历史情景回放：滚动窗口最劣 K 条累计 PnL

实现 solution(daily_pnl: list[float], window: int, k: int) -> list[float]。给定一段日 PnL 历史，枚举每一段连续的 window 日滚动切片、把每段切片求和得到一个情景 PnL，然后返回最负的 k 条情景和（升序）。这就是历史回放的最劣情景集合：每条滚动切片代表"假如当前账本经历了从第 i 天起的那 W 日"。

具体地，

$$\text{scenario\_pnl}[i] \;=\; \sum_{j=i}^{i+W-1} \text{daily\_pnl}[j], \qquad i = 0, 1, \ldots, N - W.$$

总共有 $S = N - W + 1$ 条情景 PnL。升序排序后取前 $k$ 条；当 $S < k$ 时把全部 $S$ 条升序返回；当 $S \le 0$（即 $W > N$）或 $k = 0$ 时返回 []。

输出值带符号：累计亏损为负。若历史段恰好全为正，那么最劣的 k 条就是最小的 k 条收益——这些正值仍是正确输出，不要过滤"只保留负数"。

朴素的 O(N*W) 双重循环在题目约束内是可行的，但更规范的写法是：构造长度 N+1 的前缀和数组，再对长度 S 的窗口和向量调用 heapq.nsmallest，总复杂度 O(N + S log k)。

实现细节由 stubs/stub.py 提供。

示例

solution([-0.5, -0.8, 0.2, -1.2, -0.3, 0.4, -2.5, 0.1, -0.4, 0.6], 3, 4) 返回 [-2.8, -2.4, -2.0, -1.8]（在浮点容差内）。

window = 3 时一共 8 条滚动情景，分别对应 daily_pnl[i:i+3] 的累加和（i = 0..7）：

• i=0：-0.5 + -0.8 + 0.2 = -1.1
• i=1：-0.8 + 0.2 + -1.2 = -1.8
• i=2：0.2 + -1.2 + -0.3 = -1.3
• i=3：-1.2 + -0.3 + 0.4 = -1.1
• i=4：-0.3 + 0.4 + -2.5 = -2.4
• i=5：0.4 + -2.5 + 0.1 = -2.0
• i=6：-2.5 + 0.1 + -0.4 = -2.8
• i=7：0.1 + -0.4 + 0.6 = 0.3

升序排列得到 [-2.8, -2.4, -2.0, -1.8, -1.3, -1.1, -1.1, 0.3]；最劣的 4 条——也就是台账最优先回放的 4 个历史片段——就是排在最前面的那四个。

实践背景

历史情景回放是与参数化 VaR、合成冲击并列的主流压力测试方法：不再人为构造冲击向量，而是让一段长 PnL 历史的每一个 window 日切片都套到当前账本上跑一遍，看哪些历史片段在今天的持仓下伤得最重（一段几年的日 PnL ≈ 几百到几千条窗口）。用 W 日窗口而非单日，正是为了刻画多日回撤路径效应——单日冲击体现不出来的连续亏损形态；只把最劣的 K 条挑出来（而不是把所有窗口都列出）能给风控官一份可控的"代表性历史片段"清单。升序排列让最劣亏损排在第一行，正好对应压力面板表头的渲染顺序；当历史不够长、K 大于情景数时，把全部 S 条返回也让契约对短历史保持稳定，不会崩。

边界情况

• window > N 时不存在任何情景——返回 []，不要抛异常。
• k = 0 不论 daily_pnl 和 window 都返回 []。
• N = 0 不论 window、k 都返回 []。
• window = 1 退化为"最小的 k 条单日 PnL"——仍是合法回放。
• window = N 刚好对应 1 条情景（整段历史的累计和）；只要 k >= 1，输出为长度 1 的列表。
• k > S 时把全部 S 条按升序返回——不补 0、不只取负数。