第4章小波变换基础

4. 小波变换基础：小波变换与傅里叶变换的区别，连续小波变换与离散小波变换，小波去噪在金融信号中的应用

各位同学，咱们今天聊小波变换。说实话，这玩意儿刚接触时我也觉得头大——又是尺度又是平移的，比傅里叶变换复杂不少。但做量化这些年，我越来越觉得它是个宝贝。尤其在处理金融信号这种非平稳数据时，小波的优势就体现出来了。

先说说傅里叶变换。它干的事很简单：把一段信号拆成不同频率的正弦波叠加。你想想看，就像用筛子把沙子按粗细分开。但问题来了——它只能告诉你信号里有哪些频率，却说不清这些频率在什么时间出现。

举个例子。一段音乐，前半段是钢琴，后半段是小提琴。傅里叶变换能告诉你整段音乐里有钢琴的频率也有小提琴的频率，但分不清哪个在前哪个在后。这就是它的短板：时间分辨率丢失。

小波变换就不一样了。它用的小波基函数，既有频率信息，又有时间定位能力。说白了，它像一把可调焦的放大镜——想看全局时拉远，想看细节时拉近。

核心区别一句话总结：

我在项目中遇到过这样的情况：用傅里叶分析某只股票的日收益率序列，频谱图上一堆杂波，根本看不出什么规律。换成小波变换后，不同时间尺度上的波动模式一目了然——短期的噪声、中期的趋势、长期的周期，分得清清楚楚。

个人经验：金融数据十有八九是非平稳的。均值在变，方差也在变。这时候硬上傅里叶，结果往往不靠谱。小波变换才是更自然的选择。

小波变换分两种：连续的和离散的。名字听着像，但用法天差地别。

连续小波变换，说白了就是把小波基函数连续地平移、缩放，然后跟信号做内积。结果是一个二维的时频谱图——横轴是时间，纵轴是尺度（对应频率），颜色深浅代表能量大小。

它的优点是分辨率高，细节丰富。但缺点也很明显：计算量大，数据冗余多。你想想看，连续变化意味着无穷多种可能，实际计算时只能采样，但采样点一多，速度就慢下来了。

我建议：做探索性分析时用CWT。比如你想看看某段行情有没有特殊的时频模式，先跑一遍CWT，观察一下能量分布，心里有个数。但别指望用它做实时交易——太慢了。

离散小波变换就实用多了。它只取尺度和平移的离散值，通常是2的幂次。这样计算效率高，而且可以完美重构原始信号。

DWT的核心是多分辨率分析。它把信号一层层分解：

每一层的高频部分对应不同时间尺度上的波动。层数越深，时间尺度越大，频率越低。

实际应用中的选择：

我记得有一次做高频数据的波动率估计。原始数据每秒一条，一天下来几十万条。用CWT跑一次要等好几分钟，换成DWT后，几秒钟就出结果了。嗯，这里要注意：DWT的分解层数不是越多越好。层数太多，低频部分被过度平滑，反而丢失信息。

金融信号里噪声特别多。微观结构噪声、报价跳动、流动性波动...这些噪声会掩盖真正的交易信号。小波去噪就是干这个的——把噪声滤掉，留下有用的信息。

小波去噪的基本思路很简单：

关键在第二步——阈值怎么选？

我曾经犯过一个错误：用硬阈值处理股指期货的 tick 数据，结果重构出来的信号出现了很多毛刺。后来换成软阈值，效果就好多了。为什么？因为金融信号本身就有一定的平滑性，硬阈值太"硬"，破坏了这种平滑。

避坑指南：我曾经以为去噪越干净越好，把阈值设得很高。结果重构出来的信号平滑得像条直线，连趋势转折点都丢了。记住：去噪的目的是保留有用信号，不是把信号抹平。阈值的选择需要根据实际数据反复调试。

下面是一个简单的小波去噪流程示意图：

在实际的量化策略中，我常用小波去噪做这几件事：

一个小技巧：做去噪时，别只用一个固定的小波基函数。多试几个——Daubechies、Symlet、Coiflet，看看哪个对你的数据效果最好。我个人的习惯是先用db4或db6，效果不满意再换。

最后说一句：小波变换不是万能药。它擅长处理非平稳信号，但如果你面对的是平稳信号，傅里叶变换可能更简单高效。工具没有好坏，关键看用在什么地方。

公众号:蓝海资料掘金营，微信deep3321