最小步长递增日内收益子序列的最大累计和（阶梯 PnL 上限）

实现 solution(reward: list[int], min_step: int) -> int。给定长度为 N 的每日收益序列 reward 与最小步长参数 min_step，选取一组下标 i_1 < i_2 < ... < i_K（N >= 1 时 K >= 1；不要求连续），要求每对相邻下标满足 reward[i_{k+1}] >= reward[i_k] + min_step，并最大化 reward[i_1] + reward[i_2] + ... + reward[i_K]。返回该最大和。

若 N == 0 返回 0（空子序列约定，和为 0）。否则返回所有合法非空子序列中累计和的最大值。注意单点选取永远合法（长度 1 的链没有相邻对约束需要检查），所以即便所有元素都是负数，答案也是 max(reward)，不是 0。

例

solution([3, 1, 4, 1, 5, 9, 2, 6], 2) 返回 17。最优选点是下标 0, 4, 5，对应 reward 为 3, 5, 9——每一个后续选点比前一个至少高 2（5 >= 3 + 2、9 >= 5 + 2），累计和 3 + 5 + 9 = 17。对比：选 0, 2, 4, 5（reward 3, 4, 5, 9——4 >= 3 + 2 不成立，非法）；选 2, 5（reward 4, 9，和 13）；只选 9。这些都不及 17。若把 min_step 改成 0，链可放宽到非严格，能容纳 4 点链 3, 4, 5, 9，和为 21；若把 min_step 改成 100，任何长度 2 的链都不可能，答案塌缩到 max(reward) = 9。

实践背景

研究台对一个候选信号模型做归因诊断，把模型在固定股票池上每日的"假设性" PnL 贡献摆出来。研究主管想要一个"阶梯 PnL"上限——所有日子的子集中，使得所选每一天的当日 reward 至少比前一所选日的 reward 高 min_step 时，可达到的累计 reward 最大值。把 min_step 校准到模型每日 PnL 的噪声水平，可以让该指标区分"真正的递增超额收益"与"恰好单调但量级噪声水平内的小幅改进"：min_step = 0 时退化为 LIS 族上限——任何非递减链都算；当 min_step 设为模型每日 PnL 一两倍标准差时，只有产出"显著大于自身噪声的赢家"的连续段才计入上限。研究主管以"捕获率"口径用该上限作为评估基准——若实盘 PnL 能捕获 min_step 校准下上限的 60%，说明该模型在选定的显著性阈值下确实在产出递增赢家序列；而若用平凡的 sum(max(0, r) for r in reward) 做基准，会把"持平或微正天数"也算进去，造成模型评分虚高。

实现细节由 stubs/stub.py 提供。