股票交易最大利润问题的算法优化与工程实践

1. 问题背景与核心挑战

在量化交易和算法设计领域，单次交易最大利润问题（Best Time to Buy and Sell Stock）是一个经典的优化案例。我第一次接触这个问题是在准备某高频交易公司的面试时，当时被要求用O(n)时间复杂度解决。表面看这是个简单的数组遍历问题，但实际工程落地时会遇到不少隐藏陷阱。

这个问题的基础版本是：给定一个数组prices，其中prices[i]表示某支股票第i天的价格。你只能选择某天买入，并在之后的某天卖出，设计算法计算最大利润。例如输入[7,1,5,3,6,4]，输出应该是5（第二天1买入，第五天6卖出）。

2. 暴力解法与初步优化

2.1 双重循环的暴力解法

最直观的解法是用双重循环遍历所有可能的买卖组合：

python复制def maxProfit(prices):
    max_profit = 0
    for i in range(len(prices)):
        for j in range(i+1, len(prices)):
            profit = prices[j] - prices[i]
            if profit > max_profit:
                max_profit = profit
    return max_profit

这个解法时间复杂度O(n²)，在LeetCode上提交会直接超时。但它的价值在于帮我们理清问题本质——我们需要找到数组中后项减前项的最大差值。

2.2 单次遍历的动态规划优化

通过观察可以发现，我们只需要记录历史最低价，并在遍历时计算当前价格与历史最低价的差值：

python复制def maxProfit(prices):
    min_price = float('inf')
    max_profit = 0
    for price in prices:
        min_price = min(min_price, price)
        max_profit = max(max_profit, price - min_price)
    return max_profit

这个优化版将时间复杂度降到O