-]+){0,2})\s+"
    rf"(?:{_DEDUP_STREET_TYPE_ALT})(?=\.|,|\s|$)",
    flags=re.IGNORECASE,
)
# #2269 (в): fallback без уличного типа — «микрорайон/мкр/мкр-н/м-н <имя>» или
# «<имя> микрорайон». Имя = 1-3 буквенных слова. Токен получает префикс «mkr »,
# чтобы НЕ пересекаться с уличными токенами (микрорайон ≠ одноимённая улица).
_DEDUP_MKR_WORDS_ALT = "|".join(
    re.escape(w) for w in sorted(("микрорайон", "мкр-н", "мкр", "м-н"), key=len, reverse=True)
)
_DEDUP_MKR_PREFIX_RE = re.compile(
    rf"(?:^|[,\s])(?:{_DEDUP_MKR_WORDS_ALT})\.?\s+" r"([а-яё][а-яё\-]+(?:\s+[а-яё][а-яё\-]+){0,2})",
    flags=re.IGNORECASE,
)
_DEDUP_MKR_SUFFIX_RE = re.compile(
    r"(?:^|[,\s])"
    r"([а-яё][а-яё\-]+(?:\s+[а-яё][а-яё\-]+){0,2})\s+"
    rf"(?:{_DEDUP_MKR_WORDS_ALT})(?=\.|,|\s|$)",
    flags=re.IGNORECASE,
)
# Номер дома = первое число ПОСЛЕ названия улицы (опц. «д.»/«дом»), с литерой/
# корпусом («46», «8а», «12/3», «12к3»). Ищется в остатке строки от конца
# street-матча — ведущая цифра нумерованной улицы («8 Марта») сюда не попадает.
# #2423: суффикс-буква («46г», «8а») засчитывается только если ЗА НЕЙ не идёт
# ЕЩЁ ОДИН word-символ (`(?!\w)` — буква ИЛИ цифра), т.е. только если это
# последний word-символ токена. Иначе это не литера дома, а первая буква
# приклеенного без пробела слова (название станции метро в avito:
# «2Чкаловская11-15 мин» → дом «2», а не «15» из хвоста дистанции).
# #2436 (фикс регрессии #2429): корпус-словоформа («к»/«корп»/«корпус», глухо
# ИЛИ с пробелом, ЗА КОТОРОЙ идёт цифра корпуса) — отдельная альтернатива,
# пробуется ДО bare-letter-альтернативы, чтобы захватить ВЕСЬ токен «65к4»/
# «65 к4» целиком (а не только «65», как раньше — #2429 отклонял букву через
# `(?!\w)`, но не восстанавливал отброшенную цифру корпуса). Раздельные
# source-нотации корпуса («65к4» avito/cian glued, «65/4» domklik slash)
# канонизируются ПОСЛЕ этого regex-а через `_normalize_house_no` (см. ниже) —
# сам regex лишь ГАРАНТИРУЕТ, что сырая корпус-подстрока захвачена целиком, не
# усечена; реформатирование в единый «N/M» — забота нормализатора.
# Trailing `\b` намеренно убран: он ложно "отменял" весь матч цифры, когда
# сразу за ней шло кириллическое слово без разделителя (Cyrillic letter и
# digit — оба `\w`, между ними нет word-boundary).
_DEDUP_HOUSE_NO_RE = re.compile(
    r"\b(?:д(?:ом)?\.?\s*)?"
    r"(\d+(?:\s*/\s*\d+"
    r"|\s*,?\s*к(?:орп(?:ус)?)?\.?\s*\d+"
    r"|[а-яё](?!\w))?)",
    flags=re.IGNORECASE,
)
# Слова-маркеры дома, которые могли попасть в захват названия (напр. «ленина д 5»).
_DEDUP_HOUSE_MARKER_WORDS = frozenset(
    {"дом", "д", "корпус", "корп", "к", "строение", "стр", "литера", "лит", "владение", "вл"}
)
# Шум-токены (город/страна/район/микрорайон) на случай, если попали в название.
_DEDUP_ADDR_NOISE_WORDS = frozenset(
    {
        "россия",
        "рф",
        "екатеринбург",
        "г",
        "город",
        "область",
        "обл",
        "район",
        "р-н",
        "мкр",
        "м-н",
        "микрорайон",
        "квартал",
    }
)
# #2291 (класс 1): токен-множества для bare-street-ветки (см. ниже) — прямая
# проверка отдельных слов сегмента, без построения регэкспа.
_DEDUP_MKR_WORDS = frozenset({"микрорайон", "мкр-н", "мкр", "м-н"})
_DEDUP_STREET_TYPE_WORDS_SET = frozenset(_DEDUP_STREET_TYPE_WORDS)


def _bare_street_before_house_segment(s: str) -> tuple[str, str] | None:
    """Bare-street ветка (#2291, класс 1): «<мкр-сегмент>, <имя>, <номер>».

    Root cause: `_DEDUP_MKR_SUFFIX_RE` матчит «<имя> м-н/мкр» ГДЕ УГОДНО в
    строке. Для DomClick-формата «Заречный м-н, Готвальда, 24» — голая улица
    БЕЗ типа-слова после района — ветки 1/2 (требуют тип-слово) молчат, и
    mkr-fallback (ветка 3) неверно берёт ключ по РАЙОНУ («mkr заречный»)
    вместо реальной улицы «готвальда» → лот никогда не сливается с avito/cian
    того же дома, где «готвальда» распознаётся корректно.

    Разбивает адрес по запятым; ищет ПЕРВЫЙ сегмент, ЦЕЛИКОМ совпадающий с
    `_DEDUP_HOUSE_NO_RE` (номер дома). Сегмент НЕПОСРЕДСТВЕННО перед ним — 1-3
    слова, без мкр-слова/уличного типа/шум-токена — кандидат в bare-улицу.

    #2291 over-merge guard (deep-review, blocking): ветка активируется ТОЛЬКО
    для 3+ сегментного district-chain паттерна — обязателен ЕЩЁ более ранний
    сегмент (до кандидата-улицы), который сам содержит мкр/район-слово
    (`_DEDUP_MKR_WORDS`). Без этого условия голые 2-сегментные адреса без
    какого-либо mkr-контекста («ВИЗ, 24», «Академический, 24», «ЖК Некий,
    24» — частый неформальный ЕКБ-шорткат в объявлениях) фабриковали бы
    уличный токен из названия района/ЖК и рисковали ложным cross-merge двух
    РАЗНЫХ физлотов. Такие адреса должны вернуть None (решают ветки 1/2/3;
    итог — безопасный `("", "")`, как и до всей этой ветки).

    Не найдено/не подходит → None (решают ветки 1/2/3, в частности mkr-fallback
    для «мкр Пионерский, 5», где сегмент перед номером содержит мкр-слово).
    """
    segments = s.split(",")
    for idx in range(1, len(segments)):
        house_seg = segments[idx].strip()
        if not house_seg:
            continue
        hm = _DEDUP_HOUSE_NO_RE.fullmatch(house_seg)
        if hm is None:
            continue
        street_idx = idx - 1
        earlier_segments = segments[:street_idx]
        if not earlier_segments or not any(
            any(w in _DEDUP_MKR_WORDS for w in seg.strip().split()) for seg in earlier_segments
        ):
            # Нет более раннего сегмента с mkr/район-словом → это не заявленный
            # 3-сегментный district-chain, а голый 2-сегментный адрес — не
            # фабрикуем уличный токен, отдаём другим веткам (итог — "", "").
            continue
        raw_words = segments[street_idx].strip().split()
        if not raw_words or len(raw_words) > 3:
            continue
        if any(
            w in _DEDUP_MKR_WORDS
            or w in _DEDUP_ADDR_NOISE_WORDS
            or w in _DEDUP_STREET_TYPE_WORDS_SET
            for w in raw_words
        ):
            continue  # район/мкр/голое тип-слово — не улица, отдаём другим веткам
        words = [w for w in raw_words if w not in _DEDUP_HOUSE_MARKER_WORDS]
        if not words:
            continue
        return " ".join(words), hm.group(1)
    return None


# #2436: канонизация house_no к единому кросс-source формату. Регекс выше лишь
# ГАРАНТИРУЕТ, что сырая корпус-подстрока захвачена целиком («65к4», «65 к4»,
# «65, корпус 4») — реформатирование в один канонический «N/M» делает функция
# ниже, а не сам regex (три разные лексические словоформы корпуса плюс слэш —
# читаемее и тестируемее как обычный Python, чем regex-replacement).
_CORPUS_SLASH_RE = re.compile(r"^(\d+)\s*/\s*(\d+)$")
_CORPUS_WORD_RE = re.compile(r"^(\d+)\s*,?\s*к(?:орп(?:ус)?)?\.?\s*(\d+)$", re.IGNORECASE)
_LITER_RE = re.compile(r"^(\d+)([а-яё])$", re.IGNORECASE)


def _normalize_house_no(raw: str) -> str:
    """Канонизирует извлечённый house_no к единому кросс-source формату.

    Корпус — ЛЮБАЯ нотация («65к4», «65 к4», «65, корпус 4», «65/4») —
    канонизируется к «65/4», чтобы guard_house's string equality (#2429
    регрессия) видела один и тот же дом независимо от того, как его записал
    источник (avito/cian — глухая/словесная нотация; domklik — слэш). Литер
    (единственная буква БЕЗ цифры за ней, «24г») — другой физический суффикс
    («дом 24, литер Г», не «дом 24 корпус 4») и НЕ нормализуется — остаётся
    «24г». Идемпотентна: вызов на уже-канонической строке — no-op. Не
    полагается на то, что `raw` уже приведён к нижнему регистру вызывающей
    стороной — регексы сами case-insensitive.
    """
    if not raw:
        return raw
    s = raw.strip()
    m = _CORPUS_SLASH_RE.match(s) or _CORPUS_WORD_RE.match(s)
    if m:
        return f"{m.group(1)}/{m.group(2)}"
    m = _LITER_RE.match(s)
    if m:
        return f"{m.group(1)}{m.group(2).lower()}"
    return s


def _parse_street_house(addr: str | None) -> tuple[str, str]:
    """(street_token, house_no) из адреса произвольного source-формата (#2265).

    street_token — название улицы без типа (улица/пер/пр…), города, района и
    «Россия»; нумерованные улицы («8 Марта») сохраняют ведущую цифру. house_no —
    первое число ПОСЛЕ названия улицы (может отсутствовать: cian/domklik часто
    без номера). Не распознано → ("", "").
    """
    if not addr:
        return "", ""
    s = addr.strip().lower()
    # #2291 (класс 2): «ё» → «е» — «Шевелёва»/«Шевелева» и «Миномётчиков»/
    # «Минометчиков» должны схлопываться в один канонический токен.
    s = s.replace("ё", "е")
    # Ветка 1 (существующая, #2265): тип ПЕРЕД именем («улица Рассветная»).
    # Пробуется ПЕРВОЙ — новые ветки только если она дала пусто. Логика не тронута.
    m = _DEDUP_STREET_NAME_RE.search(s)
    mkr = False
    if m is None:
        # Ветка 2 (#2269 а/б): имя ПЕРЕД типом, тип-суффикс с пробелом или
        # приклеенный запятой/точкой («Рассветная улица», «Рассветная ул.,6к1»).
        m = _DEDUP_STREET_NAME_SUFFIX_RE.search(s)
    if m is None:
        # Ветка bare-street (#2291, класс 1): «<имя>, <номер>» без типа/мкр-
        # слова прямо перед номером дома — СТРОГО перед mkr-fallback (веткой
        # 3), иначе «мкр Пионерский, 5» тоже сюда попала бы (см. docstring
        # _bare_street_before_house_segment).
        bare = _bare_street_before_house_segment(s)
        if bare is not None:
            bare_street, bare_house = bare
            return bare_street, _normalize_house_no(bare_house)
    if m is None:
        # Ветка 3 (#2269 в): без уличного типа — микрорайон-fallback. Токен
        # получает префикс «mkr », чтобы не пересекаться с уличными токенами.
        m = _DEDUP_MKR_PREFIX_RE.search(s) or _DEDUP_MKR_SUFFIX_RE.search(s)
        mkr = m is not None
    if m is None:
        return "", ""
    words = [
        w
        for w in m.group(1).split()
        if w and w not in _DEDUP_HOUSE_MARKER_WORDS and w not in _DEDUP_ADDR_NOISE_WORDS
    ]
    street = " ".join(words).strip()
    if not street:
        return "", ""
    if mkr:
        street = f"mkr {street}"
    house = ""
    hm = _DEDUP_HOUSE_NO_RE.search(s, m.end())
    if hm:
        house = _normalize_house_no(hm.group(1))
    return street, house


def _extract_street_token(addr: str | None) -> str:
    """Нормализованный уличный токен для дедуп-ключа (#2265). См. _parse_street_house."""
    return _parse_street_house(addr)[0]


def _lot_dedup_components(
    lot: dict[str, Any],
) -> tuple[str, str, tuple[str, Any, int, int] | None, tuple[str, Any, int, int] | None]:
    """(cadnum, house_no, cadnum-композит, street-композит) лота для union-find.

    Каждый композит = (building, floor, area_bucket, price_bucket) или None,
    если нет соответствующего сигнала. area_bucket = round(area_m2) (~±0.5 м² —
    гасит 66.9 vs 67.0), price_bucket = round(price_rub / _DEDUP_PRICE_BUCKET_RUB)
    (у настоящего кросс-поста цена идентична, допуск лишь гасит округление).
    house_no — extra-сигнал для street-union guard (не входит в equality-ключ).
    Нет площади/цены → композиты None (лот уникален, не дедупится).
    """
    area = lot.get("area_m2")
    price = lot.get("price_rub")
    if not area or not price:
        return "", "", None, None
    floor = lot.get("floor")
    area_b = round(float(area))
    price_b = round(float(price) / _DEDUP_PRICE_BUCKET_RUB)
    cad = lot.get("building_cadastral_number")
    cad_s = str(cad).strip() if cad and str(cad).strip() else ""
    cad_key = (cad_s, floor, area_b, price_b) if cad_s else None
    street, house = _parse_street_house(lot.get("address"))
    street_key = (street, floor, area_b, price_b) if street else None
    return cad_s, house, cad_key, street_key


def _phys_dedup_key(lot: dict[str, Any]) -> tuple[str, Any, int, int] | None:
    """Первичный физический ключ (building, floor, area_bucket, price_bucket).

    building = cadnum (надёжнее) ИЛИ street_token (#2265). None, если нет
    площади/цены или не из чего построить building. Сохраняет 4-кортежную форму
    (canonical-ключ; union-find в _dedup_cross_source использует оба композита).
    """
    _cad_s, _house, cad_key, street_key = _lot_dedup_components(lot)
    return cad_key or street_key


def _dedup_rep_key(lot: dict[str, Any]) -> tuple[float, int, str, str]:
    """Ключ выбора представителя из группы-дубля (больше = предпочтительнее).

    Свежайший scraped_at → есть фото → source → source_url (детерминированный
    tie-break). Свежайшая цена наиболее актуальна для оценки.
    """
    sa = lot.get("scraped_at")
    sa_ord = sa.timestamp() if isinstance(sa, datetime) else 0.0
    has_photo = 1 if lot.get("photo_urls") else 0
    return (sa_ord, has_photo, lot.get("source") or "", lot.get("source_url") or "")


def _dedup_cross_source(lots: list[dict[str, Any]]) -> list[dict[str, Any]]:
    """Схлопывает кросс-source дубли одного физического лота (#2087 H4 / #2265).

    Union-find по физическим композитам: два лота — дубли, если совпал ЛЮБОЙ
    ключ — cadnum-композит ИЛИ street-композит (_lot_dedup_components). Из группы
    оставляет ОДНОГО представителя (свежайший scraped_at), НЕ суммирует. Порядок
    вывода — по первому появлению группы (сохраняет relevance-сортировку из
    _fetch_analogs для top-N UI). Представитель несёт свой source → n_analogs/
    median/cv/source_counts/sources_used считаются по физическим лотам («лот
    считается один раз»; source кросс-поста, не ставший представителем, выпадает
    из выборки — по нему нет независимой ценовой точки).

    #2265: cadnum-композит обрабатывается первым (авторитетный), затем street-
    композит — но union по street НЕ сливает два РАЗНЫХ непустых кадастра
    (разные здания) И два РАЗНЫХ извлечённых номера дома (equal-or-missing =
    сливаем, both-present-different = нет). Оба guard'а — на уровне корня группы,
    устойчивы к порядку. Флаг OFF → no-op (байт-идентичный проход). Лоты без
    площади/цены не дедупятся — остаются уникальными.
    """
    if not settings.estimate_dedup_analogs_enabled or len(lots) < 2:
        return lots

    n = len(lots)
    parent = list(range(n))
    comps = [_lot_dedup_components(lot) for lot in lots]
    # cadnum/house группы (root → «» если группа без/со смешанным значением).
    root_cad = [c[0] for c in comps]
    root_house = [c[1] for c in comps]

    def find(x: int) -> int:
        while parent[x] != x:
            parent[x] = parent[parent[x]]  # path-halving
            x = parent[x]
        return x

    def union(a: int, b: int, guard_house: bool) -> None:
        ra, rb = find(a), find(b)
        if ra == rb:
            return
        ca, cb = root_cad[ra], root_cad[rb]
        if ca and cb and ca != cb:
            return  # разные кадастры → разные здания, не сливаем
        ha, hb = root_house[ra], root_house[rb]
        if guard_house and ha and hb and ha != hb:
            return  # разные номера дома (оба извлечены) → не сливаем по street
        merged_cad = ca or cb
        # both-present-different номер дома возможен лишь при cadnum-union
        # (guard_house=False) → помечаем группу как «смешанную» ("").
        merged_house = "" if (ha and hb and ha != hb) else (ha or hb)
        # меньший индекс — корень: сохраняет first-seen порядок групп.
        if ra < rb:
            parent[rb] = ra
            root_cad[ra] = merged_cad
            root_house[ra] = merged_house
        else:
            parent[ra] = rb
            root_cad[rb] = merged_cad
            root_house[rb] = merged_house

    # 1) cadnum-композит — авторитетный (тот же кадастр = то же здание).
    cad_owner: dict[tuple[str, Any, int, int], int] = {}
    for i, (_cad_s, _house, cad_key, _street_key) in enumerate(comps):
        if cad_key is None:
            continue
        prev = cad_owner.get(cad_key)
        if prev is None:
            cad_owner[cad_key] = i
        else:
            union(prev, i, guard_house=False)

    # 2) street-композит — union при отсутствии cadnum- И house-конфликта.
    # #2291 (класс 3): area_b — банкирское округление (round()), физически
    # одинаковый лот, измеренный source'ами чуть по-разному (38.5 vs 39.0),
    # может попасть в СОСЕДНИЕ bucket'ы и никогда не сравниться. Допуск ±1
    # bucket СКОПИРОВАН только на street-union lookup (не на cadnum-union, не
    # на сам area_bucket — расширение бакета вызвало бы over-merge). Owner
    # регистрируется ВСЕГДА под своим ТОЧНЫМ ключом (не под ключом соседа) —
    # иначе допуск мог бы дрейфовать сколь угодно далеко цепочкой ±1,±1,±1…
    street_owner: dict[tuple[str, Any, int, int], int] = {}
    for i, (_cad_s, _house, _cad_key, street_key) in enumerate(comps):
        if street_key is None:
            continue
        street, floor, area_b, price_b = street_key
        prev = street_owner.get(street_key)
        if prev is None:
            prev = street_owner.get((street, floor, area_b - 1, price_b))
        if prev is None:
            prev = street_owner.get((street, floor, area_b + 1, price_b))
        if prev is None:
            street_owner[street_key] = i
        else:
            union(prev, i, guard_house=True)

    groups: dict[int, list[dict[str, Any]]] = {}
    order: list[int] = []
    for i, lot in enumerate(lots):
        root = find(i)
        if root not in groups:
            groups[root] = []
            order.append(root)
        groups[root].append(lot)

    result: list[dict[str, Any]] = []
    collapsed = 0
    for root in order:
        group = groups[root]
        if len(group) == 1:
            result.append(group[0])
        else:
            result.append(max(group, key=_dedup_rep_key))
            collapsed += len(group) - 1
    if collapsed:
        logger.info(
            "cross-source dedup #2087/#2265: %d lots → %d unique (-%d dups)",
            len(lots),
            len(result),
            collapsed,
        )
    return result


def _filter_outliers(lots: list[dict[str, Any]]) -> list[dict[str, Any]]:
    """Tukey IQR rule: исключаем точки вне [Q1 - k×IQR, Q3 + k×IQR].

    #1795 шаг 4: на малых выборках (n < estimate_outlier_small_n_threshold)
    ужесточаем k с 1.5 до estimate_outlier_tukey_k_small — несколько элитных
    листингов на тонкой выборке премиум-дома иначе остаются в IQR-границах и
    тянут радиусную медиану вверх. threshold=0 → выключено (старое поведение).
    """
    if len(lots) < 5:
        return lots  # на маленькой выборке нечего фильтровать

    prices = sorted(lot["price_per_m2"] for lot in lots if lot.get("price_per_m2"))
    if len(prices) < 4:
        return lots

    tukey_k = 1.5
    if (
        settings.estimate_outlier_tukey_k_small < 1.5
        and len(prices) < settings.estimate_outlier_small_n_threshold
    ):
        tukey_k = settings.estimate_outlier_tukey_k_small

    q1 = _percentile(prices, 0.25)
    q3 = _percentile(prices, 0.75)
    iqr = q3 - q1
    low = q1 - tukey_k * iqr
    high = q3 + tukey_k * iqr

    # None-safe: listings.price_per_m2 is nullable, и lot.get(..., 0) вернёт None
    # (а не дефолт 0) когда ключ ПРИСУТСТВУЕТ со значением None → low <= None <= high
    # бросает TypeError в Python 3. Лоты без цены судить как outlier нечем — оставляем их.
    clean = []
    for lot in lots:
        ppm2 = lot.get("price_per_m2")
        if ppm2 is None:
            clean.append(lot)  # нечего сравнивать — keep
            continue
        if low <= ppm2 <= high:
            clean.append(lot)  # priced лот внутри Tukey-границ — keep
        # else: priced outlier за пределами границ — drop
    if len(clean) < len(lots):
        logger.info("outlier filter: %d → %d (Q1=%d Q3=%d)", len(lots), len(clean), q1, q3)
    return clean


def _percentile(sorted_values: list[float], p: float) -> float:
    """Linear interpolation percentile (не округляем — оставляем float)."""
    if not sorted_values:
        return 0.0
    if len(sorted_values) == 1:
        return float(sorted_values[0])
    n = len(sorted_values)
    rank = p * (n - 1)
    lo = int(rank)
    hi = min(lo + 1, n - 1)
    frac = rank - lo
    return sorted_values[lo] + (sorted_values[hi] - sorted_values[lo]) * frac


def _apply_range_floor(low: int, high: int, point: int) -> tuple[int, int]:
    """#2209: min-width floor ценового диапазона вокруг точки оценки.

    Если диапазон уже́ 2×RANGE_MIN_HALFWIDTH_PCT×point (вырожденный n=1..2 хвост),
    расширяем симметрично вокруг point до floor-полуширины. Floor ТОЛЬКО расширяет
    (никогда не сужает уже-широкий диапазон), точку (median/expected_sold) не двигает.
    low не опускается ниже 0. Возвращает целые рубли.
    """
    if point <= 0:
        return low, high
    floor_half = round(RANGE_MIN_HALFWIDTH_PCT * point)
    if (high - low) < 2 * floor_half:
        return max(0, point - floor_half), point + floor_half
    return low, high


def _enforce_zero_analog_low(
    confidence: str,
    n_analogs: int,
    explanation: str | None,
    *,
    median_price: int | float | None = None,
    sources_used: list[str] | None = None,
) -> tuple[str, str]:
    """#1871 P1.2 — defensive invariant: n_analogs == 0 МОЖЕТ означать только 'low'.

    Гард ловит любой будущий путь (external-valuation blend, rehydrate, миграция),
    который наполнит median/sources_used без единого реального аналога ("ghost-anchor").
    Текущий mainline уже честен (_compute_confidence → 'low' при median=0, #755 cap) —
    это belt-and-suspenders, не load-bearing. Не вшивает fake median: реальное число
    от внешнего сервиса остаётся, мы лишь понижаем confidence + добавляем caveat.

    Возвращает (confidence, explanation): при n_analogs==0 и confidence!='low' —
    форсит 'low' + caveat-suffix; иначе значения проходят без изменений.
    """
    if n_analogs == 0 and confidence != "low":
        logger.warning(
            "ghost_anchor_guard #1871: forcing confidence 'low' (was %s, " "median=%s, sources=%s)",
            confidence,
            median_price,
            sources_used,
        )
        explanation_suffix = (
            " Оценка построена без сопоставимых аналогов рядом "
            "(использованы только внешние оценочные сервисы) — точность "
            "ориентировочная, рекомендуем дополнительную проверку."
        )
        return "low", (explanation or "") + explanation_suffix
    return confidence, explanation or ""


def _downgrade_confidence(confidence: str) -> str:
    """#1871 P2 — понизить confidence на одну ступень: high→medium→low→low.

    Зеркалит inline downgrade-map в _compute_confidence (concentration bias) и
    coarse-geo gate. Неизвестные значения возвращаются как есть (defensive).
    """
    return {"high": "medium", "medium": "low", "low": "low"}.get(confidence, confidence)


def _compute_confidence(
    n_analogs: int,
    median_ppm2: float,
    q1: float,
    q3: float,
    fallback_radius_used: bool,
    area_widened: bool = False,
    listings: list[dict] | None = None,
) -> tuple[str, str]:
    """Confidence + explanation string.

    Уровень определяется по количеству уникальных адресов, а не по raw n_analogs.
    Это защищает от overstated confidence когда много лотов из одного здания
    (например, MIN_ANALOGS_PER_SOURCE=5 + same-building bias).

    high   — unique_addr ≥ 7 AND IQR/median < 0.15
    medium — unique_addr ≥ 4 OR (unique_addr ≥ 2 AND IQR/median < 0.25)
    low    — иначе

    Downgrade на один уровень если avg_lots_per_addr > 2.5 (concentration bias).
    """
    if median_ppm2 == 0:
        return "low", "Не найдено аналогов — попробуйте уточнить адрес или расширить параметры."

    # Вычисляем метрики уникальных адресов
    if listings:
        unique_addrs = {
            (lot.get("address") or "").strip().lower() for lot in listings if lot.get("address")
        }
        unique_addr_count = len(unique_addrs)
        avg_lots_per_addr = n_analogs / max(unique_addr_count, 1)
    else:
        unique_addr_count = n_analogs  # fallback: считаем каждый лот уникальным
        avg_lots_per_addr = 1.0

    iqr = q3 - q1
    iqr_pct = iqr / median_ppm2 if median_ppm2 > 0 else 1.0
    notes = []
    if fallback_radius_used:
        notes.append("расширили радиус до 2 км")
    if area_widened:
        notes.append("расширили допуск по площади до ±25%")
    fallback_note = f" ({', '.join(notes)} из-за нехватки данных)" if notes else ""

    # Базовый уровень по уникальным адресам
    if unique_addr_count >= 7 and iqr_pct < 0.15:
        base = "high"
    elif unique_addr_count >= 4:
        base = "medium"
    elif unique_addr_count >= 2 and iqr_pct < 0.25:
        base = "medium"
    else:
        base = "low"

    # Downgrade на один шаг если слишком много лотов сконцентрировано на малом числе адресов
    if avg_lots_per_addr > 2.5 and base != "low":
        downgrade_map = {"high": "medium", "medium": "low"}
        downgraded = downgrade_map[base]
        explanation = (
            f"Найдено {n_analogs} аналогов из {unique_addr_count} разных адресов, "
            f"разброс цены ±{int(iqr_pct * 100 / 2)}% от медианы{fallback_note}. "
            f"Снижена точность (≥2.5 лотов на адрес — возможен bias)."
        )
        return downgraded, explanation

    explanation = (
        f"Найдено {n_analogs} аналогов из {unique_addr_count} разных адресов, "
        f"разброс цены ±{int(iqr_pct * 100 / 2)}% от медианы{fallback_note}."
    )
    return base, explanation


def _date_precision_for_source(source: str | None) -> Literal["day", "quarter"] | None:
    """Честная маркировка precision listing_date/deal_date (#1995).

    Rosreestr open dataset публикует ДКП-сделки с точностью до КВАРТАЛА
    (deals.deal_date = period_start_date, первый день квартала — см. data/sql/
    01_schema_rosreestr_deals.sql, комментарий "Excluded: ... exact deal date").
    Live-аудит prod (2026-07): 9 загруженных кварталов, ровно 1 distinct deal_date
    на квартал — подтверждает granularity источника, а НЕ баг/заглушку.
    listings (avito/cian/yandex/domklik) несут реальную day-level дату
    скрапинга/парсинга. source=None (неизвестен) → None (precision не заявляем).
    """
    if source is None:
        return None
    return "quarter" if source == "rosreestr" else "day"


def _listing_to_analog(row: dict[str, Any]) -> AnalogLot:
    return AnalogLot(
        address=row.get("address") or "",
        area_m2=float(row.get("area_m2") or 0),
        rooms=int(row.get("rooms") or 0),
        floor=row.get("floor"),
        total_floors=row.get("total_floors"),
        price_rub=int(row["price_rub"]),
        price_per_m2=int(row.get("price_per_m2") or 0),
        listing_date=row.get("listing_date"),
        days_on_market=row.get("days_on_market"),
        date_precision=_date_precision_for_source(row.get("source")),
        photo_url=(row["photo_urls"] or [None])[0] if row.get("photo_urls") else None,
        source=row.get("source"),
        source_url=row.get("source_url"),
        distance_m=int(row["distance_m"]) if row.get("distance_m") is not None else None,
        lat=float(row["lat"]) if row.get("lat") is not None else None,
        lon=float(row["lon"]) if row.get("lon") is not None else None,
    )


def _anchor_comp_to_analog(c: dict[str, Any]) -> AnalogLot:
    """Same-building/micro-radius comp → AnalogLot (#694).

    Когда якорь сработал, headline построен на этих комплах — показываем их в UI.
    ROBUST к отсутствию display-полей: реальные комплы несут address/source/price_rub
    (SELECT их тянет), но тестовые моки и legacy-строки могут давать только числа
    (price_per_m2/area_m2/rooms). price_rub тогда вычисляем ppm²×area
    (fallback на ppm² если area 0/None — без zero-result/crash). distance_m не
    значим для same-building → None, если явно не передан.
    """
    ppm2 = int(c.get("price_per_m2") or 0)
    area = float(c.get("area_m2") or 0)
    price_rub_raw = c.get("price_rub")
    if price_rub_raw is not None:
        price_rub = int(price_rub_raw)
    elif area > 0:
        price_rub = round(ppm2 * area)
    else:
        # area неизвестна — деградируем до ppm² (никогда 0/crash при ppm²>0).
        price_rub = ppm2
    photo_urls = c.get("photo_urls")
    return AnalogLot(
        address=c.get("address") or "",
        area_m2=area,
        rooms=int(c.get("rooms") or 0),
        floor=c.get("floor"),
        total_floors=c.get("total_floors"),
        price_rub=price_rub,
        price_per_m2=ppm2,
        listing_date=c.get("listing_date"),
        days_on_market=c.get("days_on_market"),
        date_precision=_date_precision_for_source(c.get("source")),
        photo_url=(photo_urls or [None])[0] if photo_urls else None,
        source=c.get("source"),
        source_url=c.get("source_url"),
        distance_m=int(c["distance_m"]) if c.get("distance_m") is not None else None,
        lat=float(c["lat"]) if c.get("lat") is not None else None,
        lon=float(c["lon"]) if c.get("lon") is not None else None,
    )


def _deal_to_analog(row: dict[str, Any]) -> AnalogLot:
    """deals не имеют photo_url — упрощённо.

    Tier classification (PR M / #564 Phase 3):
        T0_per_house — kadastr_num exact match (НЕ доступно в open dataset Росреестра)
        T1_per_street — street-level only (default для всех ДКП open dataset)
    """
    kad = row.get("cadastral_number")
    # Per-house tier требует kadastr_num типа "66:41:0204016:10" (с участком).
    # Street-only patterns: "66:41:0000000:0" или NULL → T1.
    tier = "T0_per_house" if kad and not kad.endswith(":0") else "T1_per_street"
    return AnalogLot(
        address=row.get("address") or "",
        area_m2=float(row.get("area_m2") or 0),
        rooms=int(row.get("rooms") or 0),
        floor=row.get("floor"),
        total_floors=row.get("total_floors"),
        price_rub=int(row["price_rub"]),
        price_per_m2=int(row.get("price_per_m2") or 0),
        listing_date=row.get("deal_date"),
        days_on_market=row.get("days_on_market"),
        date_precision=_date_precision_for_source(row.get("source")),
        photo_url=None,
        source=row.get("source"),
        source_url=None,  # rosreestr сделки без публичной ссылки
        distance_m=int(row["distance_m"]) if row.get("distance_m") is not None else None,
        lat=float(row["lat"]) if row.get("lat") is not None else None,
        lon=float(row["lon"]) if row.get("lon") is not None else None,
        tier=tier,
    )


def _empty_estimate(
    payload: TradeInEstimateInput, db: Session, *, reason: str, created_by: str | None = None
) -> AggregatedEstimate:
    """Fallback когда нет данных для оценки.

    Сохраняет запись в БД (confidence='low', пустые analogs/deals), чтобы GET /estimate/{id}
    не возвращал 404. C-4 security audit.
    """
    estimate_id = uuid4()
    now = datetime.now(tz=UTC)
    expires_at = now + timedelta(hours=24)

    db.execute(
        text(
            """
            INSERT INTO trade_in_estimates (
                id, address,
                area_m2, rooms, floor, total_floors,
                year_built, house_type, repair_state, has_balcony,
                ownership_type, has_mortgage,
                median_price, range_low, range_high, median_price_per_m2,
                confidence, confidence_explanation, n_analogs,
                analogs, actual_deals,
                sources_used,
                created_by,
                expires_at
            ) VALUES (
                CAST(:id AS uuid), :address,
                :area, :rooms, :floor, :total_floors,
                :year_built, :house_type, :repair_state, :has_balcony,
                :ownership_type, :has_mortgage,
                0, 0, 0, 0,
                'low', :explanation, 0,
                '[]'::jsonb, '[]'::jsonb,
                '[]'::jsonb,
                :created_by,
                :expires_at
            )
            """
        ),
        {
            "id": str(estimate_id),
            "address": payload.address,
            "area": payload.area_m2,
            "rooms": payload.rooms,
            "floor": payload.floor,
            "total_floors": payload.total_floors,
            "year_built": payload.year_built,
            "house_type": payload.house_type,
            "repair_state": payload.repair_state,
            "has_balcony": payload.has_balcony,
            "ownership_type": payload.ownership_type,
            "has_mortgage": payload.has_mortgage,
            "explanation": reason,
            "created_by": created_by,
            "expires_at": expires_at,
        },
    )
    db.commit()
    logger.info(
        "empty_estimate: id=%s reason=%s addr=%s", estimate_id, reason, payload.address[:60]
    )

    return AggregatedEstimate(
        estimate_id=estimate_id,
        median_price_rub=0,
        range_low_rub=0,
        range_high_rub=0,
        median_price_per_m2=0,
        confidence="low",
        confidence_explanation=reason,
        n_analogs=0,
        period_months=DEALS_PERIOD_MONTHS,
        analogs=[],
        actual_deals=[],
        expires_at=expires_at,
        cian_valuation=None,
        # Адрес не геокодирован (DaData не отрабатывала) → точность неизвестна.
        address_precision=None,
        analog_tier=None,  # нет данных при empty estimate
    )