第1章：傅里叶变换入门——从时域到频域
各位同学，欢迎来到信号失真识别的第一课。
做量化交易这些年，我越来越觉得：看不懂信号的频率结构，就像瞎子摸象。你只看到价格在涨跌，却不知道背后是什么周期在驱动。今天我们就来捅破这层窗户纸——从时域到频域，把傅里叶变换讲明白。
1.1 为什么我们要关心频域？
先问个问题：你盯着K线图看的时候，看到的是什么？
是价格随时间的变化，对吧？这就是时域视角。但你想过没有——一段价格走势，可能是多个不同周期的波动叠加而成的。比如日内的噪声、周度的趋势、月度的周期。
我早期做策略回测时，经常发现一个现象：明明策略在历史数据上表现很好，一上实盘就崩。后来仔细分析才发现——我把高频噪声当成了有效信号。说白了，就是没分清哪些频率是信号，哪些是噪声。
核心思想：任何时域信号，都可以分解为不同频率的正弦波之和。傅里叶变换就是干这个活的——把时间信号拆成频率成分。
1.2 傅里叶级数：从周期信号说起
先别急着害怕公式。傅里叶级数其实就一句话：任何周期函数，都可以写成一堆正弦波和余弦波的叠加。
数学上长这样：
f(t) = a₀ + Σ [aₙ·cos(nω₀t) + bₙ·sin(nω₀t)]
其中：
- ω₀ = 2π/T 是基频
- a₀ 是直流分量（平均值）
- aₙ, bₙ 是各次谐波的系数嗯，公式看着有点唬人。但说白了，就是告诉你：一个方波，其实是由无数个正弦波拼出来的。
我在做高频交易信号处理时，就遇到过这种情况。一个看似平滑的价格曲线，拆开来看，里面藏着好几个不同周期的波动。如果你只看时域，根本发现不了。
我的习惯：拿到任何时间序列数据，第一件事就是做频谱分析。先看看数据里有哪些频率成分，再决定用什么滤波器。这能省掉后面80%的调试时间。
1.3 从傅里叶级数到傅里叶变换
傅里叶级数只能处理周期信号。但金融数据、交易信号，有几个是严格周期的？
所以我们需要傅里叶变换——它把周期推向无穷大，让非周期信号也能被分析。
连续傅里叶变换的公式：
F(ω) = ∫ f(t)·e^(-jωt) dt别被积分吓到。你只需要记住：这个变换把时间信号f(t)变成了频率函数F(ω)。F(ω)的模值就是该频率成分的强度。
举个例子：一个50Hz的正弦波，经过傅里叶变换后，会在50Hz处出现一个尖峰。其他频率上几乎为零。这就是频谱。
注意：傅里叶变换假设信号是平稳的。但金融数据往往是非平稳的——波动率会变，趋势会变。所以实际应用中，我们通常用短时傅里叶变换（STFT）或者小波变换来处理。这个后面会讲。
1.4 频谱分析基础
频谱分析，说白了就是看信号的能量分布。横轴是频率，纵轴是幅度（或功率）。
几个关键概念：
- 幅度谱：各频率成分的强度。告诉你哪个频率占主导。
- 相位谱：各频率成分的相位信息。告诉你波形的对齐方式。
- 功率谱：幅度谱的平方。更直观地反映能量分布。
- 频谱分辨率：Δf = fs / N。采样率固定时，数据越长，分辨率越高。
我记得有一次帮朋友分析一个CTA策略的信号。他总觉得策略有延迟，但找不到原因。我拿频谱一看——好家伙，信号里有个明显的50Hz工频干扰。原来是数据采集时没做好屏蔽。去掉这个干扰后，策略表现立马提升了一个档次。
避坑指南：我曾经在分析分钟级数据时，直接用原始数据做FFT，结果频谱图上一片混乱。后来才发现——数据必须先做去趋势和去均值处理，否则直流分量会淹没掉其他频率成分。
1.5 快速傅里叶变换（FFT）简介
直接计算离散傅里叶变换（DFT）的复杂度是O(N²)。对于N=1000的数据，就要算100万次。这在实时交易系统中根本不可行。
FFT（快速傅里叶变换）把复杂度降到了O(N log N)。N=1000时，只需要约1万次计算。快了100倍。
Python里用起来极其简单：
import numpy as np
import matplotlib.pyplot as plt
# 生成一个含噪声的信号
fs = 1000 # 采样率 1000Hz
t = np.arange(0, 1, 1/fs)
f1, f2 = 5, 50 # 两个频率成分
signal = np.sin(2*np.pi*f1*t) + 0.5*np.sin(2*np.pi*f2*t) + 0.2*np.random.randn(len(t))
# FFT
fft_vals = np.fft.fft(signal)
freqs = np.fft.fftfreq(len(signal), 1/fs)
# 只取正频率部分
pos_mask = freqs > 0
plt.plot(freqs[pos_mask], np.abs(fft_vals[pos_mask]))
plt.xlabel('频率 (Hz)')
plt.ylabel('幅度')
plt.title('频谱分析结果')
plt.show()你看，代码就这么几行。但背后的事情可不简单。
实用技巧：做FFT之前，记得加窗函数（比如汉宁窗、海明窗）。不加窗的话，频谱会有严重的泄漏——一个频率的能量会"漏"到旁边的频率上去。我刚开始做的时候没注意这个，结果频谱图上一堆假峰，差点被误导。
1.6 知识体系总览
下面这张图，是我自己梳理的本章知识结构。建议你保存下来，学完本章后对照着回顾一遍。
1.7 本章小结
好了，我们来捋一捋今天讲了什么：
- 时域 vs 频域：时域看变化，频域看成分。两者是同一枚硬币的两面。
- 傅里叶级数：周期信号可以拆成多个正弦波。这是频谱分析的起点。
- 傅里叶变换：把周期概念推广到非周期信号。金融数据的主力工具。
- 频谱分析：看幅度谱、相位谱、功率谱。识别信号中的主要频率成分。
- FFT：快速算法，让实时频谱分析成为可能。Python一行代码搞定。
最后说一句：傅里叶变换不是万能的。它假设信号是平稳的、线性的。但金融市场哪有那么乖？所以后面我们会讲短时傅里叶变换、小波变换这些更高级的工具。
不过，先把今天的基础打牢。下一章，我们聊聊如何用这些工具识别信号失真——这才是我们做交易最关心的。
公众号:蓝海资料掘金营，微信deep3321