掌握这个方法，LeetCode 上的「股票买卖问题」就能为所欲为

我会带着你远行 2023-02-18 09:36 92阅读 0赞

点击上方“**五分钟学算法**”，选择“星标”公众号

重磅干货，第一时间送达![format_png][]

![format_png 1][]

转自面向大象编程

「股票买卖问题」大概是每个刷 LeetCode 的同学都会遇到的一大拦路虎，特别是其中的第三道题。你是否也曾因为这道题而懵逼呢？

![format_png 2][] 股票买卖系列问题

LeetCode 上的股票买卖系列问题一共六道，形成一个巨大的系列，蔚为壮观。系列的前两道题并不难，可以通过思维转换得到解法。然而就在你以为整个系列都可以循序渐进地做出来时，第三道题的难度陡然上升，让人猝不及防。

更令人沮丧的是，这样一道难题，打开讨论区，看到的却是一份异常装逼的题解代码：

public int maxProfit(int[] prices) {
        if (prices.length == 0) return 0;
        int s1 = Integer.MIN_VALUE, s2 = 0, 
            s3 = Integer.MIN_VALUE, s4 = 0;
        for (int p : prices) {
            s1 = Math.max(s1, -p);
            s2 = Math.max(s2, s1 + p);
            s3 = Math.max(s3, s2 - p);
            s4 = Math.max(s4, s3 + p);
        }
        return Math.max(0, s4);
    }

WTF?? 这谜一样的四个变量 `s1`/`s2`/`s3`/`s4` 是怎么回事？这种计算方式怎么能体现题目中「最多买卖两次」的限制？

不要慌张。其实这类问题是有套路的，只要掌握了套路，你也一样能写出这样装逼的解法。这个套路也非常实用，几道股票买卖问题都可以用这个套路解出来。

这样实用而装逼的解法，今天就让我为你细细讲述。本文会介绍股票买卖问题的这个解法中涉及到的几个技巧：

*  动态规划子问题的状态拆解与状态机定义
 *  DP 数组的特殊值定义
 *  动态规划的空间优化技巧

## 问题解法 ##

我们来求解最典型的股票问题（三），它是其他几道题目解法的基础：

LeetCode 123. Best Time to Buy and Sell Stock III（Hard）

> 给定一个数组，它的第个元素是一支给定的股票在第天的价格。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**两笔**交易。
> 
> **注意：** 你不能同时参与多笔交易（你必须在再次购买前出售掉之前的股票）。
> 
> **示例：**
> 
>     输入: [3,3,5,0,0,3,1,4]
>     输出: 6
>     解释: 在第 4 天（股票价格 = 0）的时候买入，在第 6 天（股票价格 = 3）的时候卖出，这笔交易所能获得利润 = 3-0 = 3。
>          随后，在第 7 天（股票价格 = 1）的时候买入，在第 8 天 （股票价格 = 4）的时候卖出，这笔交易所能获得利润 = 4-1 = 3。

很多同学可能已经隐约想到这道题是用动态规划来解，但是一直想不出来合适的具体思路。

这道题最大的难点就在于其限制条件「最多完成两笔交易」。如何在动态规划中描述这个限制条件？如何记录股票买卖过程中的「不同状态」？其实，全部的答案就在我们上一篇文章中讨论的技巧：**拆分动态规划的子问题**。

不记得上一篇文章内容的同学可以点这里回顾：

[LeetCode 例题精讲 | 17 动态规划如何拆分子问题，简化思路][LeetCode _ _ 17]

当然，如果你只想知道股票买卖问题的解法，可以直接往下看。

### 状态机定义 ###

对于题目中「最多完成两笔交易」这个限制条件，我们可以理解成：**股票买卖的过程，经历了不同的阶段**。

*  在一开始，限制是「最多完成两笔交易」；
 *  做完一笔交易之后，限制变成「只做一笔交易」；
 *  做完两笔交易之后，限制变成「不能再做交易」。

有的解法选择定义一个参数来表示可以进行交易的数量。不过的取值只有 2、1、0，却要给动态规划增加一个维度，不太划算。我们可以直接定义多个子问题来描述这些不同的阶段。

另外，题目中还有一个条件是「再次购买前必须卖掉之前的股票」，这实际上又给股票买卖过程划分了阶段。我们有「持有股票」和「不持有股票」两种状态。在持有股票的时候，只能卖出，不能买入。不持有股票的时候则反之。

总体来看，做两笔交易，则股票买卖的过程可以分为**五个阶段**：

<table> 
 <thead> 
  <tr> 
   <th>阶段</th> 
   <th>可交易次数</th> 
   <th>持股状态</th> 
   <th>可买入/卖出</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>0</td> 
   <td>2</td> 
   <td>不持有</td> 
   <td>可买入</td> 
  </tr> 
  <tr> 
   <td>1</td> 
   <td>1</td> 
   <td>持有</td> 
   <td>可卖出</td> 
  </tr> 
  <tr> 
   <td>2</td> 
   <td>1</td> 
   <td>不持有</td> 
   <td>可买入</td> 
  </tr> 
  <tr> 
   <td>3</td> 
   <td>0</td> 
   <td>持有</td> 
   <td>可卖出</td> 
  </tr> 
  <tr> 
   <td>4</td> 
   <td>0</td> 
   <td>不持有</td> 
   <td>可买入</td> 
  </tr> 
 </tbody> 
</table>

![format_png 3][] 股票买卖过程的五个阶段

对应这五个阶段，我们可以定义五个子问题，分别用、、、、来表示。字母 s 代表**状态**，股票买卖阶段的变化，其实就是状态的转移。

例如在阶段 1，我们持有股票，此时如果卖出股票，则变成不持有股票的状态，进入阶段 2。

~之间的状态转移可以用下面这张图来表示：

![format_png 4][] 子问题间的状态转移关系（状态机）

在每一天，我们既可以选择买入/卖出，又可以选择不进行买卖。选择买入或者卖出的话，就会进入下一个阶段，对应状态转移图中向右的边；选择不买卖的话，会继续待在当前阶段，对应状态转移图中的环路。

这就是所谓的「**状态机 DP**」。定义多个子问题，从另一个角度来看，就是子问题在不同的「状态」间跳来跳去。

在理解了子问题之间的关系之后，我们正式地定义一下子问题和递推关系：子问题分别表示「前天结束后，处于阶段 0/1/2/3/4 时，当前的最大利润」。那么我们有：

*  。因为阶段 0 时没有任何买入卖出。
 *  。第 k 天处于阶段 1，可能是前一天处于阶段 1，或者是前一天处于阶段 0，然后买入了第 k 天的股票（利润减去）。
 *  。第 k 天处于阶段 2，可能是前一天处于阶段 2，或者是前一天处于阶段 1，然后卖出了第 k 天的股票（利润增加）。
 *  。分析同。
 *  。分析同。

### 理解 DP 数组 ###

在定义了子问题及其递推关系后，我们还需要搞清楚 DP 数组的计算顺序。

首先，由于始终为 0，我们其实不需要计算，直接作为常数 0 代入即可。这样就只剩///四个子问题了。

四个子问题中，的取值范围都是。这样我们的 DP 数组是四个长度为的一维数组，如下图所示。

![format_png 5][] DP 数组

接着是 DP 数组中的依赖关系：

![format_png 6][] DP 数组的依赖关系

可以看出，DP 数组的计算顺序是从左到右、从上到下。我们可以根据这个写出初步的题解代码：

// 注意：这段代码并不完整
    public int maxProfit(int[] prices) {
        if (prices.length == 0) {
            return 0;
        }
    
        int n = prices.length;
        int[] s1 = new int[n+1];
        int[] s2 = new int[n+1];
        int[] s3 = new int[n+1];
        int[] s4 = new int[n+1];
        // 注意：这里还缺少 base case 的赋值
        for (int k = 1; k <= n; k++) {
            s1[k] = Math.max(s1[k-1], -p[k-1]);
            s2[k] = Math.max(s2[k-1], s1[k-1] + p[k-1]);
            s3[k] = Math.max(s3[k-1], s2[k-1] - p[k-1]);
            s4[k] = Math.max(s4[k-1], s3[k-1] + p[k-1]);
        }
        return Math.max(0, Math.max(s2[n], s4[n]));
    }

### 处理 base case ###

上面的代码还不是很完整，我们还需要填上子问题的 base case 的取值。

对于这道题来说，确定 base case 的取值并不容易。难点在于 DP 数组中的部分元素是无效的。

以为例，的含义应该是：在第 0 天（即一开始），经过一次买入、一次卖出后，所获的最大利润。然而我们在第 0 天显然还不能进行任何买卖，那么就是无效元素。我们可以推出，在时才有效。

同样的道理，我们可以计算出、、、的 base case 分别是、、、，如下图所示（这里放上以方便理解）。

![format_png 7][] DP 数组中的无效元素

如果用条件判断来处理这些无效元素，代码会变得非常复杂。有没有什么更好的方法呢？

答案是给、、、赋特殊值。虽然这些值没有什么实际意义，但不会影响后面有效值的计算，也不会影响最终结果。

既然最终结果要求的是最大利润（max），我们可以给这些无效元素赋一个**比任何可能结果都小的值**：

*  对于、，这个值是。因为这两个状态不持有股票，有效值显然不会低于 0（可以不买也不卖，利润就是 0）。
 *  对于、，这个值是。因为这两个状态要持有股票，买入后会出现暂时的负利润。

加入这些 base case 之后，我们得到完整的代码：

public int maxProfit(int[] prices) {
        if (prices.length == 0) {
            return 0;
        }
    
        int n = prices.length;
        int[] s1 = new int[n+1];
        int[] s2 = new int[n+1];
        int[] s3 = new int[n+1];
        int[] s4 = new int[n+1];
        s1[0] = Integer.MIN_VALUE;
        s2[0] = 0;
        s3[0] = Integer.MIN_VALUE;
        s4[0] = 0;
        for (int k = 1; k <= n; k++) {
            s1[k] = Math.max(s1[k-1], -prices[k-1]);
            s2[k] = Math.max(s2[k-1], s1[k-1] + prices[k-1]);
            s3[k] = Math.max(s3[k-1], s2[k-1] - prices[k-1]);
            s4[k] = Math.max(s4[k-1], s3[k-1] + prices[k-1]);
        }
        return Math.max(0, Math.max(s2[n], s4[n]));
    }

### 空间优化 ###

上面的代码已经比较简洁了，不过它和我们一开始展示的装逼型代码还有一点差距。接下来，我们使用一点空间优化的技巧，让代码更加简洁。

回顾一下上面的 DP 数组依赖图：

![format_png 8][] DP 数组的依赖关系

我们发现，每一列的值都只依赖于上一列的值。这样，我们只需要保存当前一列的值，然后在每一轮迭代中计算下一列的值。

![format_png 9][] 空间优化方案，迭代计算每一列

这样，`s1`、`s2`、`s3`、`s4` 就从一维数组变成了单个变量。

int s1 = Integer.MIN_VALUE;
    int s2 = 0;
    int s3 = Integer.MIN_VALUE;
    int s4 = 0;
    for (int k = 1; k <= n; k++) {
        s4 = Math.max(s4, s3 + prices[k-1]);
        s3 = Math.max(s3, s2 - prices[k-1]);
        s2 = Math.max(s2, s1 + prices[k-1]);
        s1 = Math.max(s1, -prices[k-1]);
    }

上面的代码中大量出现 `prices[k-1]`。我们把 `k-1` 替换成 `k`：

int s1 = Integer.MIN_VALUE;
    int s2 = 0;
    int s3 = Integer.MIN_VALUE;
    int s4 = 0;
    for (int k = 0; k < n; k++) {
        s4 = Math.max(s4, s3 + prices[k]);
        s3 = Math.max(s3, s2 - prices[k]);
        s2 = Math.max(s2, s1 + prices[k]);
        s1 = Math.max(s1, -prices[k]);
    }

然后把 for 循环改成 for-each 循环：

int s1 = Integer.MIN_VALUE;
    int s2 = 0;
    int s3 = Integer.MIN_VALUE;
    int s4 = 0;
    for (int p : prices) {
        s4 = Math.max(s4, s3 + p);
        s3 = Math.max(s3, s2 - p);
        s2 = Math.max(s2, s1 + p);
        s1 = Math.max(s1, -p);
    }

这样，我们就得到了最终的简化版代码：

public int maxProfit(int[] prices) {
        if (prices.length == 0) {
            return 0;
        }
    
        int s1 = Integer.MIN_VALUE;
        int s2 = 0;
        int s3 = Integer.MIN_VALUE;
        int s4 = 0;
        for (int p : prices) {
            s4 = Math.max(s4, s3 + p);
            s3 = Math.max(s3, s2 - p);
            s2 = Math.max(s2, s1 + p);
            s1 = Math.max(s1, -p);
        }
        return Math.max(0, Math.max(s2, s4));
    }

这样一步步看下来，是不是感觉开头那个装逼的代码也没有那么难懂了？

## 总结 ##

本文一步步剖析了股票买卖问题的解题技巧。如果你直接看最终的代码，会觉得「装逼」而放弃这道题。但跟着本文的思路一步步走，会发现这样的代码其实是经过一步步的简化，逐渐变成这个样子的。

LeetCode 讨论区的很多答案喜欢炫耀代码的简洁，比拼行数。但是追求代码的极简并不利于我们掌握问题思路。对于本题而言，其实最值得掌握的是没有经过空间优化的、定义四个一维数组的代码。特别是在面试中，如果你一上来就写出了经过空间优化后的极简代码，面试官可能觉得你是在「背题」，反而对你印象不好。

本文讲述的股票问题的解法有人称之为「状态机 DP」。解法的关键就在于定义多个子问题，然后描述子问题之间的状态转移关系。读完本文的同学，强烈建议把股票买卖问题跟[上一篇文章][Link 1]中的例题联系起来看，会让你对这一类问题有更深的理解。

股票买卖系列的其他问题同样可以用这个解题技巧做出来。后面的文章我会给大家展示如何把「最多完成两笔交易」扩充到「最多完成 k 笔交易」的通用版题目，以及带有交易手续费和冷却期的变种题目的求解方法，敬请期待。

\---

由 五分钟学算法 原班人马打造的公众号：图解面试算法，现已正式上线！
    接下来我们将会在该公众号上，为大家分享优质的算法解题思路，坚持每天一篇原创文章的输出，感兴趣的小伙伴可以关注一下哈！

[format_png]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9vdzZwcnpadVBJRU5iMG01aWF3dXRJZjkwTjJVYjNkY1B1UDJLWEhKdmFSMUZ2MkZuaWNUdU95M0tjSHVJRUpiZDlsVXlPaWJlWHFXOHRFaG9KR0w5OHFPdy82NDA?x-oss-process=image/format,png
[format_png 1]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9ENjdwZWNlaWJlSVFJRGRNaWJiYW9kN3ZFaG4xRTN2UFNBMEE4N3ROamNLT0MyRm54WVFoeVJpYm5GeVJ0RWRPNXFzZ1VXMXZReDlZaWFQeHBTdFZwWEM4ZVEvNjQw?x-oss-process=image/format,png
[format_png 2]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9US0FENGF4RmNpYmljZVU4UTNGSmFyd05LYVV4ZGE5alI0c1Jkcm9pYU5TYnEzVElyaWNnSVpQZ1cyTFNwcGQ0VGljczhNRFgzVnM0MWlhMWtaTmdWNDhta1pFUS82NDA?x-oss-process=image/format,png
[LeetCode _ _ 17]: https://blog.csdn.net/kexuanxiu1163/article/details/106654195
[format_png 3]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9US0FENGF4RmNpYmljZVU4UTNGSmFyd05LYVV4ZGE5alI0R1ZJbkNwSFNQelhqQ0w2clJIalhRRVJZdTZxTDNlWXplNEd3c0E4c1NhYXNnVnNhVkhQckVnLzY0MA?x-oss-process=image/format,png
[format_png 4]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9US0FENGF4RmNpYmljZVU4UTNGSmFyd05LYVV4ZGE5alI0aWJaZFVoN3JoRXJ2MGtpY08xNjc2WnAyM1c0MGI1Y0ZxZDBtdVFNTlM2bUpDN04xWGliZ1MyUjd3LzY0MA?x-oss-process=image/format,png
[format_png 5]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9US0FENGF4RmNpYmljZVU4UTNGSmFyd05LYVV4ZGE5alI0R1NnZTBrSmVpYnYzMzd4aWJ2dGdOVjhhd3NoeExpYzZFYlZBRHR6ek1qYnlHd1JMQ051MkwyaFFBLzY0MA?x-oss-process=image/format,png
[format_png 6]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9US0FENGF4RmNpYmljZVU4UTNGSmFyd05LYVV4ZGE5alI0azB1NEhzUFFNaDA5aWN6c0dFT3JNQWJXSHdxejdLWFBFZkVwelFVa1lsZUhTa2liWWVHODVMM2cvNjQw?x-oss-process=image/format,png
[format_png 7]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9US0FENGF4RmNpYmljZVU4UTNGSmFyd05LYVV4ZGE5alI0TVh4ZWJjQ3l2eEdBYWh2NUhHOUN3cWljZDU5OVFmNVB1R21GYlVsU25PWXRpYzJUZVRNaWJHTzJRLzY0MA?x-oss-process=image/format,png
[format_png 8]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9US0FENGF4RmNpYmljZVU4UTNGSmFyd05LYVV4ZGE5alI0RWQ1SGJTZ0FzamhKaWNnZ2ptaFRDUkVDRUNQbmxQcTRjUDl5VWV2S3cxeUdPQnhXVkliM2VDQS82NDA?x-oss-process=image/format,png
[format_png 9]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2dpZi9US0FENGF4RmNpYmljZVU4UTNGSmFyd05LYVV4ZGE5alI0RkVjNkhqazN2SmtzQ0tDVnhqdXNTVVpGUzhSZE02N2ljZEJxZGJjVXBFZW1RYndOcUdPRU5FZy82NDA?x-oss-process=image/format,png
[Link 1]: https://mp.weixin.qq.com/s?__biz=MzA5ODk3ODA4OQ%3D%3D&chksm=88aa23bcbfddaaaa6a239757ebe68b54f31d17fabb2eb061e55ee00b52aec9ea08b5980ca492&idx=1&lang=zh_CN&mid=2648167418&scene=21&sn=83620b2bb1d53fddf0c1a91ed481c7a4&token=1297748297#wechat_redirect