08.0 概述

Fourier analysis reveals the hidden rhythms in financial time series.

傅里叶分析揭示金融市场中隐藏的节律——波动率有周期、交易量有模式、收益率有隐藏的频率结构。它将时间序列从"时域"变换到"频域"，让肉眼看不见的周期性模式无所遁形。

---

本章定位

前面章节处理的基本上是"时域"问题：资产价格作为时间的函数 $S_t$，我们在时间轴上分析它的轨迹。但有些模式在时域中很难识别——一个缓慢的年度周期叠加在每日的噪音之上，肉眼根本看不出。傅里叶分析提供了另一种视角：将信号分解为不同频率的正弦波，每个频率的振幅告诉我们这个周期的强度。

本章直接依赖 01 高等数学（傅里叶级数和变换的核心是积分 $a_n = \frac{2}{T}\int_0^T f(t)\cos(\frac{2\pi nt}{T})dt$，需要熟练掌握定积分计算）和 03 概率论（频谱分析中的功率谱密度本质上是随机过程在频域的二阶矩，需要理解平稳性和自协方差函数）。

在量化金融中，傅里叶分析的应用涵盖了从低频到高频的全频谱：低频端用于识别经济周期和季节性效应（财报季、年末效应）；中频段用于因子模型的频谱滤波——分离因子的长期趋势和短期噪音；高频端用于去除市场微观结构噪音（买卖价差、价格离散化），特别是 Malliavin-Mancino 傅里叶协方差估计方法，优雅地解决了 Epps 效应（不同步采样导致的相关系数低估）。

---

知识链条

本章的递进逻辑是：周期函数 → 一般信号 → 谱分析 → 实战应用。

1. 8.1 傅里叶级数：从周期函数开始。任何周期信号都可以分解为基波和谐波的叠加。方波的手算实例展示了即使是不连续的信号，也可以用有限个谐波逼近——这解释了金融时间序列中"财报跳变-过冲回调"的 Gibbs 现象。
2. 8.2 傅里叶变换：从周期推广到非周期。傅里叶变换 $F(\omega) = \int f(t)e^{-i\omega t}dt$ 将任意信号映射到连续频率域。高斯函数的手算实例展示了变换对偶性——时域越窄，频域越宽。
3. 8.3 频谱分析：从数学工具到数据分析方法。功率谱 $|F(\omega)|^2$ 告诉我们每个频率的能量大小。FFT（快速傅里叶变换）将计算复杂度从 $\mathcal{O}(N^2)$ 降到 $\mathcal{O}(N\log N)$，使大规模时间序列的频谱分析成为现实。
4. 8.4 量化金融应用：将前三节的工具整合到真实场景——FFT 低通滤波去噪、Malliavin-Mancino 协方差估计、STFT 时频分析捕捉非平稳频谱特性。

---

量化应用速览

节	核心概念	量化金融应用
8.1	傅里叶级数 $f(t) = \frac{a_0}{2} + \sum a_n\cos(nt) + b_n\sin(nt)$	交易量/波动率的季节性模式、日历效应建模
8.2	傅里叶变换 $F(\omega) = \int f(t)e^{-i\omega t}dt$	收益率谱分析、因子周期检测、定价核估计
8.3	频谱分析、FFT $\mathcal{O}(N\log N)$	经济周期识别、商业周期频率提取
8.4	低通滤波、Malliavin-Mancino 方法、STFT	微观结构去噪、同步协方差估计、HFT 策略

---

学习路径

• 前置知识：01 高等数学（定积分、复数运算）、03 概率论（平稳过程、自协方差函数）。建议先复习 01.3 定积分与黎曼和。
• 推荐顺序：8.1 → 8.2 → 8.3 → 8.4。8.2 傅里叶变换是 8.1 级数的一般化，8.3 频谱分析需要前两者的概念，8.4 是综合应用。如果时间有限，可直接从 8.2 开始，但 8.1 的级数直观理解对掌握变换概念至关重要。

下一步：掌握傅里叶分析后，学习 09 数值计算——处理计算机中实数的表示问题，以及数值求解无法解析计算的金融模型。