报价滑动窗口最大值

实时波动扫描器盯着某只标的中间价的 tick 流，要在某个窗口内出现「局部高点显著偏离局部均值」时触发预警——这是方向性 spike 的早期信号。扫描器从每个滚动窗口里需要的最便宜的统计量就是窗口内的最大报价。给定按时间升序的整数报价序列 quotes 和固定窗口长度 window，请返回窗口从左到右每滑动一步对应的逐窗口最大值列表。

请实现 solution(quotes: list[int], window: int) -> list[int]。输出长度为 N - window + 1，其中 N = len(quotes)，第 k 个输出（0 索引）等于 max(quotes[k : k + window])。若 window > len(quotes) 或 window <= 0，抛 ValueError——这些输入违反规范。

示例：solution([1, 3, -1, -3, 5, 3, 6, 7], 3) 返回 [3, 3, 5, 5, 6, 7]（LeetCode 239 的标志性样例）。solution([5, 2, 8, 4, 1, 9, 3], 1) 返回 [5, 2, 8, 4, 1, 9, 3]——当 window == 1 时每个窗口只含一个元素，输出与输入相同。solution([3, 1, 4, 1, 5, 9, 2, 6], 8) 返回 [9]——当 window == N 时只有一个窗口覆盖整个数组，输出是全局最大值。

朴素的 O(N·W) 做法（每步重新算 max）在 N = 10⁵、W = 10⁴ 时会爆预算。标准的 O(N) 技巧是单调递减的索引双端队列：每个元素至多入队一次、出队一次。每步：(1) 当队尾对应的值 <= 新进入的报价时从尾部弹出（这些旧索引再也不可能当最大值了，新值压制它们且活得更久）；(2) 把新索引压入；(3) 当队首已经滑出窗口 [i - window + 1, i] 时从头部弹出；(4) 当 i >= window - 1 时，把 quotes[dq[0]] 作为当前窗口最大值追加到输出。由于每个索引恰好入队、出队各一次，摊还总工作量是 O(N)。

实际背景：这正是微观结构里 rolling-max 指标的扫描核心——波动率曲面监控、跳空检测告警、止损猎杀启发式都拿它当特征输入。生产扫描器经常对一整本订单簿并行跑成千上万份这样的扫描，所以 O(N·W) 基线根本不够用，单调队列才是教科书答案。