labuladong刷题之 股票问题大集合

今日收获，学习时长：

总结 Leetcode全部股票交易系列问题：

以第188题为模版：给你一个整数数组的股价和k，要求最多k次交易以内，买k次，卖k次 来获得最大利润

121题：只进行1次交易 k=1；122是不限交易次数，相当于 k = +infinity（正无穷）；

123题只进行 2 次交易，相当于 k = 2；309和714题也是不限次数，但是加了交易「冷冻期」和「手续费」的额外条件，其实就是第二题的变种，都很容易处理。

具体的动态规划推导过程：

步骤1 如何穷举

动态规划算法本质上就是穷举「状态」，然后在「选择」中选择最优解。

for 状态1 in 状态1的所有取值：
    for 状态2 in 状态2的所有取值：
        for ...
            dp[状态1][状态2][...] = 择优(选择1，选择2...)

如说这个问题，每天都有三种「选择」：买入、卖出、无操作，我们用 buy, sell, rest 表示这三种选择。那么 rest 操作还应该分两种状态，一种是 buy 之后的 rest（持有了股票），一种是 sell 之后的 rest（没有持有股票）。

这个问题的「状态」有三个，第一个是天数，第二个是允许交易的最大次数，第三个是当前的持有状态（即之前说的 rest 的状态，我们不妨用 1 表示持有，0 表示没有持有）。

dp[i][k][0 or 1]
0 <= i <= n - 1, 1 <= k <= K
n 为天数，大 K 为交易数的上限，0 和 1 代表是否持有股票。
此问题共 n × K × 2 种状态，全部穷举就能搞定。

for 0 <= i < n:
    for 1 <= k <= K:
        for s in {0, 1}:
            dp[i][k][s] = max(buy, sell, rest)

步骤2状态转移框架

你可以这样理解整个转移过程：

“我今天的状态，要么是从昨天保持下来的，要么是因为今天买/卖而产生变化的。”

所以这两行转移方程的意义其实就是：

• 不持股：要么休息，要么卖出；

• 持股：要么休息，要么买入。

步骤3 base case,完善状态转移方程

dp[-1][...][0] = 0
解释：因为 i 是从 0 开始的，所以 i = -1 意味着还没有开始，这时候的利润当然是 0。

dp[-1][...][1] = -infinity
解释：还没开始的时候，是不可能持有股票的。
因为我们的算法要求一个最大值，所以初始值设为一个最小值，方便取最大值。

dp[...][0][0] = 0
解释：因为 k 是从 1 开始的，所以 k = 0 意味着根本不允许交易，这时候利润当然是 0。

dp[...][0][1] = -infinity
解释：不允许交易的情况下，是不可能持有股票的。
因为我们的算法要求一个最大值，所以初始值设为一个最小值，方便取最大值。

你只需要记住下面这个现实逻辑：

再配合下面这句话：

“不能发生的状态 → 设为 -∞；
什么都没发生的状态 → 设为 0。”

思考过程中哪些要注意的点：

1 为什么只有买入的地方k才会变化

dp[i][k][0] → 第 i 天，不持股，最多可进行 k 次交易的最大利润 dp[i][k][1] → 第 i 天，持股，最多可进行 k 次交易的最大利润

这里的 “k” 表示：

到今天为止，你最多还能进行几次完整的「买+卖」交易。

也就是说，k 不是「已经用掉几次」，而是「还剩几次可以用」。

🎯 核心逻辑区分：「买」才消耗交易次数

2 数学定义中的base case和现实实现中的base case-如何修改？

✅ 这段代码是在定义“第 0 天”的状态，
但它的数值是根据“第 -1 天的理论 base case”推导出来的。

也就是说：

• i = -1 是理论上的起点（数学边界），

• i = 0 是程序中的第一个可计算状态，

• 这段代码就是把理论上的 dp[-1] 的含义，在程序中具体实现出来。

（一句话逻辑总结（你只要记住这个！）

当 i == 0 时，别套公式，直接想现实：

• 第一天不买 → 利润 0

• 第一天买入 → 利润 = -prices[0]）

想象你有一个公式可以算「昨天的利润」：今天利润 = max(昨天利润, 昨天持股 + 今天卖出)

但如果“昨天”是第 0 天之前（即第 -1 天），那你根本没进入市场。

所以你不能直接“用昨天的值”，而必须手动告诉程序：

“第 0 天开始前，我的利润是 0，我没有股票。”

所以第 0 天的 base case 不是修改原有逻辑，
而是对「dp[-1][...] 的理论定义」进行实际展开计算的结果。

3 “如果昨天不持股、还剩 k−1 次机会，今天买入又消耗一次，那不是应该变成 k−2 吗？为什么变成 k 呢？”

🔹 k 表示「最多可完成的交易次数」——不是“还剩多少次”。
🔹 dp[i-1][k-1][0] 表示「前 i−1 天最多完成 k−1 次交易且不持股」；
🔹 今天买入，开始第 k 次交易，所以转移到 dp[i][k][1]。

因此：dp[i][k][1] = max(dp[i-1][k][1], dp[i-1][k-1][0] - prices[i]);

举例：昨天是1次 今天第二次

“前面最多完成 1 次交易、现在不持股”的状态
转移到
“现在开始第 2 次交易、持股”的状态。

后续套公式使用该套路的时候的总结：

状态转移方程总结

base case：
dp[-1][...][0] = dp[...][0][0] = 0
dp[-1][...][1] = dp[...][0][1] = -infinity

状态转移方程：
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])

没错！整个股票系列题的“灵魂”状态转移方程几乎不变，只是 base case 和约束条件（k、fee、冷冻期等）不同。

我来一步步带你建立这种“模块化思维”，
让你以后看到任何股票题都能一眼写出框架，而不用背公式。

变化的部分：

base case 模板（通用逻辑）

✅ 你不需要死记，只要理解「不可能 → -∞」、「没操作 → 0」这两个原则。

具体操作练习的部分：

1 121 和122题的区别：

121：买入方程写死为 -prices[i] → 只能买一次。
122：买入方程依赖 dp[i-1][0] → 可以卖完再买。

➜ 虽然都省略了 k，但是否能“复用 dp[i-1][0]”
就决定了交易次数的逻辑不同。

🧩 在框架中：
k 控制交易上限，是 DP 的“第三维”；

🧠 在实现中：

• 如果 k 对状态有影响 → 保留；

• 如果 k 是固定（1 或 ∞）→ 去掉，不影响结果。

想象「k」是你拥有的「买卖许可卡」：

• 121 题： 你只有 1 张 → 写死；

• 122 题： 你有无限张 → 根本不用考虑；

• 123/188 题： 你有有限几张 → 每次买入都要减一张；

• 309/714 题： 你有无限张，但有别的限制（冷冻期、手续费）。

2 122题和309区别：

- 增加了base case i=2的情况：

前两天是“系统刚启动”的两天，市场里还没有卖出产生冷冻期，
所以要手动定义最初两天的状态，让之后的“冷冻期规则”有现实基础。

想象你是一个新交易者：

• 第 0 天：开账户，看市场，你可以选择“先买”。

• 第 1 天：你可能卖出第一次股票，但市场的“冷冻系统”还没激活（因为刚卖完还没轮到冷冻）。

• 第 2 天：系统才会真正检测冷冻（“昨天卖过，今天不能买”）。系统自动判断「昨天是否卖出 → 今天能否买」。

因此：初始化第 0、1 天 = 手动建立交易记录和利润计算的初始条件，让“冷冻机制”从第 2 天起能自动生效。如果不算前两天，就像一个新系统“忘记了账户历史”，无法判断今天的买卖是否合法。

-买入改成dp[i-2]：因为间隔了一天才买入 相比较昨天状态买入需修改为前天状态买入

3 第714题

和122题很像 都是k为正无穷 只是在这个基础上加上了每次交易要付手续费

每次交易要支付手续费，只要把手续费从利润中减去即可，改写买入方程即可

4 第123题 最多交易2次 规定了k=2的情况  所以k的情况递减

还记得前面总结的「穷举框架」吗？就是说我们必须穷举所有状态。其实我们之前的解法，都在穷举所有状态，只是之前的题目中 k 都被化简掉了。这里需要穷举k的所有状态和情况：

那为什么我使用 k = max_k, k-- 的方式呢？因为这样符合语义：

你买股票，初始的「状态」是什么？应该是从第 0 天开始，而且还没有进行过买卖，所以最大交易次数限制 k 应该是 max_k；而随着「状态」的推移，你会进行交易，那么交易次数上限 k 应该不断减少，这样一想，k = max_k, k-- 的方式是比较合乎实际场景的。

5 188题 最多k次交易

你一共 n 天，可以发生几次交易？

思考一下：

• 如果你有 n 天的价格序列 [p₀, p₁, p₂, ..., pₙ₋₁]

• 每次交易至少要花 2 天（一天买，一天卖）

➡️ 所以在 n 天内，最多能完成的交易次数是：

⌊ n / 2 ⌋

当 k ≥ n/2 时，
交易次数不再是瓶颈 → 相当于「无限次交易」，
直接使用 122 题的 O(n) 解法即可。

• base case 写法与 123 题相同；

• 唯一不同在于 k 可变，需循环 k；

• 并要加上 if (k >= n/2) 优化分支；

• 最终答案仍为 dp[n-1][k][0]（最后一天不持股的最大利润）。

总结：

关键就在于列举出所有可能的「状态」，然后想想怎么穷举更新这些「状态」。一般用一个多维 dp 数组储存这些状态，从 base case 开始向后推进，推进到最后的状态，就是我们想要的答案。想想这个过程，你是不是有点理解「动态规划」这个名词的意义了呢？

具体到股票买卖问题，我们发现了三个状态，使用了一个三维数组，无非还是穷举 + 更新，不过我们可以说的高大上一点，这叫「三维 DP」，听起来是不是很厉害？