Welford 暖启动剪裁样本方差：仅在尾段稳定计算的在线估计量

实现 solution(returns: list[float], warmup: int) -> float。给定收益序列 returns 与非负整数 warmup，将前 warmup 个观测整体丢弃（不喂入任何运行估计量），对剩余尾段用 Welford 在线递推计算样本方差（除以 n-1）。具体地，维护运行均值与运行 M2；对每个 warmup 之后的观测 x，按 count += 1；delta = x - mean；mean += delta / count；delta2 = x - mean；M2 += delta * delta2 更新。所有 warmup 之后的观测处理完毕后，样本方差为 M2 / (count - 1)。若剩余元素少于 2，样本方差未定义，函数返回 0.0。

例：solution([0.01, -0.02, 0.015, -0.005, 0.012, 0.018, -0.01, 0.0], 3) 丢弃前 3 个收益后对 [-0.005, 0.012, 0.018, -0.01, 0.0] 计算样本方差，约为 0.000137（手算验证：5 元素均值为 0.003；离差平方为 (−0.008)^2, 0.009^2, 0.015^2, (−0.013)^2, (−0.003)^2 = 0.000064, 0.000081, 0.000225, 0.000169, 0.000009；求和得 0.000548；除以 n − 1 = 4 得 0.000137）。

区分点不在剪裁本身，而在递推公式的选择。课本一行式 Var = sum(x^2)/n − (sum(x)/n)^2 在实数域成立，但 float64 下一旦均值远大于离散度就完全失精度——两项都按 mean^2 量级伸缩，答案却落在已被相消掉的尾数位。在 adversarial 体制中（收益约 1e6、std 约 1e-4），朴素公式输出的是舍入噪声甚至负数；Welford 仍正确，因为 M2 只累积局部的 (x − mean) 增量，这些增量的量级随离散度而非随水平变化。一次线性扫描即可，时间 O(N)、额外空间 O(1)。

函数骨架见 stubs/stub.py。

实践背景

回测前的预处理常常需要先丢弃一段可配置的暖启动尾段才去测算实际波动率：alpha 信号最初几分钟、新交易场所撮合簿的开盘首段、做市报价状态机的最初若干 epoch——这些都不是稳态，把它们折入运行方差估计量会让"实际 vol"被偏置，进而扭曲下游的仓位与风控阈值。因此一个干净的 Welford-暖启动 原语就是滚动 Sharpe / realised-vol 流水线下面最小的可复用积木；而实现选择有工程意义：把价格用绝对值挂出来的台子（某些亚洲期货 mid_px 约在 1e6，或者把 ETF 指数乘以一个倍率拿到的次秒级 tick）每天都会进入大均值-极小方差体制，朴素的 sum(x^2)/n − (sum(x)/n)^2 累加器会沉默地输出零或负方差，整班交易完成后仪表盘才发现。Welford 每 tick 的浮点操作数完全相同，应当作为默认实现。