前向恢复距离：累计增益重新越过阈值所需天数

实现 solution(returns: list[float], recovery_delta: float) -> list[int]。给定一段长度为 N 的逐期带符号收益流 returns 与一个严格正的恢复阈值 recovery_delta，输出长度为 N 的整数列表 output：output[i] 是从第 i 天之后开始算、累计增益首次达到 recovery_delta 所需的最小前向距离 d >= 1。形式化地，记累计 PnL 路径 cumret[k] = returns[0] + returns[1] + ... + returns[k]（k 取 0..N-1）；output[i] 是满足 i + d <= N - 1 且 cumret[i + d] - cumret[i] >= recovery_delta 的最小整数 d >= 1；若剩余 bar 用尽仍未恢复，则 output[i] = -1。

示例：solution([0.5, -0.3, 0.4, -0.2, 0.7], 0.5) 返回 [4, 3, 2, 1, -1]。逐步推导：cumret = [0.5, 0.2, 0.6, 0.4, 1.1]。i = 0 时基线为 0.5，需要某个未来 cumret[j] 至少为 1.0；j = 1, 2, 3 处分别为 0.2, 0.6, 0.4（都不到 1.0），j = 4 处为 1.1 >= 1.0，所以 d = 4 - 0 = 4。i = 1 时基线 0.2、目标 0.7，第一个满足 cumret[j] >= 0.7 的是 j = 4（值 1.1），所以 d = 3。i = 2 时基线 0.6、目标 1.1，j = 4 处刚好 1.1 >= 1.1（比较为非严格），所以 d = 2。i = 3 时基线 0.4、目标 0.9，j = 4 处 1.1 >= 0.9，所以 d = 1。i = 4 时未来窗口为空，输出 -1。

边界情况必须严格处理：solution([], 0.5) 返回 []。最后一个下标始终输出 -1，因为不存在更未来的 bar——solution([1.0], 0.1) 返回 [-1]，不是 [1]，更不是 [0]。一段全部为正的 returns 配上很小的 recovery_delta 会得到一连串的 1（一根未来 bar 就够了）。一段长长的回撤之后突然来一根大正收益 bar，回撤早期那些下标在尖峰太小、补不平累计亏损时会输出 -1，能补平的下标输出有限的 d。比较为非严格：累计增益恰好等于 recovery_delta 也算已恢复。

预期算法是直接的前缀和查询：先 O(N) 建好 cumret，然后对每个 i 向前扫描 j = i+1, i+2, ..., N-1，遇到第一个 cumret[j] - cumret[i] >= recovery_delta 的 j 就停下。每个起点 O(N)，整体 O(N^2)——在 N <= 1500 的约束下完全没有时间压力。隐藏用例会专门捕这些常见陷阱：剩余窗口不够时返回 0（而非哨兵 -1）、返回 bar 下标 j 而不是偏移 d = j - i、用严格 > 而非 >=、最后一个起点越界访问 N-1 之后的位置。

实现细节由 stubs/stub.py 提供。

实践背景

策略报告里的"回撤恢复时间"指标会回答：在样本回测里，对每一个交易日来说，当天收盘之后还要再走多少根 bar 累计 PnL 才能补回至少 recovery_delta？把每一天都打上这个"前向恢复距离"标签，单条权益曲线就被翻译成一条 PM 可以直接扫的时间序列——连续若干个起点都背着一个很大的恢复距离，意味着那段是"慢磨"型回撤；恢复距离一短一长交替则提示策略在该区段反复"原地踏步"。生产上有几个合约细节会咬人。哨兵 -1 的意义是"在样本窗口内策略始终没能恢复"，这跟"刚好够 1 根 bar 就恢复"是完全不同的事件；如果把 -1 折算成一个大整数（比如 N），下游直方图就会被污染：它假装恢复发生在最后一根 bar 上、实际上是发生在"压根没发生"。非严格比较对齐了 PM 端的一般口径——"累计增益达到或超过恢复阈值就算恢复"，用严格 > 会把恰好顶在阈值上的样本点丢掉，而那正是告警应该解除的瞬间。最后一根 bar 强制为 -1 则是分析侧的一个提醒：最后一个样本点是被截断的，不管未来真实世界里那个未观测到的下一根有多大的正收益，从样本里都没法测到它。