股票交易最大利润算法：动态规划与贪心实战

1. 问题背景与核心挑战

股票交易时机选择是每个投资者都会面临的经典问题。这道题目看似简单，实则包含了动态规划、贪心算法等多种解题思路的巧妙应用。我曾在量化交易系统中多次实现类似算法，发现即使是经验丰富的开发者，也容易在边界条件处理上栽跟头。

问题的本质是：给定一个数组表示某股票第i天的价格，设计算法计算你能获得的最大利润。你最多只能完成一笔交易（即买入和卖出一支股票一次），且必须在再次购买前出售掉之前的股票。

2. 暴力解法与复杂度分析

2.1 双重循环实现

最直观的解法是使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

注意：这种方法在LeetCode上会因超时无法通过，但其清晰的逻辑值得初学者理解

2.2 时间复杂度分析

该算法的时间复杂度为O(n²)，空间复杂度O(1)。当n较大时（如n=10⁵），计算次数将达到10¹⁰量级，明显不符合实际需求。

3. 优化解法：一次遍历法

3.1 贪心算法思路

通过观察可以发现，我们只需要记录历史最低点，然后在每一天考虑：如果今天卖出，能获得多少利润？

python复制def maxProfit(prices):
    min_price = float('inf')
    max_profit = 0
    for price in prices:
        if price < min_price:
            min_price = price
        elif price - min_price > max_profit:
            max_profit = price - min_price
    return max_profit

3.2 算法正确性证明

该算法维护两个关键变量：

• min_price：遍历过程中遇到的最低价格
• max_profit：当前能获得的最大利润

由于买卖必须在不同天进行，且卖出在买入之后，因此只需要保证计算利润时使用的买入价是之前的最低点即可。

4. 边界条件与异常处理

4.1 特殊输入情况

实际应用中需要考虑以下边界条件：

1. 价格列表为空或只有一个元素时
2. 价格持续下跌无法获利时
3. 包含极大/极小值的情况

改进后的健壮性实现：

python复制def maxProfit(prices):
    if len(prices) < 2:
        return 0
    
    min_price = prices[0]
    max_profit = 0
    
    for price in prices[1:]:
        max_profit = max(max_profit, price - min_price)
        min_price = min(min_price, price)
    
    return max_profit

4.2 测试用例设计

完整的测试应当包含：

python复制test_cases = [
    ([7,1,5,3,6,4], 5),    # 常规情况
    ([7,6,4,3,1], 0),      # 持续下跌
    ([], 0),               # 空输入
    ([5], 0),              # 单元素
    ([2,4,1], 2),          # 最低点不在开头
    ([3,2,6,5,0,3], 4)     # 含0值情况
]

5. 算法扩展与变种问题

5.1 允许多次交易的情况

如果允许进行多次交易（但必须在再次购买前出售），问题变为122题。其解法更简单：

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

5.2 含冷冻期的情况

当加入卖出后需要冷冻一天的限制（309题），需要使用状态机思路：

python复制def maxProfit(prices):
    if not prices:
        return 0
    
    n = len(prices)
    hold = [0] * n
    unhold = [0] * n
    
    hold[0] = -prices[0]
    
    for i in range(1, n):
        if i == 1:
            hold[i] = max(hold[i-1], -prices[i])
        else:
            hold[i] = max(hold[i-1], unhold[i-2] - prices[i])
        unhold[i] = max(unhold[i-1], hold[i-1] + prices[i])
    
    return unhold[-1]

6. 实际应用中的注意事项

1. 手续费处理：真实交易需考虑手续费，可在每次卖出时减去固定值
2. 滑点影响：算法计算的理想利润可能因市场流动性无法实现
3. 时间因素：实际交易存在T+1等限制
4. 数据精度：使用decimal模块处理金融数据避免浮点误差

我曾在一个量化项目中因忽略手续费导致策略回测结果虚高30%，这个教训说明理论算法必须结合实际交易约束。