达到累计收益目标的最短窗口

你在评估一个最小持仓周期的收益目标：给定单一标的的逐日收益序列 returns，以及目标累计收益 target_cum_return，求历史上最短的连续窗口（连续若干个交易日）使得这一段的收益之和达到目标。这是周期预算类问题里很常见的 sanity check：「历史上最少需要多少个连续交易日才能累计涨到 ≥5%？」——在落地一个对路径长度敏感（比如最大回撤敏感）的策略前，先看看这个数。

请实现 solution(returns: list[float], target_cum_return: float) -> int。返回最小整数长度 L ≥ 1，使得存在某个长度为 L 的连续窗口满足 sum(returns[i:i+L]) ≥ target_cum_return。如果没有任何连续窗口能达到目标，返回 -1。当 returns 为空时同样返回 -1。

示例 1：solution([0.05, -0.02, 0.03, 0.04, -0.01], 0.04) 返回 1。第 0 天单日收益 0.05 ≥ 0.04，长度 1 的窗口已达标。示例 2：solution([0.01, 0.01, 0.01, 0.01, 0.01], 0.025) 返回 3。单日 0.01 不够，两日最大 0.02 还是不够，三日 0.03 ≥ 0.025，所以最短窗口长度为 3。示例 3：solution([0.01, 0.02, 0.03], 1.0) 返回 -1。整段 6% 远不够 100%，任何长度都不行。

关键结构性观察：判定式 P(L) := "存在长度 ≤ L 的窗口使其和 ≥ target_cum_return" 关于 L 是单调非降的——长度 L′ 下成立的窗口，在允许上限放宽到 L > L′ 时仍然成立（就是同一段窗口）。这种单调性正是「答案二分（binary-search-on-answer）」可以使用的条件：在 L ∈ [1, n] 上二分，找到最小的使 P(L) = True 的 L。每次判定 O(n)（前缀和 + 单调队列维护滑动最小值），共 O(log n) 次，总复杂度 O(n log n)。对比朴素的「从 L=1 到 n 逐个跑滑窗」O(n²)，在 n = 10⁵ 时大致快了三个数量级。