在线 EWMA 残差流：以"先前"指数加权均值衡量当期收益的意外度

实现 solution(returns: list[float], lam: float) -> list[float]。给定一段逐期收益序列 returns 与 EWMA 衰减参数 lam（0 < lam < 1），维护在线 EWMA 并对每个新观测 r_t 输出与"先前"EWMA 的残差 e_t = r_t − m_{t-1}。这里 m_{t-1} 仅累积 r_0..r_{t-1}，不包含当期 r_t；warm-up 约定 m_{-1} = 0，因此 e_0 = r_0。EWMA 的递推为 m_t = lam · m_{t-1} + (1 − lam) · r_t，先输出残差再做更新——这是本题的核心区分点：用更新后的 m_t 当作基准会让当期观测自我解释，化简后得到的错误残差恰为正确值的 lam 倍（即 r_t − m_t = lam · (r_t − m_{t-1})）。

例：solution([0.01, -0.005, 0.012, 0.008, 0.05], 0.9) 返回大约 [0.01, -0.006, 0.0116, 0.00644, 0.047796]。手工演算：m_{-1}=0 → e_0=0.01；m_0=0.001 → e_1=-0.005-0.001=-0.006；m_1=0.0004 → e_2=0.012-0.0004=0.0116；m_2=0.00156 → e_3=0.008-0.00156=0.00644；m_3≈0.002204 → e_4=0.05-0.002204≈0.047796。终端的剧烈跳跃完整保留在最后一个残差里，这正是 EWMA 残差作为"惊讶度"指标的物理意义。

复杂度上一次线性扫描 O(N)、O(N) 输出空间即可；判分采用浮点容差比对。空 returns 返回空列表，与 lam 取值无关。

函数骨架见 stubs/stub.py。

实践背景

EWMA 残差是 quant 监控里最朴素也最高频被使用的"惊讶度"标量：风控仪表盘用它把每根 bar 的当期收益与近期均值做比对，超阈值即触发一次告警；执行台用它在分钟频跟踪 alpha 信号是否仍在其历史均值附近游走，一旦残差持续偏向一侧就开始怀疑信号衰减；做市与套利策略则把它作为最便宜的滤波层垫在更复杂的模型之前。这个标量看似简单，但"用先前 EWMA 还是更新后 EWMA"是一道隐藏的合约题：错用一拍会让残差被 lam 因子静默压缩（lam 越接近 0 压缩越严重，越接近 1 误差越小），下游阈值标定全部错位却不会报错——这正是工程化时最容易吃亏的地方。