# Python实战：用傅里叶变换预测股票短期波动（附完整代码） 最近几年，身边不少做量化研究的朋友开始把目光投向了一些经典的信号处理工具，试图从看似随机的市场波动中，找到一丝可循的规律。傅里叶变换，这个在物理学和工程学领域大放异彩的数学工具，就是其中之一。它最迷人的地方在于，能将一段复杂的时间序列，比如股票价格曲线，分解成一系列不同频率的正弦波和余弦波的叠加。这为我们提供了一个全新的视角：或许市场的短期波动，并非完全无序的布朗运动，而是由几种主导的周期性力量在背后驱动。对于量化交易的初学者而言，这无疑是一个极具吸引力的切入点——它不需要你精通高深的金融理论，而是用代码和数学，直接与数据对话，亲手构建一个分析模型，去验证自己的想法。本文将带你从零开始，使用Python的NumPy和Matplotlib库，完成一次完整的股票数据傅里叶分析实战，从数据获取、频谱计算到结果可视化，每一步都配有可运行的代码，让你不仅能看懂，更能亲手复现。 ## 1. 理解核心：傅里叶变换在金融时间序列中的应用逻辑 在动手写代码之前，我们必须先厘清一个基本问题：傅里叶变换到底能为股票分析做什么？它不是一个水晶球，不能直接告诉你明天哪只股票会涨。它的核心价值在于**频率分析**和**滤波**。 想象一下股票的价格曲线。它上下起伏，看起来杂乱无章。傅里叶变换的数学魔法在于，它认为这条复杂的曲线，可以被看作是无数个不同频率、不同振幅的“完美”正弦/余弦波的叠加。其中，有些波的振幅很大，意味着它对整体曲线的形状贡献显著；有些波的振幅很小，可能只是市场噪音。 当我们对股票价格序列进行傅里叶变换后，得到的是一个**频谱**。这个频谱图会清晰地告诉我们： * **哪些频率成分最强**：对应着市场中可能存在的周期性波动。例如，一个对应于“7天”周期的强频率分量，可能暗示着某种以周为单位的市场节奏（尽管需要谨慎归因，比如可能与交易周有关）。 * **噪音分布在哪些频率**：通常高频部分对应着日内的微小波动和随机噪音。 基于此，我们可以进行两步关键操作： 1. **识别主周期**：从频谱中找出振幅最大的几个频率分量，将其周期（频率的倒数）计算出来，这可能是市场潜在的短期波动周期。 2. **滤波与重构**：我们可以选择只保留那几个强频率分量，而滤除其他所有高频噪音和弱分量，然后用这些保留的分量重新合成一条曲线。这条重构的曲线会平滑许多，并且可能更清晰地反映出原始数据中由主周期驱动的趋势。 > 注意：金融时间序列（如股票价格）通常是非平稳的，且存在趋势。直接对价格做傅里叶变换效果可能不佳。更常见的做法是对收益率序列（价格的对数差分）或去趋势后的序列进行分析，这能更好地满足傅里叶变换对平稳性的隐含要求。本文后续将采用价格的对数收益率作为分析对象。 ## 2. 环境搭建与数据获取：构建你的分析工作流 工欲善其事，必先利其器。我们首先需要准备好Python环境，并获取可靠的股票数据。 ### 2.1 安装必要的库 我们将使用以下几个核心库： * `numpy`: 进行高效的数值计算，尤其是FFT（快速傅里叶变换）。 * `pandas`: 处理和分析时间序列数据，数据清洗和操作的核心。 * `matplotlib`: 绘制各种图表，实现结果的可视化。 * `yfinance`: 一个非常方便、免费的雅虎财经历史数据下载库。 你可以通过pip一键安装： ```bash pip install numpy pandas matplotlib yfinance ``` ### 2.2 获取股票历史数据 这里我们以一家科技公司（例如，苹果 AAPL）的历史数据为例。`yfinance` 库让数据获取变得异常简单。 ```python import yfinance as yf import pandas as pd import numpy as np import matplotlib.pyplot as plt # 设置中文字体（可选，如需显示中文标签） plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 # 定义股票代码和时间范围 ticker = 'AAPL' # 苹果公司 start_date = '2023-01-01' end_date = '2024-01-01' # 下载历史数据 df = yf.download(ticker, start=start_date, end=end_date) # 查看数据前几行 print(df.head()) print(f"\n数据形状: {df.shape}") ``` 运行这段代码，你会得到一个`DataFrame`，包含开盘价、最高价、最低价、收盘价和调整后收盘价等。我们主要关注`‘Adj Close’`（调整后收盘价），因为它考虑了分红和拆股的影响，更能反映真实回报。 ### 2.3 数据预处理：计算收益率 如前所述，直接分析价格序列存在趋势干扰。我们计算每日对数收益率，这是一个更平稳的序列，更适合频率分析。 ```python # 计算对数收益率 (更适用于时间序列分析) df['Log_Return'] = np.log(df['Adj Close'] / df['Adj Close'].shift(1)) # 删除包含NaN的第一行 df = df.dropna() # 可视化价格和收益率 fig, axes = plt.subplots(2, 1, figsize=(14, 8)) axes[0].plot(df.index, df['Adj Close'], label='调整后收盘价', color='blue') axes[0].set_ylabel('价格 (USD)') axes[0].set_title(f'{ticker} 股票价格与收益率序列') axes[0].legend() axes[0].grid(True, alpha=0.3) axes[1].plot(df.index, df['Log_Return'], label='日对数收益率', color='green', linewidth=0.8) axes[1].set_ylabel('对数收益率') axes[1].set_xlabel('日期') axes[1].legend() axes[1].grid(True, alpha=0.3) plt.tight_layout() plt.show() ``` 现在，我们得到了一个围绕零值波动的收益率序列，这是进行傅里叶分析的理想起点。 ## 3. 核心算法实现：快速傅里叶变换与频谱分析 一切准备就绪，现在进入核心环节——对收益率序列应用FFT。 ### 3.1 执行FFT并计算频谱 NumPy提供了现成的`np.fft.fft`函数。我们需要理解其输出，并转换为有意义的物理量（频率和振幅）。 ```python # 提取收益率序列 returns_series = df['Log_Return'].values N = len(returns_series) # 序列长度 T = 1 # 采样间隔为1天（日数据） # 执行快速傅里叶变换 (FFT) fft_values = np.fft.fft(returns_series) # 计算频率 (x轴) # np.fft.fftfreq 返回频率分量，单位是“周期/采样间隔” freqs = np.fft.fftfreq(N, d=T) # 计算振幅谱 (y轴) - 取绝对值并归一化 amplitude_spectrum = np.abs(fft_values) / N # 双边谱 # 由于频谱是对称的，我们通常只取前半部分（正频率部分） half_n = N // 2 positive_freqs = freqs[:half_n] positive_amplitude = amplitude_spectrum[:half_n] # 计算对应的周期（天） # 频率f的周期 = 1/f，注意频率为0（直流分量）和负频率无意义 periods = 1 / positive_freqs[1:] # 从索引1开始，排除频率为0的直流分量 corr_amplitude = positive_amplitude[1:] # 对应的振幅 ``` ### 3.2 可视化频谱与识别主周期 将计算出的频谱绘制出来，我们可以直观地看到哪些频率（周期）的波动占主导地位。 ```python fig, axes = plt.subplots(1, 2, figsize=(16, 5)) # 图1：振幅-频率图 axes[0].stem(positive_freqs[1:50], positive_amplitude[1:50], linefmt='C0-', markerfmt='C0o', basefmt=" ") # 只看前50个低频分量 axes[0].set_xlabel('频率 (周期/天)') axes[0].set_ylabel('振幅') axes[0].set_title('收益率序列的振幅频谱 (低频部分)') axes[0].grid(True, alpha=0.3) # 图2：振幅-周期图（更直观） axes[1].stem(periods[:30], corr_amplitude[:30], linefmt='C1-', markerfmt='C1o', basefmt=" ") axes[1].set_xlabel('周期 (天)') axes[1].set_ylabel('振幅') axes[1].set_title('收益率序列的振幅-周期谱') axes[1].set_xscale('log') # 周期使用对数坐标，便于观察 axes[1].grid(True, alpha=0.3) plt.tight_layout() plt.show() ``` 为了更精确地找到主周期，我们可以对振幅进行排序： ```python # 创建一个包含周期和振幅的DataFrame，方便排序 spectrum_df = pd.DataFrame({ 'Period': periods, 'Amplitude': corr_amplitude }) # 按振幅降序排列 top_cycles = spectrum_df.sort_values(by='Amplitude', ascending=False).head(10) print("振幅排名前10的周期成分：") print(top_cycles[['Period', 'Amplitude']].to_string(index=False)) ``` 在我的这次运行中，输出可能类似于： ``` 振幅排名前10的周期成分： Period Amplitude 3.45 0.0123 14.21 0.0098 5.12 0.0087 28.50 0.0071 2.11 0.0065 ... ... ``` 这表示，在苹果股票2023年的日收益率序列中，一个大约**3.5天**的周期波动成分振幅最强，其次是约**14天**和**5天**的成分。这些数字为我们提供了潜在的短期波动节奏线索。 ## 4. 滤波、重构与策略思路探索 识别出主周期后，我们可以尝试滤除噪音，用这几个主周期成分来重构收益率序列，观察其平滑后的形态，并探讨其在策略中的应用可能性。 ### 4.1 基于主周期的滤波与序列重构 假设我们选取振幅最大的前K个频率分量来重构信号。 ```python # 设定要保留的主周期数量 K = 5 # 获取振幅最大的K个频率分量的索引（在完整的fft_values中） # 注意：我们需要在完整的fft_values中找到对应这些正频率和其共轭负频率的位置 idx_sorted = np.argsort(amplitude_spectrum)[::-1] # 振幅从大到小排序的索引 indices_to_keep = idx_sorted[:K] # 前K个最大振幅的索引（包含正负频率对） # 创建一个全零数组，大小与原始FFT结果相同 filtered_fft = np.zeros_like(fft_values, dtype=complex) # 只保留我们选定的频率分量 filtered_fft[indices_to_keep] = fft_values[indices_to_keep] # 通过逆傅里叶变换重构信号 reconstructed_signal = np.fft.ifft(filtered_fft) # 逆变换结果可能是复数，但我们的原始信号是实数，取其实部 reconstructed_signal = reconstructed_signal.real ``` ### 4.2 可视化原始序列与重构序列 将原始收益率与滤波重构后的收益率进行对比。 ```python plt.figure(figsize=(14, 6)) plt.plot(df.index, returns_series, label='原始日收益率', alpha=0.6, linewidth=1) plt.plot(df.index, reconstructed_signal, label=f'基于前{K}个主周期重构', color='red', linewidth=2) plt.xlabel('日期') plt.ylabel('收益率') plt.title(f'{ticker} 收益率序列：原始 vs 傅里叶滤波重构 (K={K})') plt.legend() plt.grid(True, alpha=0.3) plt.show() ``` 你会看到，红色的重构曲线平滑了许多，它捕捉了原始数据中由那几个最强周期所决定的主要波动模式，同时剔除了大量高频噪音。这条平滑曲线可以作为一个**“去噪后的趋势或周期信号”**。 ### 4.3 从分析到策略的思考 到这里，我们已经完成了从数据到分析的全过程。但如何将其转化为交易策略的参考呢？这里提供几个思考方向，**绝非投资建议**，而是供你进一步探索的起点： 1. **周期共振观察**：如果识别出的主周期（如3.5天、14天）在近期持续出现，并且重构曲线显示出清晰的波峰和波谷，那么当价格走势与这个“去噪周期信号”发生背离时，或许值得关注。例如，价格创新低但周期信号已开始回升。 2. **滤波信号作为触发线**：可以将重构的平滑信号作为一条自定义的移动平均线或触发线。当快速变化的价格线上穿或下穿这条“傅里叶平滑线”时，作为一个潜在的买卖信号过滤器，与其他指标（如成交量、波动率）结合使用。 3. **周期长度的应用**：识别出的主要周期长度（例如14天≈2.5周），可以用于设置其他技术指标的参数，比如将RSI或KDJ的观察窗口设置为14天，使其与市场潜在的主导节奏对齐。 需要反复强调的是，基于历史数据的周期分析具有严重的滞后性。市场环境瞬息万变，过去的周期未必在未来重复。因此，**绝对不可以将傅里叶变换的结果作为单一的、机械的交易依据**。它更应该被看作是一个**辅助的分析工具**，帮助你从频域这个独特维度理解市场结构，为你的多因子策略增加一个观察视角。 整个实战流程走下来，最大的收获可能不是找到了某个“圣杯”周期，而是掌握了一套将数学工具应用于金融数据分析的完整方法。你可以尝试更换不同的股票代码、调整分析的时间范围、对振幅谱进行更复杂的滤波（如只保留特定周期范围内的分量），甚至将傅里叶变换与其他时间序列预测模型结合。代码就在那里，市场数据也是公开的，剩下的就是你的好奇心和探索欲了。金融市场没有保证成功的公式，但拥有更多维、更深入的分析工具，无疑能让你在决策时多一份冷静的依据。