从每个起始日起累计库存达到目标量的最早结束日数

实现 solution(daily_deltas: list[int], target: int) -> list[int]。给定长度为 N 的逐日库存净变动整数流 daily_deltas（正数表示买入、负数表示卖出）以及一个正整数 target。对每个起始日 i ∈ [0, N-1]，返回最小的 j ∈ (i, N] 使得 sum(daily_deltas[i..j-1]) >= target，并以结束日数 j - i 表达——即从 i（含）到最早满足条件的结束位置（不含）之间的天数。如果不存在这样的 j，则 out[i] = -1。

等价的前缀和表述。令 P[0] = 0、P[k] = sum(daily_deltas[0..k-1])。对每个 i，求最小的 j > i 满足 P[j] - P[i] >= target，并返回长度 j - i。比较是非严格的：累计恰好达到 target 也算命中。

关键陷阱——负数破坏单调滑动窗口。由于 daily_deltas 允许出现负数，前缀和序列 P 不单调，因此假设前缀和单调非降的双指针/滑动窗口在本题上会得出错误结果。预期解法是基于堆的前向扫描，复杂度 O(N log N)，对非单调前缀和成立。

关键陷阱——输出的"单位"。out[i] 是长度 j - i（天数），不是绝对结束下标 j。常见错误是把 out[i] 当作绝对下标，导致后续使用时偏移失配。

例

solution([0, 0, 1, 0, 0], 1) 返回 [3, 2, 1, -1, -1]。前缀和 P = [0, 0, 0, 1, 1, 1]。i = 0 时，最小的 j 使 P[j] >= P[0] + 1 = 1 是 j = 3，所以 out[0] = 3。i = 1 时，最小这样的 j 仍是 3，长度为 3 - 1 = 2。i = 2 时 j = 3、长度 1。i = 3 与 i = 4 时累计变动再也无法到达 1，因此都为 -1。

第二个含负数的例子——solution([3, -2, -1, 5, 1], 4) 返回 [4, -1, 2, 1, -1]。前缀和 P = [0, 3, 1, 0, 5, 6]。i = 0：最小的 j 满足 P[j] >= 4 是 j = 4，故 out[0] = 4。i = 1：需要 P[j] >= 7，不存在，故 -1。i = 2：需要 P[j] >= 5，最小为 j = 4，长度为 2。i = 3：需要 P[j] >= 4，最小为 j = 4，长度为 1。i = 4：需要 P[j] >= 9，只有 P[5] = 6，故 -1。i = 1 处的答案就是负数陷阱的体现——若按"前缀和单调"假设做滑动窗口，会读到 3 + (-2) + (-1) + 5 + 1 = 6 并误判从 i = 1 起的长度 4 窗口"可以"，但实际从该起始下标出发并不存在合法的前缀阈值达成点。

solution([], 5) 返回 []。solution([5], 5) 返回 [1]（单日即达目标）。solution([4], 5) 返回 [-1]。

stubs/stub.py 中提供函数骨架。

实践背景

交易台拿到一份未来 N 个交易日的逐日库存净变动预测（正数为买入、负数为卖出），希望得到一个排程视图：如果在第 i 日开启一轮新的累计建仓周期，按预测要多少天才能从该起点累计买够 target 股？逐起始日的答案会喂给成交进度规划面板——out[i] 告诉交易员从每个候选起点出发的最早周期完成日，out[i] = -1 则代表"从该日起开仓，按预测永远累计不够；要么把起点推后，要么放宽目标"。daily_deltas 中的负值刻画了中间穿插的卖出日（再平衡、对冲反向、客户解仓），这些短暂回撤正是普通滑动窗口在本题失效的根源。