多因子情景 PnL 向量：一阶 Taylor 估值

每个交易台收盘前都要跑一张「情景网格」：一组固定的宏观/微观冲击（「利率平行 +50bp」「股指 -5%」「信用利差 +100bp」……），以及当前组合在每个情景下的预期美元 PnL。定价引擎用的是 delta-only 一阶 Taylor 近似：每个持仓贡献一行逐因子敏感度，交易台把这些向量按持仓维度求和得到组合层面的因子敞口向量，然后某情景下的重估值就是这条向量与情景冲击向量的简单点积。本题就是写这个核心重估值引擎，返回一份直接挂到 dashboard 上的 PnL 向量。

请实现 solution(exposures, factor_shocks)。exposures 形状为 (N, M)：exposures[n][m] 是持仓 n 对因子 m 单位冲击的一阶 PnL 敏感度（有符号浮点，单位是「每个因子自然单位的美元 PnL」——例如每 1bp 利率移动多少美元、每 1% 股指移动多少美元）。factor_shocks 形状为 (S, M)：factor_shocks[s][m] 是情景 s 下因子 m 的冲击大小，单位与因子自然单位一致。返回长度为 S 的向量

$$\text{pnl}[s] \;=\; \sum_{n=0}^{N-1} \sum_{m=0}^{M-1} \text{exposures}[n][m] \cdot \text{factor\_shocks}[s][m]\text{。}$$

这个双重求和等价于更高效的写法

$$\text{pnl}[s] \;=\; \sum_{m=0}^{M-1} \text{portfolio\_exposure}[m] \cdot \text{factor\_shocks}[s][m], \qquad \text{portfolio\_exposure}[m] \;=\; \sum_{n=0}^{N-1} \text{exposures}[n][m]\text{。}$$

portfolio_exposure 只算一次，复杂度从 $O(N \cdot M \cdot S)$ 降到 $O(N \cdot M + S \cdot M)$。两种写法在题目约束下都能通过，但先聚合再点积才是生产级风险网格的真正接线方式。

输出是长度为 S 的单个向量，不是 (N, S) 的逐持仓矩阵。PnL 是有符号的：组合在某情景下亏钱时，对应位是负数；不要返回绝对值或对结果取负号。

例

solution([[100.0, 0.0], [0.0, 50.0]], [[50.0, 0.0], [0.0, -1.0], [25.0, 0.5]]) 返回 [5000.0, -50.0, 2525.0]。这里 N=2 个持仓、M=2 个因子（设想是利率因子与股指因子）：持仓 0 贡献 (+100, 0)、持仓 1 贡献 (0, +50)，组合层面的因子敞口为 [100, 50]。三个情景分别是 [+50, 0]、[0, -1]、[+25, +0.5]，对应的 PnL 是 100*50 + 50*0 = 5000、100*0 + 50*(-1) = -50、100*25 + 50*0.5 = 2525。

实现细节由 stubs/stub.py 提供。

实践背景

「情景网格」是收盘风险报告的标配：一份几十条预定义的因子冲击向量（交易台自己的标准压力菜单 + 监管规定的那批），逐一对当前账本重估值，得到一张「一行一情景」的美元 PnL 表。风险官扫一眼最差 PnL、最好 PnL、以及两者之间的跨度，再追究是哪个因子在主导尾端。同样的原语——把持仓求和成组合因子敞口向量、再与每个情景的冲击向量做点积——会被日内实时跑的网格、反向压力测试在情景树上做的搜索、以及和非线性（gamma/cross-gamma）重估值做对比的线性基线反复重用。维度搞反整张 dashboard 报的就是张转置的 PnL 曲面；符号搞反最坏情景会变成最好情景。