首页 > 其他分享 >买卖股票的最佳时机

买卖股票的最佳时机

时间:2023-12-15 16:47:31浏览次数:35  
标签:买卖 示例 int 股票 最佳时机 max prices 股票价格 dp

一、121. 买卖股票的最佳时机

给定一个数组 prices ,它的第 i 个元素 prices[i] 表示一支给定股票第 i 天的价格。

你只能选择 某一天 买入这只股票,并选择在 未来的某一个不同的日子 卖出该股票。设计一个算法来计算你所能获取的最大利润。

返回你可以从这笔交易中获取的最大利润。如果你不能获取任何利润,返回 0 。

示例 1:
输入:[7,1,5,3,6,4]
输出:5
解释:在第 2 天(股票价格 = 1)的时候买入,在第 5 天(股票价格 = 6)的时候卖出,最大利润 = 6-1 = 5 。
注意利润不能是 7-1 = 6, 因为卖出价格需要大于买入价格;同时,你不能在买入前卖出股票。

示例 2:
输入:prices = [7,6,4,3,1]
输出:0
解释:在这种情况下, 没有交易完成, 所以最大利润为 0。

思路:只能买一次,从前往后依次找到当前的最低价,然后用当前价格减去之前遇到的最低价,所得的最大值就是最大利润。

class Solution {
public:
	int maxProfit(vector<int>& prices) {
		int zuidiprice = prices[0], maxLirun = 0, len = prices.size();
		for (int i = 1; i < len; ++i) {
			maxLirun = std::max(maxLirun, prices[i] - zuidiprice);
			zuidiprice = std::min(prices[i], zuidiprice);
		}
		return maxLirun;
	}
};

二、122. 买卖股票的最佳时机 II

给你一个整数数组 prices ,其中 prices[i] 表示某支股票第 i 天的价格。

在每一天,你可以决定是否购买和/或出售股票。你在任何时候 最多 只能持有 一股 股票。你也可以先购买,然后在 同一天 出售。

返回 你能获得的 最大 利润 。

示例 1:
输入:prices = [7,1,5,3,6,4]
输出:7
解释:在第 2 天(股票价格 = 1)的时候买入,在第 3 天(股票价格 = 5)的时候卖出, 这笔交易所能获得利润 = 5 - 1 = 4 。
随后,在第 4 天(股票价格 = 3)的时候买入,在第 5 天(股票价格 = 6)的时候卖出, 这笔交易所能获得利润 = 6 - 3 = 3 。
总利润为 4 + 3 = 7 。

示例 2:
输入:prices = [1,2,3,4,5]
输出:4
解释:在第 1 天(股票价格 = 1)的时候买入,在第 5 天 (股票价格 = 5)的时候卖出, 这笔交易所能获得利润 = 5 - 1 = 4 。
总利润为 4 。

示例 3:
输入:prices = [7,6,4,3,1]
输出:0
解释:在这种情况下, 交易无法获得正利润,所以不参与交易可以获得最大利润,最大利润为 0 。

思路:可以买卖无限次,每天都有两种状态,要么是今天手里有股票,要么是今天手里没有股票。今天手里有股票来自于昨天就有或者昨天没有今天买的,今天手里没有股票来自于昨天就没有或者昨天有今天卖的。

class Solution {
public:
	int maxProfit(vector<int>& prices) {
		int yesterdayhave = -prices[0], yesterdaydayno = 0;
		for (int i = 1; i < prices.size(); ++i) {
			int jintianhave = std::max(yesterdayhave, yesterdaydayno - prices[i]);
			int jintianno = std::max(yesterdaydayno, yesterdayhave + prices[i]);
			yesterdayhave = jintianhave;
			yesterdaydayno = jintianno;
		}
		return yesterdaydayno;
	}
};

三、123. 买卖股票的最佳时机 III

给定一个数组,它的第 i 个元素是一支给定的股票在第 i 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 1:
输入:prices = [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 。

示例 2:
输入:prices = [1,2,3,4,5]
输出:4
解释:在第 1 天(股票价格 = 1)的时候买入,在第 5 天 (股票价格 = 5)的时候卖出, 这笔交易所能获得利润 = 5-1 = 4 。
注意你不能在第 1 天和第 2 天接连购买股票,之后再将它们卖出。
因为这样属于同时参与了多笔交易,你必须在再次购买前出售掉之前的股票。

示例 3:
输入:prices = [7,6,4,3,1]
输出:0
解释:在这个情况下, 没有交易完成, 所以最大利润为 0。

示例 4:
输入:prices = [1]
输出:0

思路:每天有五种状态,分别是今天是买了一次,卖了一次,买了两次,卖了两次,还有一种状态是一次都没买过这种状态的利润是0,所以不用计算。

买了一次,就取当前买的最低价。
卖了一次,取卖了一次的最高利润和今天卖出的最大值。
买了两次,取买了两次的最大值和今天买入的最大值。
卖了两次,取卖了两次的最大值和今天卖出的最大值。

class Solution {
public:
	int maxProfit(vector<int>& prices) {
		int len = prices.size();
		int buy1 = -prices[0], sell1 = 0, buy2 = -prices[0], sell2 = 0;
		for (int i = 1; i < len; ++i)
		{
			buy2 = max(buy2, sell1 - prices[i]);
			sell2 = max(sell2, buy2 + prices[i]);
			sell1 = max(sell1, buy1 + prices[i]);
			buy1 = max(buy1, -prices[i]);
		}
		return sell2;
	}
};

四、188. 买卖股票的最佳时机 IV

给你一个整数数组 prices 和一个整数 k ,其中 prices[i] 是某支给定的股票在第 i 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 k 笔交易。也就是说,你最多可以买 k 次,卖 k 次。

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 1:
输入:k = 2, prices = [2,4,1]
输出:2
解释:在第 1 天 (股票价格 = 2) 的时候买入,在第 2 天 (股票价格 = 4) 的时候卖出,这笔交易所能获得利润 = 4-2 = 2 。

示例 2:
输入:k = 2, prices = [3,2,6,5,0,3]
输出:7
解释:在第 2 天 (股票价格 = 2) 的时候买入,在第 3 天 (股票价格 = 6) 的时候卖出, 这笔交易所能获得利润 = 6-2 = 4 。
随后,在第 5 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 。

思路:有了上一题最多买卖两次的思路,就知道买N次等于已经买N次和卖了N-1次今天再买的最大值。卖N次等于当前就卖了N次和买了N次今天卖了的最大值。

class Solution {
public:
	int maxProfit(int k, vector<int>& prices) {
		if (k <= 0 || prices.size() < 2) return 0;
		vector<vector<int>> dp(k, vector<int>(2));
		for (int i = 0; i < k; ++i)
			dp[i][0] = -prices[0];
		int len = prices.size();
		for (int i = 1; i < len; ++i) {
			for (int j = 1; j < k; ++j) {
				dp[j][1] = max(dp[j][1], dp[j][0] + prices[i]);
				dp[j][0] = max(dp[j][0], dp[j - 1][1] - prices[i]);
			}
			dp[0][1] = max(dp[0][1], dp[0][0] + prices[i]);
			dp[0][0] = max(dp[0][0], -prices[i]);
		}
		return dp[k - 1][1];
	}
};

五、714. 买卖股票的最佳时机含手续费

给定一个整数数组 prices,其中 prices[i]表示第 i 天的股票价格 ;整数 fee 代表了交易股票的手续费用。

你可以无限次地完成交易,但是你每笔交易都需要付手续费。如果你已经购买了一个股票,在卖出它之前你就不能再继续购买股票了。

返回获得利润的最大值。

注意:这里的一笔交易指买入持有并卖出股票的整个过程,每笔交易你只需要为支付一次手续费。

示例 1:
输入:prices = [1, 3, 2, 8, 4, 9], fee = 2
输出:8
解释:能够达到的最大利润:
在此处买入 prices[0] = 1
在此处卖出 prices[3] = 8
在此处买入 prices[4] = 4
在此处卖出 prices[5] = 9
总利润: ((8 - 1) - 2) + ((9 - 4) - 2) = 8

示例 2:
输入:prices = [1,3,7,5,10,3], fee = 3
输出:6

思路:可以买卖无限次,每天都有两种状态,要么是今天手里有股票,要么是今天手里没有股票。今天手里有股票来自于昨天就有或者昨天没有今天买的,今天手里没有股票来自于昨天就没有或者昨天有今天卖的。卖的计算时把手续费减去即可。

class Solution {
public:
	int maxProfit(vector<int>& prices, int fee) {
		int yesterdayhave = -prices[0], yesterdaydayno = 0;
		for (int i = 1; i < prices.size(); ++i) {
			int jintianhave = std::max(yesterdayhave, yesterdaydayno - prices[i]);
			int jintianno = std::max(yesterdaydayno, yesterdayhave + prices[i] - fee);
			yesterdayhave = jintianhave;
			yesterdaydayno = jintianno;
		}
		return yesterdaydayno;
	}
};

六、309. 买卖股票的最佳时机含冷冻期

给定一个整数数组prices,其中第 prices[i] 表示第 i 天的股票价格 。​

设计一个算法计算出最大利润。在满足以下约束条件下,你可以尽可能地完成更多的交易(多次买卖一支股票):

卖出股票后,你无法在第二天买入股票 (即冷冻期为 1 天)。
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 1:
输入: prices = [1,2,3,0,2]
输出: 3
解释: 对应的交易状态为: [买入, 卖出, 冷冻期, 买入, 卖出]

示例 2:
输入: prices = [1]
输出: 0

思路:每一天都依赖前天和昨天的状态。今天没有:昨天就没有,或者昨天有今天卖了。今天有:昨天就有,前天没有今天买了。

class Solution {
public:
	int maxProfit(vector<int>& prices) {
		if (prices.size() <= 1) return 0;
		if (prices.size() == 2) if (prices[0] < prices[1]) return prices[1] - prices[0]; else return 0;
		vector<int> dp_qiantian(2), dp_zuotian(2), dp_jintian(2);
		dp_qiantian[1] = -prices[0];//初始化第一天有
		dp_zuotian[0] = std::max(prices[1] - prices[0], 0);//初始化第二天没有
		dp_zuotian[1] = std::max(-prices[0] , -prices[1]);//初始化第二天有
		for (int i = 2; i < prices.size(); ++i) {
			//今天没有:昨天就没有,或者昨天有今天卖了
			dp_jintian[0] = std::max(dp_zuotian[0], dp_zuotian[1] + prices[i]);
			//今天有:昨天就有,前天没有今天买了
			dp_jintian[1] = std::max(dp_zuotian[1], dp_qiantian[0] - prices[i]);
			dp_qiantian = dp_zuotian;
			dp_zuotian = dp_jintian;
		}
		return dp_jintian[0];
	}
};

标签:买卖,示例,int,股票,最佳时机,max,prices,股票价格,dp
From: https://www.cnblogs.com/zhonglimo/p/17903647.html

相关文章

  • 如何使用java生成 Excel 股票图?
    要使用Java生成Excel股票图,可以使用POI库来操作Excel文件,使用JFreeChart库来生成股票图。首先,确保已经添加了以下依赖库:ApachePOIJFreeChartJCommon下面是一个简单的示例代码,用于生成一个包含股票图的Excel文件:importorg.apache.poi.ss.usermodel.*;importorg.apache.poi.xssf.......
  • Python 通过 akshare 轻松绘制股票中国平安K线图
    想通过Python和akshare绘制K线图,网上找了很多代码,放在Pycharm中都是无法正常运行绘制的,于是自己整理了下并调试成功。环境:python3.9(miniconda3)、Pycharm、Win10需要用的模块或者工具库:akshare(1.11.91)、pandas(2.1.1)、numpy(1.26.2)、matplotlib(3.8.2)、mplfinanc......
  • R语言逻辑回归logistic对ST股票风险建模分类分析混淆矩阵、ROC曲线可视化
    全文链接:https://tecdat.cn/?p=34506原文出处:拓端数据部落公众号信用风险建模是金融领域的重要课题,通过建立合理的信用风险模型,可以帮助金融机构更好地评估借款人的信用状况,从而有效降低信贷风险。本文使用了R语言中的逻辑回归(logistic)模型,利用国泰安数据库中的103个上市公司......
  • 股票软件具有AI智能学习报警阈值功能
    一.报警阈值自动学习功能软件中有很多的报警阈值参数需要去设置,增长速度的报警阈值。例如大单交易量的报警阈值、分时量比的报警阈值。阈值设置为多少才是合适呢?以前都是人们根据经验去设置,很难设置准确,而且没有办法根据最新的数据实时的调整阈值大小。所以这次开发了报警阈值参......
  • 使用Python代码识别股票价格图表模式
    在股票市场交易的动态环境中,技术和金融的融合催生了分析市场趋势和预测未来价格走势的先进方法。本文将使用Python进行股票模式识别。fromcollectionsimportdefaultdictimportnumpyasnpimportpandasaspdimportmatplotlib.pyplotaspltfromscipy.signalim......
  • 信息学奥赛一本通【1302】股票买卖
    信息学奥赛一本通13021302:股票买卖时间限制:1000ms内存限制:65536KB 【题目描述】最近越来越多的人都投身股市,阿福也有点心动了。谨记着“股市有风险,入市需谨慎”,阿福决定先来研究一下简化版的股票买卖问题。假设阿福已经准确预测出了某只股票在未来N天的价格,他希望买......
  • LeetCode-Java:121. 买卖股票的最佳时机
    题目给定一个数组prices,它的第i个元素prices[i]表示一支给定股票第i天的价格。你只能选择某一天买入这只股票,并选择在未来的某一个不同的日子卖出该股票。设计一个算法来计算你所能获取的最大利润。返回你可以从这笔交易中获取的最大利润。如果你不能获取任何利润,......
  • LeetCode-Java:122. 买卖股票的最佳时机Ⅱ
    题目给你一个整数数组prices,其中prices[i]表示某支股票第i天的价格。在每一天,你可以决定是否购买和/或出售股票。你在任何时候最多只能持有一股股票。你也可以先购买,然后在同一天出售。返回你能获得的最大利润。示例1:输入:prices=[7,1,5,3,6,4]输出:7解释......
  • 代码随性训练营第五十一天(Python)| 309.最佳买卖股票时机含冷冻期、714.买卖股票的最佳
    309.最佳买卖股票时机含冷冻期classSolution:defmaxProfit(self,prices:List[int])->int:#dp[i][0]持有股票#dp[i][1]卖出股票那一天#dp[i][2]冷冻期#dp[i][3]保持卖出股票的状态dp=[[0]*4for_inrange(......
  • 基于LSTM的股票价格预测模型【附源码】
    导语本文介绍了LSTM的相关内容和在股票价格预测上的应用。LSTM的股票价格预测LSTM(LongShortTermMemory)是一种特殊的RNN类型,同其他的RNNs相比可以更加方便地学习长期依赖关系,因此有很多人试图将其应用于时间序列的预测问题上。汇丰银行全球资产管理开发副总裁JakobAun......