排名失配对数：期望榜单与实测榜单的两两逆序对计数

实现 solution(expected: list[int], realized: list[int]) -> int。给定 N 只策略的两份等长排名——expected 是先验排序、realized 是观察窗口结束后的实测排序——返回两两排名失配的对数：expected 与 realized 中相对顺序不同的无序对 {a, b} 的总数。两个列表都是 [0, N) 的排列、无并列名次；排名 0 表示"名次最高"。

例

solution([0, 1, 2, 3], [3, 2, 1, 0]) 返回 6。4 * 3 / 2 = 6 个无序对的相对顺序全部翻转了——两个排名互为逆序，逆序对数取到上界 N*(N-1)/2。反过来 solution([0, 1, 2, 3], [0, 1, 2, 3]) 返回 0：两个排名在每一对上都一致。临近排序、只有一处交换的 solution([0, 1, 2, 3], [1, 0, 2, 3]) 返回 1——仅有 {0, 1} 这一对发生了翻转。

预期解法是"排列的排列"归约 + O(N log N) 逆序对计数。先一次扫描得到 pos_r[s] = realized.index(s)，再构造复合排列 p[i] = pos_r[expected[i]]；答案就是 p 的逆序对数。O(N^2) 的双层循环答案相同但在 N 上界附近会超时。若任一输入不是 [0, N) 的合法排列（重复、越界、非整数）或两列表长度不一致，抛 ValueError 而不是返回部分结果。

实现细节由 stubs/stub.py 提供。

实践背景

这是研究台收盘后复盘里反复出现的诊断量：组长在窗口开盘前对一组策略做了先验排序（比如按事前 Sharpe 估计），窗口结束、实测 PnL 出炉后又得到一份新的同样策略的实测排序。"排名失配对数"——也就是有多少两两顺序翻转了——是衡量"实测表现是否打破了原本假设序"的最干净的标量摘要之一；它在无平局的排列上与 Kendall tau 满足 (1 - tau) * N * (N - 1) / 4 的精确换算，所以又顺带是一个非参稳定性指标。同一个计数值还驱动着排行榜波动监控、因子轮动告警、路由策略 A/B 漂移检查；当 N 上到几万只候选策略或路由订单时，O(N log N) 的实现是日常看板能在秒级返回的关键。