跌妈不认？一口气团灭6道股票算法打打气

观感度：🌟🌟🌟🌟🌟

口味：虎皮凤爪

烹饪时间：10min

我欲清仓归去，又恐迅速反弹，踏空不胜寒。与其储蓄负利，不如厮混其间，少追涨，勿杀跌，夜安眠，不应有恨，获利总在无意间。月有阴晴圆缺，股有横盘涨跌，此事股难全。 -- 著名古人白交易
本文已收录在前端食堂同名仓库 Github github.com/Geekhyt，欢迎光临食堂，如果觉得酒菜还算可口，赏个 Star 对食堂老板来说是莫大的鼓励。

2021 年的基金市场开年至今，暴涨又暴跌。刚迎完财神，期待牛气冲天的年轻人们，刚刚入场就狠狠的吃了资本市场的一记重锤。

各种“人类迷惑行为大赏”轮番上演，让本就魔幻的世界变得更加魔幻。如果你最近也跌了，请点个赞，让我们互相抱团取暖。

回到 LeetCode 这 6 道股票系列题，其实这 6 道题目可以归为一道题目来看：

与现实略有不同，题目中添加了一些限制条件，读完题分析后不难发现。

第一题只交易一次，也就是 k = 1。
第二题不限制交易次数，也就是 k = +infinity。
第三题只交易两次，也就是 k = 2。
第四道限制最多交易次数 k 是任意数。
第五道和第六道不限次数，相当于在第二题的基础上分别添加了交易冷冻期和手续费的额外条件。

我们每天能做的操作无非是以下这三种：

买入
卖出
无操作

不过要注意以下四点限制条件。

要先买入才能卖出。
题目要求不能同时参与多笔交易，也就是说再次买入前需要卖出手中持有的股票。
无操作基于两种状态，手中持有股票和没有持有股票。
交易次数 k 也有限制，只有 k >= 0 时才可以买入。

分析好了这些状态，接下来就是翻译成代码了。

首先，我们可以建立一个三维数组来表示上面的这些状态，先来明确一些变量含义。

i: 天数范围是 (0 <= i <= n - 1)
k: 最大交易次数
0: 没有持有股票
1: 持有股票
n: 股票数组长度

dp[i][k][0]
dp[i][k][1]

// 举个🌰
dp[2][2][1] // 今天是第 2 天，手中持有股票，最多还可以进行 2 次交易

我们最终要求的可获得的最大收益就是 dp[n - 1][k][0]，代表最后一天将股票卖出后的最大收益。(这里卖出一定比持有收益更大，所以是 [0]，而不是 [1])

接下来，我们尝试列出状态转移方程。

// 今天手中没有持有股票，有两种可能：
// 1. 昨天没有持有，今天选择不操作。 对应: dp[i - 1][k][0]
// 2. 昨天持有，今天卖出了，所以今天没有股票了。对应: dp[i - 1][k][1] + prices[i]
dp[i][k][0] = Math.max(dp[i - 1][k][0], dp[i - 1][k][1] + prices[i])


// 今天手中持有股票，有两种可能：
// 1. 昨天手中持有股票，今天选择不操作。对应: dp[i - 1][k][1]
// 2. 昨天没有持有股票，今天买入了。对应: dp[i - 1][k - 1][0] - prices[i]
dp[i][k][1] = Math.max(dp[i - 1][k][1], dp[i - 1][k - 1][0] - prices[i])

很显然，卖出股票利润增加，买入股票利润减少。因为每次交易包含两次成对的操作，买入和卖出。

所以只有买入的时候需要将 k - 1，那么最大利润就是上面这两种可能性中的最大值。

第一题 k = 1

将状态转移方程套入本题的条件，k = 1，列出状态转移方程。

dp[i][1][0] = Math.max(dp[i - 1][1][0], dp[i - 1][1][1] + prices[i])
dp[i][1][1] = Math.max(dp[i - 1][1][1], dp[i - 1][0][0] - prices[i])
            = Math.max(dp[i - 1][1][1], -prices[i])
// k = 0 时，dp[i - 1][0][0] = 0

观察发现 k 既然都是 1 且不会改变，也就是说 k 对状态转移已经没有影响了，我们可以进一步化简方程。

dp[i][0] = Math.max(dp[i - 1][0], dp[i - 1][1] + prices[i])
dp[i][1] = Math.max(dp[i - 1][1], -prices[i])

对于第 0 天，我们需要进行初始化：

不持有：dp[0][0] = 0
持有：dp[0][1] = -prices[0] (花了 prices[0] 的钱买入股票)

const maxProfit = function(prices) {
    let n = prices.length
    let dp = Array.from(new Array(n), () => new Array(2))
    dp[0][0] = 0
    dp[0][1] = -prices[0]
    for (let i = 1; i < n; i++) {
        dp[i][0] = Math.max(dp[i - 1][0], dp[i - 1][1] + prices[i])
        dp[i][1] = Math.max(dp[i - 1][1], -prices[i])
    }
    return dp[n - 1][0]
}

时间复杂度：O(n)
空间复杂度：O(n)

我们发现在转移的时候，dp[i] 只会从 dp[i - 1] 转移得来，因此第一维可以去掉，空间复杂度优化到 O(1)。

const maxProfit = function(prices) {
    let n = prices.length
    let dp = Array.from(new Array(n), () => new Array(2))
    dp[0] = 0
    dp[1] = -prices[0]
    for (let i = 1; i < n; i++) {
        dp[0] = Math.max(dp[0], dp[1] + prices[i])
        dp[1] = Math.max(dp[1], -prices[i])
    }
    return dp[0]
}

时间复杂度：O(n)
空间复杂度：O(1)

我们也可以将变量名变得更加友好一些。

profit_out：卖出时的利润
profit_in：买入时的利润

const maxProfit = function(prices) {
    let n = prices.length
    let profit_out = 0
    let profit_in = -prices[0]
    for (let i = 1; i < n; i++) {
        profit_out = Math.max(profit_out, profit_in + prices[i])
        profit_in = Math.max(profit_in,  -prices[i])
    }
    return profit_out
}

时间复杂度：O(n)
空间复杂度：O(1)

第二题 k = +infinity

将状态转移方程套入本题的条件，k = +infinity。

dp[i][k][0] = Math.max(dp[i - 1][k][0], dp[i - 1][k][1] + prices[i])
dp[i][k][1] = Math.max(dp[i - 1][k][1], dp[i - 1][k - 1][0] - prices[i])
            = Math.max(dp[i - 1][k][1], dp[i - 1][k][0] - prices[i])

我们发现数组中的 k 同样已经不会改变了，也就是说 k 对状态转移已经没有影响了，可以进一步化简方程。

dp[i][0] = Math.max(dp[i - 1][0], dp[i - 1][1] + prices[i])
dp[i][1] = Math.max(dp[i - 1][1], dp[i - 1][0] - prices[i])

对于第 0 天，我们要给出初始值：

不持有：dp[0][0] = 0
持有：dp[0][1] = -prices[0] (花了 prices[0] 的钱买入股票)

const maxProfit = function(prices) {
    let n = prices.length
    let dp = Array.from(new Array(n), () => new Array(2))
    dp[0][0] = 0 
    dp[0][1] = -prices[0]
    for (let i = 1; i < n; i++) {
        dp[i][0] = Math.max(dp[i - 1][0], dp[i - 1][1] + prices[i])
        dp[i][1] = Math.max(dp[i - 1][1], dp[i - 1][0] - prices[i])
    }
    return dp[n - 1][0]
}

同样在转移的时候，dp[i] 只会从 dp[i - 1] 转移得来，因此第一维可以去掉，空间复杂度优化到 O(1)。

const maxProfit = function(prices) {
    let n = prices.length
    let dp = Array.from(new Array(n), () => new Array(2))
    dp[0] = 0
    dp[1] = -prices[0]
    for (let i = 1; i < n; i++) {
        let tmp = dp[0] // 中间变量可省略，因为当天买入卖出不影响结果
        dp[0] = Math.max(dp[0], dp[1] + prices[i])
        dp[1] = Math.max(dp[1], tmp - prices[i])
    }
    return dp[0]
}

同上题一样，我们可以将变量名变得更加友好一些。

const maxProfit = function(prices) {
    let n = prices.length
    let profit_out = 0
    let profit_in = -prices[0]
    for (let i = 1; i < n; i++) {
        profit_out = Math.max(profit_out, profit_in + prices[i])
        profit_in = Math.max(profit_in, profit_out - prices[i])
    }
    return profit_out
}

第三题 k = 2

前面两种情况，无论是 k = 1，还是 k = +infinity 的情况下，k 对状态转移方程是没有影响的。

不过当 k = 2 时，k 就对状态转移方程有影响了。列出状态转移方程：

dp[i][k][0] = Math.max(dp[i - 1][k][0], dp[i - 1][k][1] + prices[i])
dp[i][k][1] = Math.max(dp[i - 1][k][1], dp[i - 1][k - 1][0] - prices[i])

这个时候 k 无法化简，我们需要使用两次循环对 k 进行穷举。

for (let i = 0; i < n; i++) {
    for (let k = maxK; k >= 1; k--) {
        dp[i][k][0] = Math.max(dp[i - 1][k][0], dp[i - 1][k][1] + prices[i])
        dp[i][k][1] = Math.max(dp[i - 1][k][1], dp[i - 1][k - 1][0] - prices[i])
    }
}

不过因为 k 的取值范围比较小，我们也可以直接将它们全部列举出来。

dp[i][2][0] = Math.max(dp[i - 1][2][0], dp[i - 1][2][1] + prices[i])
dp[i][2][1] = Math.max(dp[i - 1][2][1], dp[i - 1][1][0] - prices[i])
dp[i][1][0] = Math.max(dp[i - 1][1][0], dp[i - 1][1][1] + prices[i])
dp[i][1][1] = Math.max(dp[i - 1][1][1], dp[i - 1][0][0] - prices[i])
            = Math.max(dp[i - 1][1][1], -prices[i])

有了上面两道题的铺垫，我们后面几道题就直接写出降维后的解法。

const maxProfit = function(prices) {
    let n = prices.length
    let dp_i10 = 0
    let dp_i11 = -prices[0]
    let dp_i20 = 0
    let dp_i21 = -prices[0]
    for (let i = 1; i < n; i++) {
        dp_i20 = Math.max(dp_i20, dp_i21 + prices[i])
        dp_i21 = Math.max(dp_i21, dp_i10 - prices[i])
        dp_i10 = Math.max(dp_i10, dp_i11 + prices[i])
        dp_i11 = Math.max(dp_i11, -prices[i])
    }
    return dp_i20
}

同上面一样，我们可以将变量名变得更加友好一些。

const maxProfit = function(prices) {
    let profit_1_in = -prices[0], profit_1_out = 0
    let profit_2_in = -prices[0], profit_2_out = 0
    let n = prices.length
    for (let i = 1; i < n; i++) {
        profit_2_out = Math.max(profit_2_out, profit_2_in + prices[i])
        profit_2_in = Math.max(profit_2_in, profit_1_out - prices[i])
        profit_1_out = Math.max(profit_1_out, profit_1_in + prices[i])
        profit_1_in = Math.max(profit_1_in, -prices[i])
    }
    return profit_2_out
}

第四题 k 是任意数

一个有收益的交易至少需要两天（在前一天买入，在后一天卖出，前提是买入价格低于卖出价格）。

如果股票价格数组的长度为 n，则有收益的交易的数量最多为 n / 2（整数除法）。因此 k 的临界值是 n / 2。

如果给定的 k 不小于临界值，即 k >= n / 2，则可以将 k 扩展为正无穷，也就是第二题的情况，如下函数 maxProfit2。

const maxProfit = function(k, prices) {
    let n = prices.length
    const maxProfit2 = function(prices) {
        let profit_out = 0
        let profit_in = -prices[0]
        for (let i = 1; i < n; i++) {
            profit_out = Math.max(profit_out, profit_in + prices[i])
            profit_in = Math.max(profit_in, profit_out - prices[i])
        }
        return profit_out
    }
    if (k > n / 2) {
        return maxProfit2(prices)
    }
    let profit = new Array(k)
    // 初始化买入卖出时的利润，将每次交易买入、卖出时的利润放在一个对象中，实现降维
    for (let j = 0; j <= k; j++) {
        profit[j] = {
            profit_in: -prices[0],
            profit_out: 0
        }
    }
    for (let i = 0; i < n; i++) {
        for (let j = 1; j <= k; j++) {
            profit[j] = {
                profit_out: Math.max(profit[j].profit_out, profit[j].profit_in + prices[i]), 
                profit_in: Math.max(profit[j].profit_in, profit[j-1].profit_out - prices[i])
            }
        }
    }
    return profit[k].profit_out
}

第五题 k 为正无穷但有冷却时间

每次卖出之后都要等一天才能继续交易，也就是第 i 天选择买的时候，要从 i - 2 状态转移。

列出状态转移方程。

dp[i][k][0] = Math.max(dp[i - 1][k][0], dp[i - 1][k][1] + prices[i])
dp[i][k][1] = Math.max(dp[i - 1][k][1], dp[i - 2][k - 1][0] - prices[i])
            = Math.max(dp[i - 1][k][1], dp[i - 2][k][0] - prices[i])

k 同样对状态转移已经没有影响了，可以进一步化简方程。

dp[i][0] = Math.max(dp[i - 1][0], dp[i - 1][1] + prices[i])
dp[i][1] = Math.max(dp[i - 1][1], dp[i - 2][0] - prices[i])

const maxProfit = function(prices) {
    let n = prices.length
    let dp_i0 = 0
    let dp_i1 = -prices[0];
    let dp_pre = 0 // 代表 dp[i-2][0]
    for (let i = 0; i < n; i++) {
        let tmp = dp_i0
        dp_i0 = Math.max(dp_i0, dp_i1 + prices[i])
        dp_i1 = Math.max(dp_i1, dp_pre - prices[i])
        dp_pre = tmp
    }
    return dp_i0
}

同上面一样，我们可以将变量名变得更加友好一些。

const maxProfit = function(prices) {
    let n = prices.length
    let profit_in = -prices[0]
    let profit_out = 0
    let profit_freeze = 0
    for (let i = 1; i < n; i++) {
        let temp = profit_out
        profit_out = Math.max(profit_out, profit_in + prices[i])
        profit_in = Math.max(profit_in, profit_freeze - prices[i])
        profit_freeze = temp
    }
    return profit_out
}

第六题 k 为正无穷但有手续费

在第二题的基础上，添加了手续费。

每次交易要支付手续费，只要把手续费从利润中减去即可，可以列出如下两种方程。

第一种方程：在每次买入股票时扣除手续费

dp[i][0] = max(dp[i - 1][0], dp[i - 1][1] + prices[i])
dp[i][1] = max(dp[i - 1][1], dp[i - 1][0] - prices[i] - fee)

第二种方程：在每次卖出股票时扣除手续费

dp[i][0] = max(dp[i - 1][0], dp[i - 1][1] + prices[i] - fee)
dp[i][1] = max(dp[i - 1][1], dp[i - 1][0] - prices[i])

const maxProfit = function(prices, fee) {
    let n = prices.length
    let dp = Array.from(new Array(n), () => new Array(2))
    dp[0] = 0
    dp[1] = -prices[0]
    for (let i = 1; i < n; i++) {
        let tmp = dp[0]
        dp[0] = Math.max(dp[0], dp[1] + prices[i] - fee)
        dp[1] = Math.max(dp[1], tmp - prices[i])
    }
    return dp[0]
}

同上面一样，我们可以将变量名变得更加友好一些。

const maxProfit = function(prices, fee) {
    let profit_out = 0
    let profit_in = -prices[0]
    for (let i = 1; i < prices.length; i++) {
        profit_out = Math.max(profit_out, profit_in + prices[i] - fee)
        profit_in = Math.max(profit_in, profit_out - prices[i])
    }
    return profit_out
}

团灭完股票系列算法再来个首尾呼应，讲一讲所谓的投资时钟。

经济分为两个大周期：经济复苏期和经济衰退期。结合通胀和流动性的组合，可以分为四个小周期，衰退前期、衰退后期、复苏前期以及复苏后期。

不同的经济周期对应着不同的资产和市场风格。任何的资产都有周期性，没有只涨不跌的资产，即便是茅台这样的核心消费资产在不合适的周期里也能平均回调 30% 以上，即使钢铁这种夕阳产业在合适的周期也能涨个 50%。

搞清楚了当下位于哪个周期，调整资产进行合理的配置，才能不做韭菜。

站在巨人的肩膀上

2021 组团刷题计划

前端食堂的 LeetCode 题解仓库

年初立了一个 flag，上面这个仓库在 2021 年写满 100 道前端面试高频题解，目前进度已经完成了 50%。

如果你也准备刷或者正在刷 LeetCode，不妨加入前端食堂，一起并肩作战，刷个痛快。

❤️爱心三连击

1.如果你觉得食堂酒菜还合胃口，就点个赞支持下吧，你的赞是我最大的动力。

2.关注公众号前端食堂，吃好每一顿饭！

3.点赞、评论、转发 === 催更！

跌妈不认？一口气团灭6道股票算法打打气

第一题 k = 1

第二题 k = +infinity

第三题 k = 2

第四题 k 是任意数

第五题 k 为正无穷但有冷却时间

第六题 k 为正无穷但有手续费

站在巨人的肩膀上

2021 组团刷题计划

❤️爱心三连击

童欧巴

引用和评论

前端食堂技术周刊第 85 期

腾讯新闻中心首页改版啦

网页设计的垂直居中

CSS团队协作规范

前端如何入门 Go 语言

不使用 JS 纯 CSS 获取屏幕宽高

前端开发工具