动态规划解决股票买卖问题的实战技巧

1. 动态规划在股票买卖问题中的实战应用

作为一名经历过多次算法面试毒打的程序员，我深知股票买卖系列问题在面试中的高频出现率。今天要讨论的这三道力扣题目（188. 买卖股票的最佳时机 IV、309. 最佳买卖股票时机含冷冻期、714. 买卖股票的最佳时机含手续费）可以说是动态规划应用的经典案例。它们看似相似，实则各有特点，需要我们对状态转移方程有深刻理解。

1.1 问题共性分析

这三个问题都属于股票买卖问题的变种，核心都是通过动态规划来寻找最优解。它们共享以下特征：

• 给定一个股票价格数组 prices
• 限制交易次数或添加额外条件
• 目标是最大化利润

不同之处在于约束条件：

• 188题限制最多完成k笔交易
• 309题要求卖出后有一天冷冻期
• 714题则对每笔交易收取固定手续费

2. 188. 买卖股票的最佳时机 IV

2.1 问题重述

给定一个整数数组 prices 和一个整数 k，其中 prices[i] 是某支股票第 i 天的价格。设计一个算法来计算你所能获取的最大利润。你最多可以完成 k 笔交易（买入和卖出算一次交易）。

2.2 动态规划状态定义

这是股票系列中最通用的情况，我们需要定义一个三维DP数组：

• dp[i][k][0]：第i天，最多进行了k次交易，手中没有股票时的最大利润
• dp[i][k][1]：第i天，最多进行了k次交易，手中有股票时的最大利润

状态转移方程：

code复制dp[i][k][0] = max(dp[i-1][k][0], dp[i-1][k][1] + prices[i])
dp[i][k][1] = max(dp[i-1][k][1], dp[i-1][k-1][0] - prices[i])

2.3 代码实现与优化

由于三维DP可能消耗较多内存，我们可以优化为二维数组：

python复制def maxProfit(k, prices):
    if not prices:
        return 0
    
    n = len(prices)
    if k >= n // 2:
        # 相当于可以无限次交易
        max_profit = 0
        for i in range(1, n):
            if prices[i] > prices[i-1]:
                max_profit += prices[i] - prices[i-1]
        return max_profit
    
    dp = [[0] * n for _ in range(k+1)]
    for i in range(1, k+1):
        max_diff = -prices[0]
        for j in range(1, n):
            dp[i][j] = max(dp[i][j-1], prices[j] + max_diff)
            max_diff = max(max_diff, dp[i-1][j] - prices[j])
    
    return dp[k][n-1]

关键点：当k >= n/2时，问题退化为无限次交易的情况，可以直接贪心解决，避免不必要的DP计算。

3. 309. 最佳买卖股票时机含冷冻期

3.1 问题特点分析

这道题新增了冷冻期的限制：在卖出股票后，你无法在第二天买入股票（即冷冻期为1天）。这个约束条件改变了状态转移的逻辑。

3.2 状态定义与转移

我们需要定义三个状态：

• hold：持有股票时的最大利润
• sold：当天卖出股票后的最大利润
• rest：处于冷冻期或什么都不做的最大利润

状态转移方程：

code复制hold[i] = max(hold[i-1], rest[i-1] - prices[i])
sold[i] = hold[i-1] + prices[i]
rest[i] = max(rest[i-1], sold[i-1])

3.3 代码实现

python复制def maxProfit(prices):
    if not prices:
        return 0
    
    n = len(prices)
    hold = [0] * n
    sold = [0] * n
    rest = [0] * n
    
    hold[0] = -prices[0]
    
    for i in range(1, n):
        hold[i] = max(hold[i-1], rest[i-1] - prices[i])
        sold[i] = hold[i-1] + prices[i]
        rest[i] = max(rest[i-1], sold[i-1])
    
    return max(sold[-1], rest[-1])

实际编码时可以进一步优化空间复杂度，只保留前一个状态的值即可。

4. 714. 最佳买卖股票时机含手续费

4.1 问题特点

这道题的特点是每笔交易都需要支付固定的手续费，这影响了我们的买卖决策。我们需要在卖出时考虑手续费的影响。

4.2 状态定义

定义两个状态：

• cash：不持有股票时的最大利润
• hold：持有股票时的最大利润

状态转移方程：

code复制cash = max(cash, hold + prices[i] - fee)
hold = max(hold, cash - prices[i])

4.3 代码实现

python复制def maxProfit(prices, fee):
    if not prices:
        return 0
    
    cash, hold = 0, -prices[0]
    
    for i in range(1, len(prices)):
        cash = max(cash, hold + prices[i] - fee)
        hold = max(hold, cash - prices[i])
    
    return cash

注意：手续费只在卖出时收取一次，所以只需要在cash状态更新时减去fee。

5. 股票问题通用解法框架

通过这三道题目，我们可以总结出一个解决股票买卖问题的通用框架：

5.1 状态定义

对于大多数股票问题，我们都可以定义以下状态：

• dp[i][k][0]：第i天，最多k次交易，不持有股票
• dp[i][k][1]：第i天，最多k次交易，持有股票

5.2 基础状态转移方程

code复制dp[i][k][0] = max(dp[i-1][k][0], dp[i-1][k][1] + prices[i])
dp[i][k][1] = max(dp[i-1][k][1], dp[i-1][k-1][0] - prices[i])

5.3 根据约束条件调整

• 交易次数限制：调整k的范围
• 冷冻期：增加额外状态
• 手续费：在卖出或买入时扣除

6. 常见错误与调试技巧

6.1 边界条件处理

• 空输入检查：总是首先检查prices是否为空
• 初始化：hold状态的初始值应为-prices[0]
• 交易次数为0时的处理

6.2 空间优化技巧

很多股票问题都可以将空间复杂度从O(n)优化到O(1)，只需保存前一个状态的值：

python复制prev_cash, prev_hold = 0, -prices[0]
for price in prices[1:]:
    curr_cash = max(prev_cash, prev_hold + price)
    curr_hold = max(prev_hold, prev_cash - price)
    prev_cash, prev_hold = curr_cash, curr_hold

6.3 调试建议

• 打印DP表格：对于复杂问题，打印中间DP值有助于理解
• 小规模测试：先用小的测试案例验证
• 状态跟踪：记录每个状态的变化过程

7. 性能优化实战

7.1 188题的特殊情况处理

当k >= n/2时，问题等同于无限次交易，可以直接用贪心算法：

python复制if k >= len(prices) // 2:
    return sum(max(prices[i] - prices[i-1], 0) for i in range(1, len(prices)))

这种优化可以将时间复杂度从O(nk)降到O(n)。

7.2 309题的状态合并

实际上，309题可以简化为两个状态：

• hold：持有股票
• not_hold：不持有股票（包括冷冻期和非冷冻期）

python复制def maxProfit(prices):
    hold, not_hold = -float('inf'), 0
    prev_not_hold = 0
    
    for price in prices:
        hold = max(hold, prev_not_hold - price)
        prev_not_hold = not_hold
        not_hold = max(not_hold, hold + price)
    
    return not_hold

8. 面试实战建议

8.1 解题思路

1. 明确问题约束条件
2. 定义合适的状态
3. 推导状态转移方程
4. 确定初始条件
5. 考虑空间优化

8.2 沟通技巧

• 先解释状态定义
• 再推导转移方程
• 讨论边界条件
• 最后考虑优化

8.3 常见变种准备

• 交易次数限制
• 冷冻期
• 手续费
• 买入/卖出限制
• 多支股票选择

9. 个人实战心得

在实际刷题和面试中，我发现股票问题最关键的几点：

1. 状态定义要清晰：明确每个状态代表什么含义
2. 转移方程要准确：考虑所有可能的转移路径
3. 初始条件要正确：特别是hold状态的初始值
4. 空间优化要谨慎：先写出完整DP，再考虑优化

对于冷冻期问题，我最初常常混淆rest和sold状态的关系。后来通过画状态机图才彻底理解：卖出后必须进入冷冻期，冷冻期结束后才能买入。

手续费问题则要注意是在买入还是卖出时扣除。不同扣除时机会影响状态转移方程。我建议统一在卖出时扣除，这样更符合实际交易场景。