跨 K 路场所报价流的最优买价合并流

实现 solution(feeds: list[list[list[float]]]) -> list[list[float]]。给定 K = len(feeds) 路并行的报价流，其中 feeds[k] 是一个由二元列表 [ts, bid] 组成的列表，描述场所 k 在自己买一档上每一次的报价更新。每条 feed 内部按 ts 严格升序（同一个场所不会有两条同 ts 的更新），但跨不同场所同一个 ts 是允许的。一行 [ts, bid] 读作"场所 k 在时刻 ts 把买价更新为 bid"。

按时间向前遍历每一个有任意 feed 更新的唯一全局 ts，并对每一个这样的 ts 输出一行合并后的快照：

[int_ts, float_best_bid, int_best_venue]

best_bid 是把这个 ts 上的所有更新都应用之后，每个场所最近一次报价中的最大值；尚未发出任何更新的场所不参与（其"最近一次报价"视作未设置，不是 0、也不是 -inf 真的去比）。best_bid 相等时取场所下标最小的。

例

feeds = [
  [[1, 100.5], [4, 100.7]],
  [[2, 100.6], [3, 100.4]],
  [[3, 100.55]],
]

逐个走过唯一的全局时刻 {1, 2, 3, 4}：

• ts=1：仅场所 0 已发出（报价 100.5）；场所 1、2 尚未启动。best = 100.5，venue 0。
• ts=2：场所 0 最近为 100.5，场所 1 刚刚把价更新为 100.6，场所 2 尚未启动。best = 100.6，venue 1。
• ts=3：场所 0 最近 100.5，场所 1 刚把价下调到 100.4，场所 2 刚刚发出 100.55。best = 100.55，venue 2。
• ts=4：场所 0 刚更新为 100.7，场所 1 最近 100.4，场所 2 最近 100.55。best = 100.7，venue 0。

solution(feeds) 返回：

[[1, 100.5, 0],
 [2, 100.6, 1],
 [3, 100.55, 2],
 [4, 100.7, 0]]

需要明确的细节：当若干 feeds 共享同一个 ts（例如场所 0 和 1 都在 ts=5 各发一次），要先把这两个更新都写入"最近一次报价"表，再计算这一刻的快照——规范规定每一个唯一 ts 恰好对应一行输出，绝不是一个场所一行。feeds == []（K = 0）不在合法输入范围内（K >= 1），但 feeds[k] == [] 是允许的；如果所有 feed 都为空则返回 []。K=1 时输出就是这条单 feed 自身的事件，每行的 best_venue 都是 0。

朴素地"对每一个 ts 都从头扫所有事件"是 O(N * K * 平均 ts) 的，会超时。正确的形态是用大小为 O(K) 的最小堆做 K 路归并、堆顶以 (ts, venue_idx, item_idx) 为键，每次把堆顶等于当前 ts 的条目一次性全部出堆再算快照——总体复杂度 O(N log K)。

实现细节由 stubs/stub.py 提供。

实践背景

合并后的最优买价流是任何跨场所微结构分析的基石。每个交易场所在自己的时钟上发出自己的买一档报价流，因此在桌台问"现在合并后整条 tape 上的最优买价是多少？"——这是滑点归因、智能路由决策、基准构建的输入——之前必须先把 K 路并行 feed 合并为一条按时序排列的流，并同步维护每个场所的"最近一次报价"。生产中常见的两类实现陷阱：每个 heap-pop 各发一行（同一个 wire 时刻发生的更新会被重复上报）、以及把尚未发出任何更新的场所也算进 max——两者都会悄悄污染下游每一个吃这条合并流的指标。