至多跳过 K 期下的最大已实现累积收益

实现 solution(returns: list[float], k: int) -> float。给定长度为 N 的每期回报序列 returns（可理解为该策略每期保持开仓时本应记入的对数或算术回报）与非负整数跳过预算 k，交易者被要求每期保持策略开启，**仅能选择至多 k 期跳过**。被跳过的那一期贡献恰好 0.0 —— 当期位置空仓，回报既不入账也不被反向取负；保留的那些期贡献它们带符号的原始 return。返回所有合法跳过方案下的已实现累积和最大值。

保留的期必须保持原顺序（构成 returns 的一个子序列，而非连续子数组）。当 k >= N 时，交易者可以跳过所有期，已实现累积回报至少为 0.0（空和）。当 k < N 时，至少必须保留 N - k 期，答案可以严格为负。

例：solution([0.02, -0.05, 0.03, -0.04, 0.01], 1) 返回 0.02。给一次跳过预算时，最优选择是跳过 return = -0.05 的那一期：0.02 + 0.03 + (-0.04) + 0.01 = 0.02；改跳 -0.04 只得 0.01，不跳则只能拿到不打折的 -0.03。当 k = 2 时跳掉两期负值得 0.06；当 k = 0 时被锁死在全和 -0.03。

区分点：枚举所有大小 <= k 的跳过子集是 O(N * binom(N, k))，在 N 中等规模就会超时。目标解法是关于 (前缀长度, 已用跳过次数) 的 O(N * k) DP，配合 O(k) 滚动空间；详见 stubs/stub.py。

实践背景

当一个量化团队回顾性地问"如果允许我们在事后视角下、把这段回测窗口里**最差的至多 k 期 （事后看是策略本就不该处理的 risk-off 冲击、流动性预约空窗等）做空仓处理，那么策略本应记入的已实现回报会是多少"，答案恰好是这个最大值。这个数字不是**任何可交易策略的产出：它需要事后完美知道哪 k 期最差。它通常被用作跳过捕获率（skip-capture ratio）的分子或分母——某个候选的"风险信号 / 风险叠加层"模型如能捕获该事后最优上界的 0.6，就被认为对"识别坏期"做得不错；只能捕获 0.1 的模型则与随机跳过差异不大。该上界是紧的（允许使用少于 k 次跳过），所以这个上限和交易台真实允许的预算口径一致。