强相关标的聚类

risk 中台每天会从因子模型或者历史日收益里算出一份 N×N 的 ticker 相关系数矩阵，用来识别真正独立的风险敞口。如果两只 ticker 在过去窗口里的相关系数绝对值 ≥ 某个阈值（强负相关同样意味着「同一波动源在驱动」——只是符号相反），它们就被视为同一个风险簇，对外只算作一个独立头寸。给定 ticker 列表、相关矩阵和阈值，请把所有 ticker 划分成连通分量——每个连通分量就是一个风险簇。

请实现 solution(tickers: list[str], corr: list[list[float]], threshold: float) -> list[list[str]]。建图规则：节点是 ticker，对 i < j 当 abs(corr[i][j]) >= threshold 时连边（无向）。对角线 corr[i][i] = 1.0 不算自环——它的存在只是为了让矩阵看起来正常，孤立的 ticker 还是要单独成一族。返回所有连通分量；每个分量内部 ticker 按它们在 tickers 输入里的下标升序排列；外层按每族「最小下标 ticker 的下标」升序排列。

举例：tickers = ["AAPL", "MSFT", "GOOG", "XOM", "CVX", "TLT"]，相关矩阵阈值 0.7 下满足 |corr| ≥ 0.7 的 pair 是 {AAPL, MSFT}、{AAPL, GOOG}、{XOM, CVX}，那么连通分量是 [AAPL, MSFT, GOOG]、[XOM, CVX]、[TLT]——前两族是科技股 / 能源股各自相关；TLT（长债 ETF）和谁都不强相关，自己一族。返回 [["AAPL", "MSFT", "GOOG"], ["XOM", "CVX"], ["TLT"]]：外层按各族最小下标（AAPL=0 < XOM=3 < TLT=5）排序，内层按下标升序。

实现上 BFS 或 DFS 都行：从 i = 0 起遍历 tickers，如果 i 没被访问过，从它出发用队列 / 栈把这个连通分量整族挖出来，标记访问过的下标，然后继续往后扫。挖一个分量时邻居判定按 abs(corr[i][j]) >= threshold 即可。复杂度 O(n²) 来自必须看一遍相关矩阵的所有 off-diagonal 元素。