按夏普比率排序策略（波动率作为次序）

策略评估会上，研究主管把当季所有候选策略的日收益序列拍在桌上，要一张风险调整后的排行榜：每条策略要算出夏普比率（mean / std），按从高到低排序。但单看夏普还不够——两条策略夏普恰好打平时，直觉上应该把波动率更低的那条排在前面：相同的风险调整收益，谁吃的风险更少谁就更靠谱。这是研究流程里很常见的"主指标 + 次序指标"组合，做法上是一次多关键字排序。

请实现 solution(strategies: list[dict]) -> list[dict]。每条 strategies[i] 是一个 dict，至少可能包含 name（策略名）和 returns（日收益序列），也可能带着别的元数据，忽略即可。请按下面的口径处理：

1. 清洗。先 name.strip()；若 name 缺失、为 None、剥空白后为空字符串，整条策略丢弃。若 returns 缺失、为 None、或长度 < 2，整条策略丢弃（样本标准差需要至少两个观测才有意义）。
2. 统计。mean = sum(returns) / n，vol = stdev(returns)（样本标准差，分母是 n - 1，即 Python statistics.stdev 的口径）。sharpe = mean / vol。若 vol == 0.0（收益完全恒定，比如全是 0.0 或全是 0.001），夏普未定义，整条策略丢弃。
3. 打包。每条幸存策略输出 {"name": str, "sharpe": float, "vol": float}，两个浮点字段都用 round(x, 4) 截到 4 位小数（这样不同实现的浮点尾差不会让 compare: "exact" 翻车）。
4. 排序。先按 sharpe 降序——夏普高的排前面；夏普相等再按 vol 升序——更低风险的同夏普策略更靠谱；仍然相等按 name 字典序升序——保证返回顺序对相同输入是确定的。

举例：solution([{"name": "Alpha", "returns": [0.01, 0.02, 0.03, 0.04]}, {"name": "Beta", "returns": [0.01, 0.01, 0.05, 0.05]}, {"name": "Gamma", "returns": [-0.01, 0.0, 0.01, 0.04]}]) 应返回 [{"name": "Alpha", "sharpe": 1.9365, "vol": 0.0129}, {"name": "Beta", "sharpe": 1.299, "vol": 0.0231}, {"name": "Gamma", "sharpe": 0.4629, "vol": 0.0216}]（数值经 round(_, 4) 后展示）。Alpha 收益每天稳步加 1bp 上去，方差小、夏普最高；Beta 在 1bp 与 5bp 之间剧烈跳，均值更高但方差也更大，夏普反而被拉下来；Gamma 收益分布在 0 附近，均值最低，夏普被压到最末位。

5000 条策略、每条 returns 长度可达数百的体量下，请用 O(N · L + N log N) 的方案：单遍扫每条策略算两个统计量、一次 sorted 完成多关键字排序，这样的复杂度对应日常的批量评估场景就足够了。