经典sql题(三)查找股票价格波峰波谷

了解价格的波动情况对市场决策至关重要,本文通过 SQL 查询,演示如何从一个价格数据表中提取价格波动信息,识别出波峰和波谷。我们假设有一个名为 test 的表,包含每个时间点的价格数据。

示例数据

假设我们的 test 表有以下数据:

id ds price
1 2023-10-01 08:00:00 100
1 2023-10-01 09:00:00 110
1 2023-10-02 10:00:00 105
1 2023-10-03 11:00:00 115
2 2023-10-01 10:00:00 200
2 2023-10-02 12:00:00 190
2 2023-10-03 14:00:00 195
2 2023-10-04 15:00:00 210
3 2023-10-01 16:00:00 300

查询步骤

第一步:计算前后价格

我们将使用窗口函数 LAGLEAD 来获取每个价格点的前后价格。

sql 复制代码
SELECT 
    id,
    ds,
    price,
    LAG(price, 1) OVER (PARTITION BY id ORDER BY ds) AS lag_price,
    LEAD(price, 1) OVER (PARTITION BY id ORDER BY ds) AS lead_price
FROM 
    test;

结果(中间表):

id ds price lag_price lead_price
1 2023-10-01 08:00:00 100 NULL 110
1 2023-10-01 09:00:00 110 100 105
1 2023-10-02 10:00:00 105 110 115
1 2023-10-03 11:00:00 115 105 NULL
2 2023-10-01 10:00:00 200 NULL 190
2 2023-10-02 12:00:00 190 200 195
2 2023-10-03 14:00:00 195 190 210
2 2023-10-04 15:00:00 210 195 NULL
3 2023-10-01 16:00:00 300 NULL NULL
第二步:识别波峰与波谷

在获取前后价格的基础上,我们接着使用 CASE 语句来标记波峰和波谷。

sql 复制代码
SELECT 
    id,
    ds,
    price,
    CASE 
        WHEN price > lag_price AND price > lead_price THEN '波峰'
        WHEN price < lag_price AND price < lead_price THEN '波谷'
        ELSE '无'
    END AS price_type
FROM (
    SELECT 
        id,
        ds,
        price,
        LAG(price, 1) OVER (PARTITION BY id ORDER BY ds) AS lag_price,
        LEAD(price, 1) OVER (PARTITION BY id ORDER BY ds) AS lead_price
    FROM 
        test
) AS subquery;

结果(最终结果):

id ds price price_type
1 2023-10-01 08:00:00 100
1 2023-10-01 09:00:00 110 波峰
1 2023-10-02 10:00:00 105 波谷
1 2023-10-03 11:00:00 115
2 2023-10-01 10:00:00 200
2 2023-10-02 12:00:00 190 波谷
2 2023-10-03 14:00:00 195
2 2023-10-04 15:00:00 210
3 2023-10-01 16:00:00 300

完整步骤解析

  1. 计算前后价格

    • 使用 LAGLEAD 函数,基于每个 id 的时间顺序提取前后价格。
  2. 识别波峰与波谷

    • 使用 CASE 语句判断当前价格的波动状态,标记为"波峰"、"波谷"或"无"。
相关推荐
正在走向自律7 小时前
金仓数据库KingbaseES中级语法详解与实践指南
数据库·oracle·kingbasees·金仓数据库·信创改造
Gofarlic_oms17 小时前
Windchill用户登录与模块访问失败问题排查与许可证诊断
大数据·运维·网络·数据库·人工智能
我是小疯子667 小时前
Python变量赋值陷阱:浅拷贝VS深拷贝
java·服务器·数据库
Zoey的笔记本8 小时前
2026告别僵化工作流:支持自定义字段的看板工具选型与部署指南
大数据·前端·数据库
静听山水8 小时前
docker安装starrocks
数据库
lingling0099 小时前
2026 年 BI 发展新趋势:AI 功能如何让数据分析工具 “思考” 和 “对话”?
大数据·人工智能·数据分析
鹧鸪云光伏9 小时前
光伏项目多,如何高效管理?
大数据·人工智能·光伏
Acrel187021067069 小时前
浅谈电气防火限流保护器设计在消防安全中的应用价值
大数据·网络
学编程的小程9 小时前
从“兼容”到“超越”:金仓KESBSON引擎如何借多模融合改写文档数据库规则
数据库
千层冷面9 小时前
数据库分库分表
java·数据库·mysql·oracle