一段话总结

本章作为数值分析和谱分析的入门指南，专为探究市场周期性却缺乏相关背景的读者打造，核心讲解了将股票价格这一离散时间序列数据通过傅里叶分析拆解为不同周期、振幅和相位的正弦波以得到频率谱的完整步骤，包括数据准备、序列拆分、频率与振幅计算、复合振幅获取等；同时介绍了数值滤波器（低通、高通、带通）的原理、设计方法、权重的作用及应用要点，还讲解了曲线拟合（最小二乘直线拟合、抛物线拟合、Prony 法正弦波拟合）的实用技巧，指出约 **23%** 的股票价格波动是市场内在周期性的体现，这些分析工具能有效提取市场周期特征，且傅里叶分析需结合其他方法验证结果，滤波器设计需在误差、计算量和时滞间做折中。

用谱分析捕捉市场隐藏的周期性

为什么数值分析，是解读市场的关键？

1. 股票价格历史由离散数值构成，这是我们分析的基础；

2. 想要研究价格波动的周期性，就必须对其进行谱分析；

3. 谱分析的诸多方法中，唯有数值分析能直接应用于股票价格数据。

频率谱：把市场波动，拆解为数学波形

正弦波的三要素，定义市场波动

• 周期（T）：完成一次完整波动的时间，对应市场的涨跌周期，比如 “半年周期”“4 年周期”；

• 振幅：从波动的正峰值到负峰值的距离，对应市场波动的幅度，振幅越大，价格涨跌越剧烈；

• 相位：不同正弦波之间的时间偏移关系，比如 A 波比 B 波提前 1 个月到达峰值，这就是相位差。

频率与角频率，量化波动的 “快慢”

核心定理：任何市场波动，都可由正弦波叠加还原

傅里叶分析：拆解市场波动的 “核心工具”

第一步：组装数据 —— 打好分析的基础

1. 等时间间隔：选择日、周、月等固定时间单位的价格数据，比如连续的周收盘价，不能混合日和周数据；

2. 单一代表价格：为每个时间单位选择一个代表价格，常用收盘价，也可以用高低价均值，一旦选定，全程统一；

3. 奇数个数据点：数据点数量必须是奇数，且数量越多，后续的频率谱分辨率越高，分析结果越精准；

4. 时间排序：将所有数据按时间先后顺序制表，保证分析的时间逻辑。

第二步：拆分序列 —— 为计算振幅做准备

序列 1（加和序列）：

1. 首个数值为原始数据的中心值；

2. 后续依次为中心值两侧对称位置数据的加和（比如中心值左右第一个数相加、左右第二个数相加）；

3. 最后一个数值为原始数据的第一个数和最后一个数相加，并将这个数除以 2。

序列 2（差值序列）：

1. 首个数值直接记为 0；

2. 后续依次为中心值两侧对称位置数据的差值（后数减前数），规则与序列 1 一致；

3. 最后一个数值直接记为 0，无需做除法。

第三步：确定频率 —— 明确分析的 “波动维度”

1. 计算核心常数 Z=(m−1)/2π；

2. 以 0 为第一个角频率（0 频率代表无波动，对应长期趋势），后续依次为 ，直到乘数为 2m−1（Δt 为数据的时间间距，比如周数据的Δt为 1 周）；

3. 单位统一：建议将所有角频率转换为弧度 / 年（比如周数据 ×52，月数据 ×12），避免单位混乱；

4. 周期转换：通过公式 T=ω2π，可将每个角频率转换为对应的波动周期，更贴合市场解读。

第四步：计算振幅 —— 找到每个频率的波动强度

余弦分量振幅（基于序列 1）：

1. 0 频率的振幅：序列 1 所有数值求和，除以 2m−1；

2. 其他频率的振幅：以序列 1 首个数值为基础，依次加上 “序列后续数值 × 对应 Z 值的余弦值”，最终结果除以 2m−1；

3. 高次频率：需将 Z 值先乘以对应倍数，再求余弦值。

正弦分量振幅（基于序列 2）：

1. 0 频率的振幅直接为 0；

2. 其他步骤与余弦分量一致，唯一区别是将余弦值替换为正弦值。

第五步：获取复合振幅 —— 完成波动拆解

数值滤波器：分离有效周期，过滤市场噪音

滤波器的核心逻辑：像筛子一样筛选频率

• 振幅比：输出振幅 / 输入振幅，取值 0-1，0 代表完全阻隔，1 代表完全通过；

• 相位响应：滤波器对波动相位的改变，即波动在时间上的偏移。

三类核心滤波器，覆盖所有交易需求

1. 低通滤波器：捕捉长期趋势

2. 高通滤波器：捕捉短期波动

3. 带通滤波器：捕捉有效周期性

如何设计自己的数值滤波器？

1. 四个角频率：ω₁（低截止频率）、ω₂（低滚降频率）、ω₃（高滚降频率）、ω₄（高截止频率），确定滤波器的通频带；

2. 时间间距（t）：与股价数据的时间间距一致，滤波器仅适合同间距数据；

3. 权重数（n）：必须为奇数，是滤波器设计的核心，数量越多，精度越高，计算量也越大。

关键：控制滤波器的误差

• 乘积在500-700之间时，误差为 1%-2.5%，是股票研究的最优区间；

• 乘积越大，误差越小，但计算量和时滞也越大；

• 极端情况下，误差 5%-6% 仍可有效提取周期性，适合追求效率的快速分析。

滤波器的应用步骤

1. 将股价数据和滤波器权重分别按时间排序；

2. 权重条带与价格数据对齐，中心权重对应的数据点，即为该输出值对应的时间点；

3. 逐点滑动权重条带，重复计算，得到连续的滤波器输出；

4. 最终会缺失最后2n−1个输出值，这是滤波器的正常时滞，无需修正。

曲线拟合：让分析结果，成为可应用的规律

最小二乘误差直线拟合：量化趋势走向

1. 将数据整理为（ω，t）数对，统一单位（如 ω 为弧度 / 年，t 为年）；

2. 计算 N（数对数量）、C（ω 和）、D（t 和）、E（t² 和）、F（ωt 乘积和）、G（t 和的平方）；

3. 通过固定公式计算出常数 A 和 B，代入公式即得到趋势直线；

4. 代入任意时间 t，即可预测该时间点的频率，实现对周期趋势的预判。

抛物线拟合：解决不同间距数据的对比问题

Prony 法：精准拟合正弦波，确定周期核心特征

总结：用谱分析，打造你的量化交易体系

1. 傅里叶分析是起点，而非终点：其结果需结合其他谱分析方法验证，才能确定是否为市场的内在周期性；

2. 折中设计滤波器：根据交易需求，在误差、计算量、时滞之间做出选择，实时交易重效率，深度研究重精度；

3. 数据是基础：保证数据的准确性、一致性，是所有分析有效的前提；

4. 结合实际市场：谱分析是量化工具，需结合基本面、市场情绪等因素，才能做出更合理的交易决策。

文末互动：你在交易中是否遇到过 “看似有规律，却抓不住” 的市场波动？不妨留言分享你的经历，我们一起用谱分析的思路，找找背后的周期性规律～

谱分析与股票交易数值分析随堂测试题

测试题目

1. 下列关于股票价格数据本质的描述，正确的是（）

   A. 连续的时间函数，与气温变化特征一致

   B. 离散的时间序列，仅在交易发生时产生价格数据

   C. 可直接按连续函数分析，无需数值分析方法

   D. 完全随机的数值集合，无任何周期性特征
2. 正弦波的核心特征中，振幅的定义是（）

   A. 完成一次完整波动的时间

   B. 单位时间内的波动次数

   C. 从正峰值到负峰值的距离

   D. 不同正弦波之间的时间偏移关系
3. 已知某正弦波的周期为 1 年，其角频率 ω（单位：弧度 / 年）的计算结果为（）

   A. π

   B. 2π

   C. 1/2π

   D. 1/π
4. 进行傅里叶分析时，对股票价格数据的数量要求是（）

   A. 偶数个

   B. 奇数个

   C. 无固定要求

   D. 必须为 10 的倍数
5. 傅里叶分析中，拆分原始数据得到的两个新序列，其核心作用是（）

   A. 简化数据量，减少计算步骤

   B. 分别计算正弦分量和余弦分量的振幅

   C. 直接得到复合振幅，无需后续计算

   D. 筛选出高频波动，过滤低频趋势
6. 下列关于数值滤波器时滞特征的描述，正确的是（）

   A. 所有滤波器均无时滞，可实时反映最新价格

   B. 频率分离精度越高，时滞越小

   C. 移动平均作为低精度滤波器，时滞相对较小

   D. 带通滤波器的时滞固定为 1 个数据间距
7. 移动平均作为一种数值滤波器，其类型属于（）

   A. 高通滤波器

   B. 低通滤波器

   C. 带通滤波器

   D. 无频率筛选功能的简单统计指标
8. 设计数值滤波器时，若要将误差控制在 1%-2.5% 的最优区间，需使 n×t×Δω 的乘积处于（）

   A. 100-300

   B. 500-700

   C. 800-1000

   D. 1000 以上
9. 曲线拟合中，Prony 法的核心应用场景是（）

   A. 拟合频率随时间的趋势直线

   B. 解决不同间距数据的插值对比问题

   C. 对滤波器输出拟合正弦波，确定其频率、振幅、相位

   D. 筛选出股票价格的长期趋势
10. 下列关于股票价格波动周期性的核心结论，正确的是（）

    A. 100% 的股价波动均由内在正弦波叠加过程驱动，具备可预测性

    B. 约 23% 的股价波动是市场内在周期性驱动，具备可预测性

    C. 傅里叶分析拆解的正弦波分量均代表市场真实周期性

    D. 股价波动无任何内在周期性，谱分析无实际应用价值

标准答案

1. B  2. C  3. B  4. B  5. B  6. C  7. B  8. B  9. C  10. B

详细解析

1. 答案 B

   解析：文档指出，股票价格与气温等连续变化的物理量不同，仅在交易发生时产生价格变化，是离散的时间序列，这也是数值分析成为股价分析核心方法的原因；A、C 错误，D 错误，文档提及约 23% 的股价波动存在内在周期性。
2. 答案 C

   解析：文档明确，正弦波的振幅是从正峰值到负峰值的距离，代表波动的大小；A 是周期的定义，B 是频率的定义，D 是相位的定义。
3. 答案 B

   解析：角频率的计算公式为ω=2π/T，T=1 年时，ω=2π/1=2π，单位为弧度 / 年。
4. 答案 B

   解析：傅里叶分析组装数据的核心要求之一是选择奇数个价格数据点，且数据点数量越多，频率谱的分辨率越高。
5. 答案 B

   解析：拆分原始数据得到两个新序列，序列 1 用于计算余弦分量的振幅，序列 2 用于计算正弦分量的振幅，二者结合可得到复合振幅；A、C、D 均非其核心作用。
6. 答案 C

   解析：文档指出，时滞是所有数值滤波器的固有特征，频率分离精度越高，时滞越大；移动平均是精度较低的低通滤波器，因此时滞相对较小；A、B 错误，D 错误，滤波器时滞为 1/2 跨度，非固定值。
7. 答案 B

   解析：移动平均允许低频（长周期）波动通过，阻隔高频（短周期）波动，属于典型的低通滤波器；高通滤波器代表为反向移动平均，带通滤波器用于筛选特定频率区间的波动。
8. 答案 B

   解析：文档明确，股票研究中需将 n（权重数）×t（时间间距）×Δω（裙边斜率）的乘积控制在500-700，此时滤波器误差为 1%-2.5%，是最优区间。
9. 答案 C

   解析：Prony 法是针对股票周期性分析的专属拟合方法，核心是对滤波器输出的周期性数据拟合正弦波，客观确定其频率、振幅、相位；A 是最小二乘直线拟合的作用，B 是抛物线拟合的作用。
10. 答案 B

    解析：文档的核心结论之一是，约 **23%** 的股票价格波动是市场内在的、符合正弦波叠加规律的周期性过程驱动，这部分具备可预测性；其余波动由随机事件、基本面驱动，无周期性；A、D 错误，C 错误，傅里叶分析的正弦波分量是数学拆解结果，需结合其他方法验证是否为真实周期性。

详细总结

一、数值分析的核心必要性

1. 股票价格历史是离散的时间序列数据，仅在交易发生时产生价格变化，而非连续函数，数值分析正是处理这类问题的专属方法。

2. 数值分析能从离散的股价数据中提取最大化信息，是实现股价波动谱分析的直接手段，为探究市场周期性提供量化基础。

二、频率谱的基础概念

1. 股价的波动、规律性可精准描述为正弦波，其核心特征为周期（T）、振幅（正负峰间距）、相位（时间偏移关系）。

2. 频率（f）是周期的倒数，公式为f=T1，单位为单位时间内的周期数；角频率（ω） 更适用于数值分析，公式为ω=2πf=T2π，单位为弧度 / 单位时间。

3. 数学上，任何时间序列（含股价） 都可通过不同频率、振幅、相位的正弦波代数叠加，以任意精度还原，这是谱分析的理论基础。

4. 对时间序列做正弦波拆解并得到各正弦波特征的过程为谱分析（谐波分析），结果为频率谱；股价中约 **23%** 的波动由市场内在的正弦波叠加过程驱动，具备可预测性，其余为随机或基本面驱动。

三、傅里叶分析的完整实施步骤

1. 数据组装

• 股价数据需等时间间隔（日 / 周 / 月），选取单一代表价格（常用收盘价），且数据点数量为奇数，数量越多频谱分辨率越高；

• 数据按时间顺序制表。

2. 序列拆分：以原始数据的中心值为起点，生成两个新序列

• 序列 1：中心值为首个数据，后续为对称位置数据的加和，最后一个数据除以 2；

• 序列 2：首个数据为 0，后续为对称位置数据的差值（后减前），最后一个数据置 0。

3. 确定分析频率

• 设数据点为 m，计算Z=(m−1)/2π；

• 角频率从 0 开始，依次为（Δt为数据时间间距）；

• 角频率可通过T=ω2π转换为周期，建议将角频率单位统一为弧度 / 年（如周数据 ×52）。

4. 计算对应振幅

• 余弦分量振幅：基于序列 1，0 频率为序列和除以2m−1，其余频率为序列值与对应 Z 值余弦的乘积和再除以2m−1，高次频率需将 Z 值倍数后求余弦；

• 正弦分量振幅：基于序列 2，0 频率振幅为 0，其余步骤与余弦分量一致，仅将余弦替换为正弦。

5. 获取复合振幅：对每个频率的正、余弦振幅计算平方和的平方根，即为该频率在原始股价中的振荡振幅，绘制振幅 - 角频率 / 周期图，完成傅里叶分析。

四、傅里叶分析的结果解读

1. 实例：用2300 个周收盘价数据对道指 30 工业平均指数做傅里叶分析，结果见附录，可与其他谱分析方法做相关性验证；

2. 关键提示：傅里叶分析的正弦波分量仅为数学拆解，不代表原始数据由正弦波叠加生成（如直线也可拆解为正弦波），需结合其他方法验证分量是否为市场内在周期性驱动，否则无法通过周期外推预测股价。

五、数值滤波器的原理与类型

1. 核心功能：类比筛子，按频率特征分离股价数据，是谱分析的重要延伸工具；

2. 频率响应：是滤波器的核心特征，由振幅比（输出 / 输入振幅，0-1 之间）和相位响应（正弦波的时间偏移）组成，完全描述滤波器性能；

3. 主要类型（均为必备分析工具）：

   | 滤波器类型 | 核心功能 | 典型示例 |

   |------------|----------|----------|

   | 低通滤波器 | 允许低频（长周期）通过，阻隔高频（短周期） | 移动平均 |

   | 高通滤波器 | 允许高频（短周期）通过，阻隔低频（长周期） | 反向移动平均 |

   | 带通滤波器 | 允许特定频率区间的分量通过 | 多筛级联的数值实现，是股价分析的核心类型 |

4. 关键特性：时滞是所有数值滤波器的固有特征，滤波器的频率分离精度越高，时滞越大；移动平均因分离精度低，时滞最小（为跨度的 1/2），适合实时预测分析，高精度滤波器时滞可达数年，适合市场研究。

六、数值滤波器的设计与应用

1. 设计前的关键决策（均为滤波器误差的影响因素）：

• 确定股价数据的时间间距（t），滤波器仅适用于同间距数据；

• 选择奇数个权重数（n），是滤波器设计的核心；

• 确定裙边斜率（Δω），即截止频率与滚降频率的差值，决定振幅比的变化速率。

2. 误差控制

• 滤波器误差由n×t×Δω的乘积决定，乘积介于500-700时，误差为1%-2.5%，是股票研究的最优区间；

• 乘积越大误差越小，但计算量越大，极端情况下误差 5%-6% 仍可有效提取市场周期性。

3. 设计参数确定：需设定 4 个角频率（ω₁= 低截止、ω₂= 低滚降、ω₃= 高滚降、ω₄= 高截止），且令低、高裙边斜率Δω=ω2−ω1=ω4−ω3。

4. 权重计算步骤

• 先计算 4 组衍生参数（含 Z、λ 系列、2πλ 系列等）；

• 计算前 1/2 权重和中心权重，权重函数关于中心对称，后 1/2 权重与前 1/2 镜像；

• 所有权重求和后除以 n，再用原权重减去该值，得到最终权重。

5. 实际应用方法

• 将权重与等间距股价数据一一对应，乘积求和得到滤波器输出，输出对应权重中心位置的股价时间点；

• 逐点滑动权重条带重复计算，最终缺失最后2n−1个输出数据，为滤波器的正常时滞；

• 可将股价与滤波器输出同图绘制，直观观察频率分离效果，复杂分析需数百万次计算。

七、曲线拟合的实用方法

1. 最小二乘误差直线拟合

• 适用场景：分析频率 / 周期随时间的趋势，拟合公式为ω=A+Bt（ω 为角频率，t 为时间，A/B 为常数）；

• 计算步骤：将数据整理为 (ω,t) 对，计算 N（数据对数）、C（ω 和）、D（t 和）、E（t² 和）、F（ωt 乘积和）、G（t 和的平方），通过固定公式求解 A 和 B；

• 应用：代入任意 t 求 ω，绘制拟合直线，量化数据趋势。

2. 抛物线拟合

• 适用场景：解决不同时间间距的滤波器输出数据对比 / 运算问题；

• 核心方法：对连续 3 个数据点拟合抛物线，通过方程插值得到相同时间间距的数值，本章将所有数据插值为1 周间距。

3. Prony 法

• 适用场景：对滤波器输出结果拟合正弦波，客观确定正弦波的频率、振幅、相位；

• 细节：计算方法见附录，是分析股价周期特征的关键工具。

八、数值分析的核心总结与提示

1. 核心工具：傅里叶分析（频谱拆解）、数值滤波器（频率分离）、曲线拟合（数据量化）是股价时序分析的三大核心，可相互配合挖掘市场周期性；

2. 关键注意事项：

• 离散时间序列分析存在诸多误区，应用新方法前需查阅专业文献；

• 傅里叶分析结果需结合其他谱分析方法验证，方可得出结论；

• 滤波器设计需在误差、计算量、时滞之间做折中，根据需求选择合适的参数；

3. 应用价值：数值分析在高校 / 科研院所广泛应用，但在股价分析中应用不足，掌握该方法可获得股票交易的竞争优势。

关键问题

问题 1（方法原理类）：傅里叶分析能应用于股票价格分析的核心数学和现实依据是什么？

问题 2（实操设计类）：设计适用于股票研究的带通数值滤波器时，如何平衡误差、计算量和时滞的关系？

问题 3（结果应用类）：傅里叶分析的正弦波分量结果并非直接代表市场周期性，该如何正确解读和验证其结果，才能应用于股价预测？