8.4 量化金融应用

傅里叶分析在量化金融中的应用远不止于理论——从去除市场微观结构噪音到高频交易策略，它是一套完整的时间序列分析工具箱。

---

金融时间序列的频谱分析

收益率的频谱特性

金融收益率序列通常包含多个频率分量的叠加：

频率范围	典型周期	对应金融现象
极低频	3-10 年	经济周期、牛熊转换
低频	1 年	季节性效应（如年末效应、财报季）
中频	1-3 个月	财报周期、再平衡效应
高频	1 天-1 周	周内效应（周一/周五模式）
极高频	毫秒-秒级	市场微观结构、做市商报价

---

市场微观结构噪音去除

问题描述

高频价格数据中包含大量微观结构噪音——买卖价差、价格离散化、订单流不平衡等——这些噪音会污染信号，导致：

• 相关系数低估（Epps 效应——当用不同频率采样的数据计算两只股票的相关系数时，采样频率越高（如逐笔 vs 每分钟），估计出的相关系数反而越低。这是因为不同步的交易时间导致高频数据丢失了同时变动的信息）
• 已实现波动率高估
• 因子信号被噪音掩盖

傅里叶去噪方法

使用低通滤波保留主要趋势成分，去除高频噪音：

import numpy as np

def fourier_denoise(signal, cutoff_ratio=0.1):
    """
    用 FFT 低通滤波去噪
    
    参数:
        signal: 原始信号
        cutoff_ratio: 保留的频率比例（0~1）
    """
    N = len(signal)
    fft_vals = np.fft.fft(signal)
    
    # 只保留前 cutoff_ratio 的低频成分
    cutoff = int(N * cutoff_ratio)
    fft_filtered = np.zeros_like(fft_vals)
    fft_filtered[:cutoff] = fft_vals[:cutoff]
    fft_filtered[-cutoff+1:] = fft_vals[-cutoff+1:]
    
    # 逆变换
    denoised = np.fft.ifft(fft_filtered).real
    return denoised

Malliavin-Mancino 方法

Malliavin 和 Mancino (2002) 提出了用傅里叶变换估计已实现协方差的方法——通过对价格增量做傅里叶变换并乘积，可以得到同步且稳健的波动率和协方差估计，避免了 Epps 效应（不同频率采样导致的相关系数低估）。

传统方法需要同步采样，但不同股票的交易频率不同，导致相关系数被低估。傅里叶方法通过对整个频域积分，自然避免了时间对齐问题。

---

HFT 策略中的应用

在高频交易策略中，交易者通过傅里叶分析分解订单簿的更新速率，识别微观结构中的周期性模式：

应用	描述
订单流模式识别	检测每隔特定毫秒出现的大宗交易信号
价差周期分析	识别买卖价差的日内周期模式
成交量剖面	分析交易量的日内 U 型/倒 J 型模式

时频分析：短时傅里叶变换（STFT）

金融时间序列通常是非平稳的，简单 FFT 无法捕捉时变频谱。STFT 在滑动时间窗口内做 FFT：

$$\text{STFT}(t, \omega) = \int f(\tau) w(\tau - t) e^{-i\omega \tau} d\tau$$

其中 $w(t)$ 是窗函数。窗函数的作用：直接截取一段信号会在两端产生突变（边界不连续），在频域中引入虚假高频成分（称为"频谱泄露"）。窗函数在两端平滑衰减到零，消除边界突变，从而减少频谱泄露。常见的窗函数有汉宁窗（Hanning window，形状为 $w(t) = 0.5(1 - \cos(2\pi t/L))$）和海明窗等。STFT 的平方模 $|\text{STFT}(t, \omega)|^2$ 称为频谱图（spectrogram），可以直观地观察频率成分随时间的变化。

---

Quant Link：综合案例

案例 1：波动率周期识别

对 VIX 指数进行频谱分析，可以识别出波动率的周期模式：

1. 收集 VIX 日度数据（5 年）
2. 做 FFT 并绘制功率谱
3. 识别显著峰值对应的周期
4. 根据识别出的周期设计波动率择时策略

案例 2：因子数据的频谱滤波

多因子模型中，每个因子的收益率可以分解为：

$$f_i(t) = f_i^{\text{low}}(t) + f_i^{\text{high}}(t)$$

其中低频部分 $f_i^{\text{low}}$ 代表因子的长期趋势，高频部分 $f_i^{\text{high}}$ 代表短期噪音。使用傅里叶滤波分离两者后，低频部分通常有更好的预测能力。

---

小结

应用	方法	效果
噪音去除	低通滤波（FFT 截断）	去除微观结构噪音
周期识别	功率谱峰值检测	发现隐藏的日历效应
协方差估计	Malliavin-Mancino 傅里叶方法	避免 Epps 效应
时频分析	STFT / 频谱图	捕捉时变频谱特性
\n> 下一步：回到本章概述