1. 状态机模型在股票交易中的核心价值
股票交易本质上是一个多阶段决策问题。我们需要在每一天决定买入、卖出或持有股票，而当前决策会直接影响后续的操作空间。状态机模型恰好能完美刻画这种"有限状态下的状态转移"特性。
传统动态规划解决股票交易问题时，通常定义dp[i][k][0/1]表示第i天、最多进行k次交易、当前持有(1)或不持有(0)股票时的最大利润。这种定义虽然正确，但状态转移关系不够直观。而状态机模型通过显式定义不同状态间的转移路径，让整个决策过程变得可视化。
以经典的"买卖股票的最佳时机"问题为例，我们可以定义三个核心状态：
- 未持有状态（可买入或休息）
- 持有状态（可卖出或持有）
- 冷却状态（卖出后的强制冷却期）
每个状态之间的转移都对应着具体的操作行为，并伴随着相应的利润变化。这种建模方式比传统的二维DP更符合人类对交易过程的直觉理解。
2. 状态机模型的基本构建方法
2.1 状态定义与转移规则
构建股票交易状态机需要明确三个要素：
状态集合：根据交易规则确定所有可能的状态。例如在包含冷却期的交易问题中，通常需要：
- S0：初始状态/未持有股票
- S1：持有股票
- S2：卖出后的冷却期
转移条件：定义状态间的合法转移路径及触发条件：
S0 -(买入)-> S1 S0 -(休息)-> S0 S1 -(卖出)-> S2 S1 -(持有)-> S1 S2 -(冷却结束)-> S0收益计算：每个转移伴随的收益变化：
- 买入：利润 -= 股票价格
- 卖出：利润 += 股票价格
- 其他操作：利润不变
2.2 状态转移方程的数学表达
用dp[i][s]表示第i天处于状态s时的最大利润，状态转移方程可以表示为：
# 初始化 dp[0][0] = 0 # 第0天未持有，利润为0 dp[0][1] = -prices[0] # 第0天买入，利润为-price[0] dp[0][2] = -inf # 第0天不可能处于冷却期 # 状态转移 for i in range(1, n): # S0: 保持休息或从冷却期转来 dp[i][0] = max(dp[i-1][0], dp[i-1][2]) # S1: 保持持有或从S0买入 dp[i][1] = max(dp[i-1][1], dp[i-1][0] - prices[i]) # S2: 只能从S1卖出转移来 dp[i][2] = dp[i-1][1] + prices[i]这种表达方式比传统的二维DP更清晰地展现了各状态间的逻辑关系。
3. 典型股票交易问题的状态机解法
3.1 单次交易问题（LeetCode 121）
这是最简单的股票交易问题，只需要记录两个状态：
- 未持有：可以买入或休息
- 持有：可以卖出或继续持有
状态转移图简化为：
S0 -(买入)-> S1 S0 -(休息)-> S0 S1 -(卖出)-> 交易结束 S1 -(持有)-> S1对应的Python实现：
def maxProfit(prices): n = len(prices) dp = [[0]*2 for _ in range(n)] dp[0][0] = 0 dp[0][1] = -prices[0] for i in range(1, n): dp[i][0] = max(dp[i-1][0], dp[i-1][1] + prices[i]) dp[i][1] = max(dp[i-1][1], -prices[i]) # 只能买入一次 return dp[-1][0]关键点：在S1状态转移时，只能从初始状态买入一次，这确保了单次交易的限制。
3.2 无限次交易问题（LeetCode 122）
允许无限次买卖，状态机模型与单次交易相同，但转移规则略有不同：
for i in range(1, n): 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]) # 可以多次买入3.3 含冷却期的交易（LeetCode 309）
这是展示状态机优势的典型问题，需要三个状态：
- S0：未持有（可买入）
- S1：持有（可卖出）
- S2：冷却期
状态转移图：
S0 -(买入)-> S1 S0 -(休息)-> S0 S1 -(卖出)-> S2 S1 -(持有)-> S1 S2 -(冷却)-> S0Python实现：
def maxProfit(prices): n = len(prices) dp = [[0]*3 for _ in range(n)] dp[0][0] = 0 dp[0][1] = -prices[0] dp[0][2] = -float('inf') for i in range(1, n): dp[i][0] = max(dp[i-1][0], dp[i-1][2]) dp[i][1] = max(dp[i-1][1], dp[i-1][0] - prices[i]) dp[i][2] = dp[i-1][1] + prices[i] return max(dp[-1][0], dp[-1][2])4. 状态机模型的优化技巧
4.1 空间复杂度优化
观察状态转移方程可以发现，第i天的状态只依赖于第i-1天的状态，因此可以将二维DP优化为O(1)空间：
def maxProfit(prices): s0, s1, s2 = 0, -prices[0], -float('inf') for price in prices[1:]: new_s0 = max(s0, s2) new_s1 = max(s1, s0 - price) new_s2 = s1 + price s0, s1, s2 = new_s0, new_s1, new_s2 return max(s0, s2)4.2 交易费用的处理
对于每笔交易收取固定费用fee的情况（LeetCode 714），只需在卖出时扣除费用：
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])4.3 交易次数限制的处理
对于最多完成k次交易的问题（LeetCode 188），需要将交易次数纳入状态定义：
dp = [[[0]*2 for _ in range(k+1)] for _ in range(n)] # dp[i][j][0]：第i天，已完成j次交易，未持有 # dp[i][j][1]：第i天，正在进行第j次交易，持有 for i in range(1, n): for j in range(1, k+1): dp[i][j][0] = max(dp[i-1][j][0], dp[i-1][j-1][1] + prices[i]) dp[i][j][1] = max(dp[i-1][j][1], dp[i-1][j][0] - prices[i])5. 状态机模型的调试技巧
5.1 状态转移可视化
在调试复杂的状态机问题时，可以打印每天的状态值表格：
def print_dp_table(dp): print("Day\tS0\tS1\tS2") for i in range(len(dp)): print(f"{i}\t{dp[i][0]:.1f}\t{dp[i][1]:.1f}\t{dp[i][2]:.1f}")5.2 边界条件检查
常见边界问题包括：
- 第0天的初始化是否正确
- 状态转移是否越界（如k次交易问题中j的范围）
- 最终结果是否考虑了所有可能结束状态
5.3 实际案例分析
以prices = [1,2,3,0,2]为例，含冷却期的状态转移过程：
| Day | Price | S0 | S1 | S2 |
|---|---|---|---|---|
| 0 | 1 | 0 | -1 | -∞ |
| 1 | 2 | 0 | -1 | 1 |
| 2 | 3 | 1 | -1 | 2 |
| 3 | 0 | 2 | 1 | -1 |
| 4 | 2 | 2 | 1 | 3 |
最终最大利润为max(S0=2, S2=3)=3
6. 状态机模型的扩展应用
6.1 多股票组合问题
当涉及多只股票时，状态机可以扩展维度。例如两只股票A和B，状态包含：
- 持有A
- 持有B
- 持有A和B
- 未持有
6.2 带约束条件的交易策略
如限制持仓数量、禁止连续买入等特殊规则，可以通过增加状态或转移限制来实现。
6.3 与其他DP模型的结合
状态机模型可以与背包问题、序列DP等结合，解决更复杂的金融决策问题。例如在投资组合优化中，状态可以表示不同资产配置比例。
在实际交易系统开发中，我经常使用状态机模型来处理复杂的交易规则。一个实用的建议是：先用纸笔画出状态转移图，确保所有可能的路径都被考虑，然后再转化为代码。这比直接编码后再调试要高效得多。对于性能关键的系统，可以使用滚动数组优化空间，同时注意避免因过度优化而降低代码可读性。
