最低增益门槛下的累积 PnL 报告期最长阶梯式子序列

实现 solution(cumret: list[float], delta_min: float) -> int。给定一段长度为 N 的逐期累积 PnL 序列 cumret（cumret[i] 是截至第 i 个报告期的累积 PnL，可能上行、下行或回访同一水平）以及一个非负的最低增益门槛 delta_min，返回最长阶梯式索引子序列的长度——即 i_1 < i_2 < ... < i_K 使得每对相邻选点满足 cumret[i_{k+1}] - cumret[i_k] >= delta_min。所选索引构成一个子序列（升序索引即可，不必连续），不是连续窗口。任何非空输入的单点链恒合法。

例：solution([0.0, 1.0, 0.5, 2.0, 1.5, 3.0], 1.0) 返回 4。研究员选索引 0, 1, 3, 5，对应 cumret 值 0.0, 1.0, 2.0, 3.0，每步增量恰为 1.0，等于 delta_min，每一跳都合法。该 delta 下不存在五元链，因为中间索引 2 处的 0.5 和索引 4 处的 1.5 无法作为某个严格 1.0-跨度跳点的"攀升前驱"——它们被最低增益门槛过滤掉。当 delta_min = 2 时最长链长度为 2（如 0.0 -> 2.0 或 0.0 -> 3.0）；该数组在更宽门槛下爬升不够快，支撑不起三元链。

delta_min 把教科书"最长非降子序列"参数化推广。当 delta_min == 0 时本题退化为最长非降子序列（取等也算合法跳点）。当 delta_min > 0 时等值或近等值 cumret 不再是合法跳点，问题严格变难；等值回访、平台期、微小正向位移都会被过滤掉，只剩"实质性进展"贡献链长。骨架见 stubs/stub.py。

实践背景

研究员的策略 tear-sheet 通常会附带一项"阶梯过滤"指标，刻画策略累积 PnL 在多少个连续选点上每次都至少抬升某条最低增益线相对前一选点——以此过滤掉平台回访和噪声水平的微小波动，只保留实质性进展。delta_min 是该过滤器的调节旋钮：取 delta_min == 0 时所有非降回访都计入（最宽松设置，回答"策略是否曾停止上行"这类问题），delta_min > 0 时门槛要求每跳都跨越一条可验证的最小改进线（适合在手续费预算、基准漂移率或风险底线必须每次都被打穿的研究语境）。输出值随后与回撤深度、Sharpe 等并列写进标准化 tear-sheet——给定 delta_min 下一段更长的阶梯链是策略累积稳健（而非靠短期尖峰拉动）的一个旁证。