先说一句大家可能不太爱听的话把傅立叶变换用在股价预测上市场上九成的人都觉得这是“花架子”但真正用好了的人都把它当成一种周期量化的辅助工具而不是一台印钞机。我自己在量化分析这条路上摸索了几年一开始也试图用FFT“算出明天涨跌”结果亏得没脾气。后来换了个思路不猜方向只提取主周期反而在波段操作和仓位管理上有了实打实的参考价值。这篇就聊聊这个“换思路”的过程以及FFT预测股价背后那些文档里很少写透的原理、细节和坑。为什么说这个内容值得你看因为如果你手里有一串历史收盘价想搞清楚“这标的存在规律性的周期吗”“大致的波段节奏是什么”FFT是信号处理里最顺手的那把刀。但如果你指望它能准确告诉你明天开盘是红是绿那你大概率要失望。适合谁来读自然是那些刚接触量化、想知道“周期分析怎么做”的初学者以及做过几年交易、想给自己的系统加一个频谱视角的老玩家。我会尽量用大白话讲清楚还会把从数据准备到回测落地的完整流程拆开给你看。1. 核心逻辑拆解FFT凭什么可以用来分析股价1.1 傅立叶变换到底在看什么你可以把任意一条随时间变化的曲线想象成一段音乐。一段旋律由很多不同频率的声音叠加而成。傅立叶变换做的事情就是把这段“混合声音”拆开告诉你里面有哪些“单音”各自的振幅和相位是多少。放到股票价格上就是把收盘价这条曲线当成一段“波形”看看它是由哪些固定频率的波动叠加出来的。我最初接触这个思路时第一反应是怀疑股价明明是随机游走哪来的稳定频率后来转念一想市场里确实存在很多非随机因素——上市公司的业绩发布周期、资金的月末季末效应、投资者情绪的周内波动甚至某些商品的季节性供需变化。这些因素会在价格序列里留下周期性的指纹。FFT的价值就是把这个指纹提取出来。数学上离散傅立叶变换的公式是X(f) Σ x(t) · e^(-2πift)其中 x(t) 是时间序列数据X(f) 是频率域里的复数值。我们平时用的FFT不过是把上面的式子用一种高效算法算出来。它的输出是一堆复数每个复数的模长代表对应频率的“强度”相位则代表这个频率在时间轴上的偏移。实际操作里我们最常看的往往就是模长——也就是频谱图。提示如果你只是单纯想看看数据有没有周期性规律不需要纠结相位。直接看频谱图上的“峰”就行。峰越高说明这个频率的成分越强。1.2 为什么股票数据不能直接做FFT这是新手最容易踩的坑。股票原始价格序列里有强烈的趋势项。比如一只票从10块涨到30块这本身就是一个大斜坡。对一个大斜坡做FFT结果就是频谱图在零频率附近出现一个巨大峰值其他频率的成分全部被“压制”到看不见。这个零频率峰值只是趋势不是可用周期。所以正经做法是先去除趋势。常见做法有两种。第一种是直接转成收益率序列相当于对价格做一阶差分。这样趋势被削掉留下的是每日波动的变化。第二种是先用移动平均求出趋势线再用原始价格减去趋势线得到“去趋势序列”。我个人更加偏爱收益率序列因为它在数学性质上更平稳也更贴近我们交易时真正关心的东西——涨跌百分比。还有一个细节很多教程不提日线数据的采样点和FFT分辨率的关系。分辨率等于采样频率除以样本长度。假设你有250个交易日的数据那么频率分辨率就是1/250。这意味你只能分辨出“周期约等于250天、125天、83天……”这些档位中间的周期看不到。样本太少时你提取出来的“周期”可能根本不是真实的周期只是分辨率不够导致的“混叠”。1.3 用主周期重构信号比直接预测更靠谱搞清楚频谱之后下一步不是“拿最大频率去预测明天”而是“选出谱峰明显的少数几个主周期用它们重构出一个平滑的走势轮廓”。注意这个重构信号可以帮你判断大体的波段节奏比如“当前处于上升波段的后半段”或“即将进入回调整理”但它不会精准到具体涨跌点数。这个思路的本质是把价格看成“慢变量周期 快变量噪声”的组合。嘈杂的日常波动属于噪声部分主周期则是相对慢、相对稳定的节奏。你用FFT抓到主周期后相当于做了一个“量身定制的带通滤波器”把噪声滤掉留下骨架。然后基于骨架的位置和斜率辅助你的进出场决策。2. 工具选型与数据准备别在起跑线上翻车2.1 技术栈怎么选内存和速度怎么权衡做FFT分析用Python是最顺手的组合核心组件就三个numpy负责矩阵和计算scipy的fft包负责频谱分析pandas负责数据处理。如果是轻量测试numpy.fft.fft就够不需要额外装scipy。但若你要做滑动窗口滚动FFT、实时分析分钟级数据建议上scipy.fft接口更丰富窗口函数的选择也齐全。计算量方面不用担心FFT本身是n*log(n)级别复杂度。250条数据一瞬间就算完了哪怕100万条数据现代家用电脑也能在几十秒内跑完。真正耗时的往往是你后来做的滚动回测每滚动一个交易日就要对过去N天重新算一次FFT。比如250天窗口滚动500次每次要处理好几个周期提取这时候就要有意识地控制批处理量或者用矩阵化方式避免嵌套循环。提示我见过有人直接用普通循环写滚动FFT2000条数据跑了快十分钟。后来改成对固定窗口做分块计算速度快了十倍以上。数据量一大代码的“体质”差异就出来了。2.2 数据频率越高越好吗不见得日线数据是最适合入门FFT分析的。为什么因为日线的周期规律相对稳定日内分钟线则噪声太大、微观结构干扰多。分钟级数据虽然在一天之内有很多个采样点频率分辨率很高但市场微观噪声却大到足以淹没真正的周期信息。更麻烦的是分钟数据还有非等间隔的问题——午休时间、集合竞价时段这些都会导致时间轴不均匀。如果你只有非等间隔的数据比如成交明细按每笔记录时间间隔忽长忽短那必须先重采样成等间隔序列。最简单的做法是用pandas的resample功能按分钟或小时聚合。数据重采样后统计口径要统一用收盘价还是加权平均价涨跌停的极端值怎么办这些都会影响FFT结果。实操中我建议至少保留两个版本的数据一个等间隔收盘价序列一个等间隔成交量加权均价序列做频谱对比看主周期是否一致。2.3 数据预处理的关键步骤和参数选择具体操作步骤我这里按顺序拆给你第一步把原始数据清洗成纯数字序列去除空值。如果你用的是pandas直接用的是dropna。一旦中间有断裂FFT会把断裂处当成一个突变频谱上会出现虚假的高频成分。更稳妥的是用插值把缺口补齐而不是简单删除因为你删掉一行会破坏等间隔性。第二步计算日收益率公式是ret close.pct_change()。这一步同时完成了去趋势和归一化的大部分工作。注意pct_change在第一天必然产生NaN需要剔除。第三步如果非要用价格序列那就得做减法去趋势。最经典的是减去中心化移动平均比如trend close.rolling(window20).mean()然后detrended close - trend。这个窗口长度是个超参数窗口短了会过度拟合短期波动窗口长了会残留趋势成分。我自己一般用20到30日窗口做测试数据效果相对稳定。第四步数据标准化和去均值。FFT本身对均值不敏感但去均值能让频谱图更好看零频分量更弱。标准化则有助于不同标的之间做频谱对比。下面是去趋势加FFT的核心代码框架基于numpy实现import numpy as np import pandas as pd def compute_spectrum(close): # 步骤1收益率去趋势 ret close.pct_change().dropna() # 步骤2去均值 signal ret.values - ret.mean() # 步骤3FFT计算 spectrum np.fft.fft(signal) freqs np.fft.fftfreq(len(signal), d1) # 步骤4取正频率部分忽略负频率 positive spectrum[:len(signal)//2] freqs_pos freqs[:len(signal)//2] amplitude np.abs(positive) return freqs_pos, amplitude注意fftfreq的d参数表示采样间隔。如果数据是日线d1如果是周线数据d7。很多人这里没改导致换算出来的周期全部错了我一开始也在这上面吃过亏。3. 实操过程从股价序列到主周期预测的完整流程3.1 生成测试数据没有真实行情时怎么验证逻辑在拿真实行情验证之前先用一段已知规律的数据测试FFT逻辑是否跑通这一步非常关键。你不能一上来就用真实的不规则序列否则出了问题根本分辨不出是代码的问题还是市场规律本身难以捕捉。我习惯用带噪声的正弦波做合成测试。比如生成一个“基准周期45天 随机噪声”的序列然后跑FFT看能不能把45天这个周期找回来。代码大概是t np.arange(0, 360) price 100 10 * np.sin(2 * np.pi * t / 45) np.random.normal(0, 1, len(t))跑完FFT你应当看到在周期45天附近有一个明显的谱峰。如果谱峰不明显可能是噪声太大或者采样长度不足。测试数据能通过再切换到真实行情。这个习惯我一直保留着它能帮你把“算法问题”和“市场问题”分开。提示注意价格里的“100 10*sin”只是一种模拟生成方式实际使用中生成信号时应根据自身测试目标设定振幅与噪声水平。由于这里只是验证算法流程使用固定基准周期即可具体参数可由模拟测试目标决定。3.2 用真实行情数据跑频谱分析时怎么挑主周期真实数据来了先把上一节compute_spectrum函数跑一遍得到频谱数组。然后做的事不是直接把最大的谱峰挑出来当主周期而是要剔除掉低频端和高频端的无效成分。低频端通常有残存的趋势分量谱峰往往在周期超过200天的地方。这种长周期峰对短线交易参考意义不大还容易误导。高频端则主要是噪声周期短于5天的峰基本不用看。中间这个区间5到120天才是绝大多数波段策略关心的范围。在筛选时我会设定一个阈值振幅超过所有振幅平均值的两倍才被认为是候选主周期。选出来后再把对应的周期按振幅从大到小排列取前三位作为有效主周期。为什么取三位因为FFT重构一个波形需要多个频率但太多了又会过拟合。三位是我在实践中的一个平衡点一般能覆盖主要波动节奏又不至于把噪声也拟合进来。def extract_top_periods(amplitude, freqs, top_n3, peak_ratio2.0): avg_amp np.mean(amplitude) mask amplitude peak_ratio * avg_amp # 只关注5到120天的周期区间 valid_mask (freqs 0) (freqs 1/5) (freqs 1/120) mask mask valid_mask candidates np.where(mask)[0] # 按振幅排序取前top_n个 sorted_idx candidates[np.argsort(amplitude[candidates])[::-1][:top_n]] periods [round(1 / freqs[i]) if freqs[i] ! 0 else 0 for i in sorted_idx] return periods粗看代码并不复杂但要注意valid_mask里的频率边界5天周期对应频率0.2120天周期对应频率约0.0083。这个区间之外无论振幅多高都不该参与后续预测。3.3 用主周期重构未来走势怎么做才算合格的“预测”到这里你已经拿到了主周期比如“45天周期、123天周期”。下一步才是重头戏——用这些周期重构出走势轮廓并外推一小段未来。重构公式就是一个多重正弦波叠加y(t) Σ A_k · sin(2π·t/T_k φ_k)其中A_k和φ_k来自频谱的模和相位。在numpy里可以直接用ifft逆变换实现但一般我们只选取前几个主周期相当于在频率域做了一次“掩码”其他频率置零再跑ifft。这样得到的就是平滑的“主周期走势曲线”。外推预测的方式有两种。一种简单的做法直接用重构公式对t1到t5代入计算得到未来几天的“趋势复合方向”。另一种更稳健的做法是把最近一段重构值做线性延伸和原始数据最新点位对齐避免相位漂移。我个人倾向于第二种因为FFT重构信号在端点位置容易出现“吉布斯现象”——端点附近发生明显振荡直接外推容易产生极端误导值。关键提醒外推的预测结果只能看方向不能看点位。比如“未来10天倾向震荡偏强”就已经是FFT能给出的最大价值。你要是看到别人说FFT包治百病能精确预测收盘价那基本是在吹牛。3.4 滚动回测验证这套方法到底靠不靠谱不做事后回测的预测方法都是耍流氓。滚动回测的逻辑是每到一个交易日只拿当前时刻之前250天的数据算频谱提取主周期然后预测未来5天方向再和真实结果对比。等时间推进到下一天丢掉最老的一天加入最新一天再重新计算。这个模拟过程非常贴近真实交易也最能看出方法是否稳定。我建议记三组指标方向准确率、平均绝对误差、以及最大回撤。方向准确率指“预测涨/跌和实际涨/跌一致”的比例平均绝对误差则衡量预测点位偏离实际点位的程度。注意方向准确率稍微超过50%就有参考价值但前提是统计样本要足够大至少跑200次以上否则结果偶然性太大。以下是一个简化的回测循环骨架def rolling_fft_backtest(close, lookback250, horizon5, top_n3): predictions [] actuals [] for i in range(lookback, len(close) - horizon): window close[i - lookback:i] freqs, amp compute_spectrum(window) periods extract_top_periods(amp, freqs, top_ntop_n) # 重构并取当前点位的趋势方向 direction_pred reconstruct_direction(window, periods) direction_actual 1 if close[i horizon] close[i] else -1 predictions.append(direction_pred) actuals.append(direction_actual) accuracy np.mean([p a for p, a in zip(predictions, actuals)]) return accuracy注意这个骨架里没有处理“无有效主周期”的情况。如果某段时间频谱上找不到像样的峰说明市场处于无趋势混沌状态这时候强行预测反而危险。回测里要单独把这类样本拎出来统计失败率不要混在一起算平均值。4. 常见问题与避坑技巧把踩过的雷一个个排掉4.1 频谱泄漏和窗口函数为什么谱峰看起来乱七八糟频谱泄漏是最容易遇到的问题之一。当你对有限长度的数据片段做FFT时如果这段数据起始点和结束点不在同一水平线上相当于人为给波形加了一个“台阶”这个台阶会在频谱里产生很多额外的频率分量让原本干净的谱峰变成一摊糊状。解决办法是加窗函数。常用的汉宁窗或汉明窗能够把数据段两端平滑地衰减到零减弱端点突变。但窗口函数也不是白加的——它会改变频谱的幅值重构信号的时候要做幅值修正。实操里我通常先不加窗直接看一次频谱如果谱峰已经比较清晰就不加窗。只有看到糊状频谱或者谱峰分裂时才启用汉宁窗。4.2 端点效应预测值在末端剧烈摆动的元凶FFT重构信号天然假设序列是周期性的。但股价序列的开头和结尾通常不对齐于是重构信号在两端就会出现明显的振荡摆动。这就是前面提到的端点效应。它对于预测的影响非常大因为你预测的未来正好紧挨着数据末端正好处于摆动最剧烈的位置。缓解方法主要有三种。一种是数据倒序镜像扩展把原序列反向接在末尾人为构造周期性衔接再跑FFT预测完再把后段镜像去掉。第二种是只取重构信号的中段判断趋势方向两端的极端值直接忽略。第三种是用最小二乘法拟合正弦波组合来替代纯FFT重构更有弹性抗端点干扰能力更强。如果你想在生产环境里长期使用这套方法第三种是最可靠的。4.3 过拟合与“参数寻优陷阱”很多朋友跑完回测发现准确率60%以上兴奋得不行。然后换一段新数据一测准确率直接掉回50%。这个过程我经历过太多次。为什么会这样因为你在回测时不管是窗口长度、主周期筛选阈值、还是top_n的取值都可能在无意中做了参数寻优。参数寻优本质上是在特定历史数据上找最佳拟合代价就是在另一段数据上失去泛化能力。规避办法有两条一条是提前固定所有参数不允许在回测中途修改另一条是至少分成三段数据——训练段、验证段、测试段只在测试段上评估最终效果。市场数据的非平稳性决定了任何参数都不可能永久有效定期重新校正参数也是必要的流程。4.4 市场非平稳与周期失效遇到极端行情怎么办还有些时候FFT分析本身没毛病但市场突然变了——比如突发政策调整、宏观冲击、财报爆雷。这种外部信息驱动下原有的周期规律会在短时间内彻底瓦解。频谱图上原本清晰的谱峰会突然消失或者跳到完全不同的位置。我应对这个问题的做法是给系统加一个“周期性置信度”指标。简单来说如果主周期对应的振幅在最近若干天持续下降或者候选主周期频繁切换就说明当前市场状态不适合用FFT作为参考依据这时候果断停止信号输出。系统有时报不出信号并不是坏事至少帮你躲过了垃圾时段。4.5 结合其他技术指标一起用效果才不鸡肋单独使用FFT预测股价效果确实鸡肋。但把它和动量指标、移动均线组合起来体验就完全不一样了。举个例子FFT告诉你当前处于主周期的上升阶段同时均线呈现多头排列这时入场做多的置信度就会高很多。反过来如果FFT说大概率要回调而均线还没拐头你可以把它当作一个减仓信号而是不立刻反向做空。这种“FFT定节奏、其他指标定确认”的组合思路是我后来用着最顺的工作流。FFT擅长回答“现在处在什么阶段”而趋势指标更擅长回答“此刻动能是否足”。两者交叉验证犯错的概率能小很多。提示别试图用FFT替代风险控制。不管信号多好看仓位管理永远是第一位的。这一点我在实盘里体会过太多次了。5. 回测结果怎么解读别被漂亮曲线蒙蔽双眼5.1 看方向准确率也别忘了看极端误差做滚动回测之后你最关心的肯定是准确率数字。但我建议你把预测结果按日期画出来看看错误发生的时间点是否高度集中。某些时段连续出错比平均准确率更重要。比如回测显示总准确率56%但如果这56%全部集中在单边上涨行情那你的方法在震荡市里可能是完全失效的。平均绝对误差同理。预测点位偏离度平均1.5%看似不错但如果有几次偏离15%的极端案例实际交易时你可能早就被止损出局了。统计平均值的意义不大要重点关注误差分布的尾部风险。5.2 基准对比跟随机预测比才知道有没有真本事判断一个预测模型有没有用最简单的方法是和基准线对比。最容易理解的基准线是“随机预测”——固定预测50%概率猜涨跌。你做的FFT方法如果连这个基准都不能显著超越那它就没有实际价值。另一个更好的基准是“动量基准”也就是用最简单的过去N日累计收益预测未来。如果动量基准都能轻松战胜FFT结果那你真的要检讨参数和流程是不是设计错了。我在自己的测试中FFT方法在趋势明显的资产上能跑出53%到58%的方向准确率在震荡资产上则在50%附近徘徊。这种结果虽然不算惊艳但作为辅助参考已经足够了。5.3 把信号转化成可落地的策略阈值与仓位怎么定拿到FFT预测信号之后不是说一定要满仓干。更务实的做法是把它拆成强度等级比如“强烈看多”“温和看多”“中性”“温和看空”“强烈看空”。等级划分可以用频谱中主周期振幅的相对大小来决定。主周期越显著信号越强烈主周期微弱则自动归为中性不参与交易。在仓位管理上我给出的建议很保守强烈看多时最多配置三成仓位温和看多时配置一成到两成中性一律空仓等待。掷色子式的全仓操作就算方向预测对了回撤也足以让你扛不住。6. 经验复盘这套方法真正帮到我的地方说句实在话做了这么久FFT分析我的体会是它不是用来回答“明天涨不涨”的而是用来回答“现在处于什么天气系统里”的。就像你去海边冲浪关键不是算出下一波浪精确的海面高度而是知道“当前处于涨潮期还是退潮期海流方向如何”。FFT给我的正是这种潮汐层面的认知。我之前在模拟盘交易里用这套方法避开了好几段本该重仓的下跌区间。主周期显示价格正处在高位衰减阶段且频谱峰持续走弱我选择了轻仓应对。那段时期恰好出现了连续阴跌很多满仓交易的人回撤很大而我的模拟盘几乎没有受伤。反过来当频谱出现新主周期且振幅放大同时均线呈现支持信号时我也能更有底气地持有多单。FFT不是圣杯但它确实提供了一个从“感觉”升级到“量化”的视角。另外分享一个经验定期把市场里不同板块的标的放在一起跑FFT比较它们的主周期节奏。两个标的主周期相似但相位相反组合起来可以降低整体波动这在建仓组合时非常有用。你会发现金融市场里的很多品种背后都有季节性、资金面的周期脉动而FFT就是打开这个视角的工具。如果你看完这篇想在真实数据上试一试我的建议是先跑合成数据再上真实数据先做固定周期分析再尝试滚动窗口只把FFT当作决策链条里的一个环节而不是唯一依据。市场是活的分析工具也要跟着灵活起来。希望这篇分享能让你少走些弯路。