距离下一次新高的索引：首个严格高于「累积最高水位」的未来 tick

实现 solution(prices: list[float]) -> list[int]。给定长度为 N 的价格序列 prices，对每个下标 i（0 <= i < N）返回首个未来 tick j > i，使得 prices[j] 严格大于此前（含 i）的累积最高水位，即 prices[j] > max(prices[0..i])。若不存在这样的 j，该位返回 -1。输出是长度为 N 的 list[int]。

每个下标 i 处的阈值是包含 i 在内的累积最高水位 peak[i] = max(prices[0..i])，而不是 prices[i]。当 prices[i] 处在回撤段（低于此前峰值）时，问题问的仍然是「未来何时首次严格突破水位」。这正是与一般 next greater element（LC 496 / LC 503）以及 LC 739 / LC 901 的核心区别——后几者都用 prices[i] 自身作为阈值，而这里的阈值是关于 i 单调不降的累积最大值。

例

solution([3.0, 1.0, 4.0, 1.0, 5.0, 9.0, 2.0, 6.0]) 返回 [2, 2, 4, 4, 5, -1, -1, -1]。累积最高水位序列为 [3, 3, 4, 4, 5, 9, 9, 9]：在 i = 0 和 i = 1，阈值是 3，首个严格大于 3 的未来 tick 是 j = 2（价格 4.0）；在 i = 2 和 i = 3，阈值升到 4，首个严格大于 4 的未来 tick 是 j = 4（价格 5.0）；在 i = 4 阈值 5，对应 j = 5（9.0）；在 i = 5, 6, 7 阈值是全局峰值 9.0，未来没有任何 tick 严格大于 9.0，故为 -1。注意 i = 1 和 i = 3 这两个回撤段中的 tick 与上一位共享答案，正是因为阈值是累积水位、而不是局部价格。

需要明确的细节：空输入返回空列表；长度为 1 时输出 [-1]（没有未来）；与累积最高水位的比较是严格的（>），相等于水位不算——常数序列以及最大值出现在下标 0 之后再也不被严格突破的序列，结果都是全 -1；输出列表按位置 精确 比较（整数比较，不带浮点容差）。

朴素双重循环（对每个 i 计算 peak[i] 再向后线性扫）最坏 O(N^2)，会在 N 接近上限的隐藏用例上超时（例如长串严格递减后在最末端出现一次严格新高——前缀里每个下标都要扫到末尾）。标准做法是两遍 O(N)：先用一次左到右扫描预计算 peak[i] = max(prices[0..i])，再用右到左单调栈维护未来候选下标（栈中价格自底向顶严格递减），处理每个 i 时弹掉所有不可能严格超过 peak[i] 的栈顶。

实现细节由 stubs/stub.py 提供。

实践背景

研究侧对一条策略权益曲线或合成价 tape 的常用诊断之一就是距离下一次新高的时间：在每个 tick i，距离曲线下一次出现「全历史新高」还差几个 tick？回撤的两个互补面是回撤深度与回撤+恢复时长，这条索引序列直接给出了恢复一侧——下游工具把差值 j - i（或 j = -1、即样本期内永不恢复时记为 +∞）聚合成一份「恢复延时分布」，用于容量评估与风控滤镜。把阈值定为累积最高水位而不是逐 tick 价格，恰好对齐桌面侧直觉：要被「夺回」的是水位，而不是回撤途中的当前价；因此一段长而浅的回撤里所有 tick 通常会映射到同一个恢复下标。严格不等号（> 而非 >=）也是有意为之：与水位持平并不构成新高，只有严格更高的 print 才能重置「高水位周期」。这条 time-to-new-high 序列与 trailing-span / 回撤深度等诊断配合，可以让研究 notebook 不必从每个 tick 重扫整段 tape 就直接画出跨制度的恢复直方图——这正是工程上必须把暴力 O(N²) 双重循环压成均摊 O(N) 的原因。