chore: 初始化 MCM/ICM Toolkit 仓库骨架

审查并精简 ChatGPT 的建库建议后落地的第一版骨架，只定接口不写实现。

- 建议审查：14 个包 → 7 个；约 250 个函数 → 约 40 个；5 个 Result 类 → 1 个
  （docs/01-suggestion-review.md）
- docs/：架构、路线图（含永久不做清单）、环境、Git 工作流、函数卡片模板
- src/mcm_toolkit/：core / data / stats / models / solve / decision / viz
  共 23 个模块，均为签名 + docstring + NotImplementedError
- tests/：9 个文件，其中 test_api_surface.py 已通过（20 passed）
- examples/ problems/ notebooks/ figures/ tables/ 骨架
- pyproject.toml（核心依赖 4 个 + 6 组 extras）、environment.yml
- scripts/：setup-venv.ps1（ASCII + LF）、setup-conda.ps1、doctor.ps1
- 环境：.venv（system-site-packages）与 conda 环境 mcm-toolkit 均已建好，
  数值栈版本与 base 完全对齐（numpy 2.4.6 / scipy 1.18.1 / pandas 3.0.6，MKL 后端）

src/mcm_toolkit/models/timeseries.py

@@ -0,0 +1,67 @@
+"""时间序列（MCM C 必备）。
+
+原建议列了 `moving_average` `weighted_moving_average` `holt_trend`
+`seasonal_decompose` `lag_features` `forecast_interval` 等一堆函数，
+但 statsmodels 已经全部提供，按它自己的原则（"做薄封装，不要重写框架"）
+只保留三个真正有封装价值的入口。
+"""
+
+from __future__ import annotations
+
+from typing import Any
+
+__all__ = ["exponential_smoothing", "fit_arima", "forecast"]
+
+
+def exponential_smoothing(series: Any, alpha: float | None = None, trend: str | None = None, seasonal: str | None = None, periods: int | None = None) -> Any:
+    """指数平滑（底层 `statsmodels.tsa.holtwinters`）。
+
+    `alpha=None` 时自动用极大似然估计平滑系数——比自己拍脑袋定 `alpha` 靠谱。
+
+    Examples
+    --------
+    >>> r = exponential_smoothing(y, trend="add")   # doctest: +SKIP
+    """
+    # TODO(L1)
+    raise NotImplementedError
+
+
+def fit_arima(series: Any, order: tuple[int, int, int] = (1, 1, 1), seasonal_order: tuple[int, int, int, int] | None = None, auto: bool = False) -> Any:
+    """ARIMA 拟合。
+
+    Parameters
+    ----------
+    auto:
+        `True` 时按 AIC 网格搜索 (p, d, q)，省去手动定阶；
+        数据量大时较慢，比赛里建议先手动看一眼 ACF/PACF。
+    order:
+        `(p, d, q)`——自回归阶数、差分阶数、移动平均阶数。
+
+    Returns
+    -------
+    `Result`：`metrics={"aic", "bic"}`，`extras["model"]` 是 statsmodels 结果对象
+    （需要 `summary()`、残差诊断时直接拿）。
+
+    Notes
+    -----
+    ARIMA 要求序列**平稳**。`d` 是差分阶数，但差分会丢信息，
+    非平稳序列更推荐先看是不是有结构突变或季节成分。
+    """
+    # TODO(L1)
+    raise NotImplementedError
+
+
+def forecast(model: Any, steps: int, alpha: float = 0.05) -> Any:
+    """向后预测 `steps` 步，并给出预测区间。
+
+    Returns
+    -------
+    `Result`：`data` 是含 `forecast / lower / upper` 三列的 DataFrame。
+
+    Notes
+    -----
+    **预测区间随步长急剧变宽是正常的**，不要只画中心线——
+    论文里只画一条线而不给区间，是很常见的扣分点。
+    """
+    # TODO(L1)
+    raise NotImplementedError