收益流中包含 K 个幅度跳点的最短窗口

实现 solution(returns: list[float], T: float, K: int) -> int。给定一段逐期收益序列 returns、幅度阈值 T、以及目标 spike 数 K，返回最短的连续窗口长度——窗口内至少有 K 个索引 i 满足 abs(returns[i]) > T（严格大于，绝不允许等于）。若不存在此类窗口，返回 -1。特殊情形：K == 0 时无论输入如何均返回 0（空窗口已满足条件）；returns 为空且 K >= 1 时返回 -1。

窗口"长度"指的是闭区间索引跨度 right - left + 1，并不是窗口内 spike 的个数。在所有至少包含 K 个 spike 的候选窗口中，要找的是长度最小者。spike 幅度并列（例如两个幅度相等的尖峰）不影响答案，因为 spike 判定只是关于 abs(returns[i]) 的严格不等式。

朴素的双重循环对每对 (left, right) 数一遍 spike，复杂度 O(N^2)，在大规模压力测试上会超时。预期解法是一次线性扫描的双指针 / 可变窗口：在 spike 数 < K 时推进 right，在 spike 数 >= K 时收缩 left，每次收缩都用当前长度更新答案。

函数骨架见 stubs/stub.py。

实践背景

"spike 聚集检测器"是一种常见的定量市态标识：给定收益流和幅度阈值（用于界定何为显著行情），问题在于 K 个这样的显著行情可以多紧密地同时出现——最紧的这种窗口即是一种与模型无关的"显著事件聚集度"度量。聚集度高与跳点相关市态（波动率激增、新闻级联、流动性冲击）相关，执行台用该指标来约束仓位或切换到更保守的参数集。由于行情数据在线流式消费，检测器即便在 N 达到上万级别也必须维持 O(N)。