C#按时间顺序查找股票低点到高点价差的技术方法问询

你的需求本质是在时间序列中，找到每个后续存在更高价格的低点与对应高点的价差（delta），核心是替代O(n²)的暴力循环，以下是两种成熟的高效解法：

方法一：单调栈（Monotonic Stack）—— 匹配首个后续高点 #

单调栈是处理这类“前后极值匹配”问题的标准高效方案，时间复杂度为O(n)，每个数据点仅入栈和出栈一次。

思路 #

维护一个单调递减栈，存储价格及其索引。遍历每个价格时：

1. 如果当前价格大于栈顶价格，说明栈顶的低点找到了后续的首个高点，计算两者的delta并记录。
2. 弹出栈顶后继续比较，直到栈为空或当前价格不大于栈顶价格。
3. 将当前价格和索引压入栈中，作为新的低点候选。

代码示例（基于Pandas） #

import pandas as pd

# 模拟股票数据（实际替换为你的数据集）
df = pd.DataFrame({
    'datetime': pd.date_range(start='2024-01-01', periods=10, freq='D'),
    'price': [100, 95, 97, 102, 105, 103, 98, 101, 106, 104]
})

stack = []
delta_results = []

for idx, row in df.iterrows():
    current_price = row['price']
    # 匹配所有当前价格高于的栈内低点
    while stack and current_price > stack[-1][0]:
        low_price, low_idx = stack.pop()
        delta_results.append({
            'low_datetime': df.loc[low_idx, 'datetime'],
            'low_price': low_price,
            'high_datetime': row['datetime'],
            'high_price': current_price,
            'delta': current_price - low_price
        })
    stack.append((current_price, idx))

# 转换为结构化结果
delta_df = pd.DataFrame(delta_results)
print(delta_df)

方法二：反向累积最大值—— 匹配后续最高高点 #

如果你的需求是找到每个低点到后续所有高点中的最大值的价差，可以用反向遍历累积最大值的方式，同样是O(n)时间复杂度。

代码示例 #

# 计算每个位置之后的最高价格
df['future_max_price'] = df['price'][::-1].cummax()[::-1]
# 仅保留后续存在更高价格的记录并计算delta
df['delta'] = df['future_max_price'] - df['price']
df = df[df['delta'] > 0]

# 输出结果
print(df[['datetime', 'price', 'future_max_price', 'delta']])

类库辅助方案 #

如果需要先识别结构化的高低点（如周期内的摆动高低点），可以使用TA-Lib技术分析库辅助，但核心的价差匹配仍需结合上述算法：

import talib

# 识别5周期内的摆动低点和高点
df['swing_low'] = talib.SWINGLOW(df['price'], timeperiod=5)
df['swing_high'] = talib.SWINGHIGH(df['price'], timeperiod=5)

# 对识别出的摆动高低点，用单调栈或双指针法匹配后续高点

以上方案均避免了嵌套循环的低效问题，能轻松处理大规模股票数据。

内容的提问来源于stack exchange，提问作者Masoric