流式对数收益 NAV 路径的运行最大回撤

实现 solution(log_returns: list[float]) -> list[float]。给定一段逐期对数收益序列，定义累计对数 NAV：L[0] = 0，L[i] = L[i-1] + log_returns[i-1]（i ≥ 1），（连续复利）NAV：P[i] = exp(L[i])。在观测到第 i 根收益（即得到 i = 1..N 的 P[i]）之后，输出 到目前为止的运行最大回撤 —— 即 (P[peak_k] - P[k]) / P[peak_k] 在 k ∈ 1..i 上的最大值，其中 peak_k = argmax_{j ∈ 0..k} L[j]。**argmax 取在 j ∈ 0..k 上，包括 j = 0，因此隐式起点 P[0] = 1 参与运行峰**。输出长度为 N，每个值在 [0, 1] 内，对 i 单调非降。

例：solution([0.02, -0.05, -0.03, 0.04, 0.10, -0.20, 0.05]) 返回大约 [0.0, 0.048771, 0.076884, 0.076884, 0.076884, 0.181269, 0.181269]。手工演算：cur_log 路径 0 → 0.02 → -0.03 → -0.06 → -0.02 → 0.08 → -0.12 → -0.07。初始 peak_log=0；i=1 cur_log=0.02 把 peak_log 抬到 0.02。i=2 cur_log=-0.03，瞬时回撤 = 1 - exp(-0.05) ≈ 0.0488。i=3 cur_log=-0.06，瞬时 = 1 - exp(-0.08) ≈ 0.0769，刷新运行最大回撤。i=5 cur_log=0.08 创新高，瞬时为 0，但运行最大回撤保持 0.0769 不变。i=6 cur_log=-0.12，瞬时 = 1 - exp(-0.20) ≈ 0.1813，成为新的运行最大值。i=7 cur_log=-0.07 给出瞬时 1 - exp(-0.15) ≈ 0.1393（更小），运行最大回撤继续保持 0.1813。

复杂度上一次线性扫描 O(N)、O(N) 输出空间即可。所有运算都在 cur_log 与 peak_log 上完成；回撤为 1 - exp(cur_log - peak_log)，指数非正所以天然有界于 1 且数值稳定。空输入返回空列表。

函数骨架见 stubs/stub.py。

实践背景

实时回撤面板是交易桌上最朴素也最高频被盯的一个监控：每根 bar 打出来，面板就更新策略自起算（或某个可配置锚点）以来的最差峰值-谷底跌幅。它是 *已实现* 的，不是前瞻的——这点跟 VaR/ES 这类前瞻性最差损失估计不同；回撤是真实发生的、无法假装没看见的峰谷下挫。生产里最容易踩的两个合约细节，正是本题考的两个：隐式起点 P[0] = 1 这个峰（如果忘了，新策略上线后第一根负 bar 的回撤会被误判为 0，恰好把面板要暴露的那个"开盘即破净"信号给抹掉），以及运行最大回撤的语义（NAV 反弹到新高时 *瞬时* 回撤会归零，但运行最大值绝不能被擦除——这是 PM 评判策略好坏时盯的那个数；面板若在反弹时把它复位是误导用户）。在 log 空间里运算是标准的工程卫生——数千根 bar 上累乘的 NAV 比率会积累乘性浮点漂移，而 log-return 累加在全 0 输入下保持位级精确，整体也良态得多。