日内最优单次交易
Best Single Trade in a Day
开始编码日内策略组拿到一支股票当天的逐分钟收盘价序列 prices（按时间升序），希望复盘当天事后看「单次最佳交易」能赚多少：在某个时刻 i 买入一股，再在之后某个时刻 j > i 卖出一股，收益是 prices[j] - prices[i]。我们要找的是所有合法 (i, j) 组合下的最大收益——这是一个事后基准，用来评估当日实际策略离「上帝视角的最优单笔交易」有多远。
请实现 solution(prices: list[float]) -> float。规则：（1）必须先买后卖，i < j 严格成立；（2）允许「不交易」——如果当日价格一路下跌，所有合法 (i, j) 的收益都是负的，那最优选择是不入场，应返回 0.0；（3）当 len(prices) < 2 时同样无法成交，返回 0.0。
示例：solution([7.0, 1.0, 5.0, 3.0, 6.0, 4.0]) 应返回 5.0。在 i = 1 买入（价 1.0），在 j = 4 卖出（价 6.0），收益 6.0 - 1.0 = 5.0。注意不能选 i = 0 买（价 7.0），因为那样后续最高也只能在 j = 4 卖到 6.0，收益 -1.0；事后看，应该等到 i = 1 的低点再入场。再看 solution([8.0, 6.0, 4.0, 2.0])：价格单调下跌，任何先买后卖都会亏损，最优选择是不交易，返回 0.0。
朴素的 O(n²) 双重循环在 n = 10⁵ 时会超时。关键观察是：固定卖出时刻 j 后，最优买入时刻一定是 prices[0..j-1] 里的最小值。所以一遍扫描即可——同时维护「到目前为止的最小价」和「到目前为止的最大收益」，每一步用当前价减去历史最小价更新最大收益。整体 O(n) 时间、O(1) 额外空间。这是动态规划在最简单情形下的退化形态：状态只需要常数个标量。
约束条件
- 0 ≤ len(prices) ≤ 100000
- 0 < prices[i] ≤ 10⁶（正实数报价）
- 买入与卖出必须满足 i < j（同一时刻不能既买又卖）
- 若没有任何 (i, j) 能产生正收益，或 len(prices) < 2，返回 0.0（表示「不交易」）
- 返回值允许 1e-6 的浮点误差
样例
Case 1 · classic dip-then-peak
输入: [[7,1,5,3,6,4]]
期望: 5
在 i=1 买入（价 1.0），在 j=4 卖出（价 6.0），收益 5.0。如果在 i=0（价 7.0）入场，后续最高 6.0 反而亏 1.0；事后看应等到 1.0 的低点再买。
Case 2 · monotonically decreasing — do not trade
输入: [[8,6,4,2]]
期望: 0
价格一路下跌，任何「先买后卖」组合的收益都是负的。规则允许「不交易」，所以最优收益是 0.0，而不是最小负数。
最近提交
还没有提交记录。
编码区
实现 solution(...)。本地运行当前支持 Python 可见样例；服务端提交会运行可见样例和隐藏测试。
默认展示公开样例。点击「运行样例」后会在这里显示实际输出；点击「提交评测」会进入隐藏测试。
Case 1 · classic dip-then-peak
输入: [[7,1,5,3,6,4]]
期望: 5
在 i=1 买入（价 1.0），在 j=4 卖出（价 6.0），收益 5.0。如果在 i=0（价 7.0）入场，后续最高 6.0 反而亏 1.0；事后看应等到 1.0 的低点再买。
Case 2 · monotonically decreasing — do not trade
输入: [[8,6,4,2]]
期望: 0
价格一路下跌，任何「先买后卖」组合的收益都是负的。规则允许「不交易」，所以最优收益是 0.0，而不是最小负数。