傅里叶级数的部分和

傅里叶级数的部分和 (Partial Sums of Fourier Series)

傅里叶级数的部分和是研究周期函数用三角函数逼近时的核心概念，也是调和分析与应用数学中连接连续函数与离散频谱的基本桥梁。设 $f(x)$ 是区间 $[-\pi, \pi]$ 上的可积函数，其傅里叶级数形式为：

其中傅里叶系数 $a_n, b_n$ 由正交投影给出：$a_n = \frac{1}{\pi} \int_{-\pi}^{\pi} f(t) \cos(nt) \, dt$，$b_n = \frac{1}{\pi} \int_{-\pi}^{\pi} f(t) \sin(nt) \, dt$。第 $N$ 阶部分和 $S_N(f)(x)$ 定义为级数前 $N$ 项（含常数项）的截断：

部分和是理解傅里叶级数收敛行为的基本分析单元。当 $N$ 有限时，$S_N(f)(x)$ 给出了原函数的一个 $N$ 阶三角多项式逼近；核心问题在于：当 $N \to \infty$ 时，序列 $\{S_N(f)\}$ 是否收敛到 $f$，以及在何种意义下（逐点、一致或均方）收敛。答案高度依赖于 $f$ 的光滑性与间断结构，而这一问题的深入探索贯穿了整个十九世纪分析学的严密化进程。

狄利克雷核与卷积表示

将傅里叶系数代入部分和表达式并交换求和与积分次序，可得紧凑的卷积形式：

其中 狄利克雷核 (Dirichlet Kernel) 为：

狄利克雷核具有三个决定其收敛行为的关键性质：(1) 积分恒为 $2\pi$，保证常值函数被精确重构；(2) 在 $t = 0$ 处取峰值 $2N + 1$，随 $N$ 线性增长；(3) $L^1$ 范数无界：$\|D_N\|_{L^1} \sim \frac{4}{\pi^2} \log N \to \infty$。性质 (3) 意味着狄利克雷核不是恒正逼近核（good kernel），其剧烈的正负振荡使得卷积算子族的范数无界。由一致有界性原理（Banach–Steinhaus 定理），存在连续函数其傅里叶部分和在给定点发散——这正是 Du Bois–Reymond 于 1873 年给出的著名反例，它终结了"连续函数的傅里叶级数处处收敛"的早期猜想。

收敛性定理与吉布斯现象

部分和的收敛行为受若干经典判据的约束：

狄尼判据：若 $f$ 在点 $x$ 处满足 Hölder 条件 $|f(x+t) - f(x)| \le C|t|^\alpha$（$\alpha > 0$），则 $S_N(f)(x) \to f(x)$。该条件在几乎所有经济学应用中均成立。

狄利克雷定理：若 $f$ 在 $x$ 附近分段单调且有界变差（即可以表示为两个单调非减函数之差），则部分和收敛至左右极限的算术均值：$S_N(f)(x) \to \frac{f(x^+) + f(x^-)}{2}$。在连续点处退化为 $f(x)$ 自身。

吉布斯现象：当 $f$ 存在跳跃间断时，部分和在间断点附近表现出不随 $N$ 增大而消失的超调。以方波 $f(x) = \operatorname{sgn}(\sin x)$ 为例，在跳跃点 $x = 0$ 附近，$S_N(f)$ 的峰值始终超出函数实际值的约 9\%（精确常量 $\frac{2}{\pi} \int_0^{\pi} \frac{\sin t}{t} dt - 1 \approx 0.0895$）。该现象源于狄利克雷核在跳跃处无法区分左右极限的差异，且 $L^1$ 范数的对数发散导致逼近在间断附近以固定比例的过冲振荡。吉布斯现象在信号处理的滤波设计中具有实际操作意义：对含跳跃的经济时间序列直接进行傅里叶截断会引入虚假的边缘振荡。

在 $L^2$ 意义下，部分和具有最优逼近性质：在所有次数不超过 $N$ 的三角多项式中，$S_N(f)$ 是唯一使均方误差 $\|f - T_N\|_{L^2}^2$ 极小化的选择。这是傅里叶基函数正交性的直接推论，也是最小二乘原理在函数空间中的体现。

费耶平均：从条件收敛到一致收敛

为克服吉布斯现象和逐点发散，费耶 (Fejér) 于 1904 年提出了费耶平均——对部分和进行算术平均：

其对应的积分核为费耶核：

费耶核具备两项狄利克雷核缺失的决定性优势：(1) 非负性：$F_N(t) \ge 0$ 对所有 $t$ 成立；(2) $L^1$ 范数恒为 $2\pi$，与 $N$ 无关。这使得 $\sigma_N(f)$ 构成一个恒正线性逼近算子。费耶的核心定理断言：若 $f$ 在 $[-\pi, \pi]$ 上连续且周期延拓后仍连续，则 $\sigma_N(f) \to f$ 一致收敛。将发散的部分和序列简单地取算术平均，便实现了从条件收敛到无条件一致收敛的根本转变——这在调和分析中是一个具有范式意义的结果：通过引入适当的求和核（summability kernel），可以驯服原本病态的逼近过程。

将费耶思想进一步推广：若部分和序列 $\{S_N\}$ 是切萨罗可和（Cesàro summable）到 $f(x)$ 的，即使原级数发散，其算术平均仍收敛到 $f(x)$。这一结论在时间序列分析中具有直接启示：对含噪的周期信号，对傅里叶部分和做滑动平均（而非直接截断）能显著抑制吉布斯伪影并提升频谱估计的稳定性。

经济学与计量经济学中的应用

傅里叶级数的部分和在经济学中扮演多重角色。在时间序列分析的谱分析框架中，周期图 (Periodogram) 本质上是离散傅里叶部分和的平方模，用于将宏观经济时间序列分解为不同频率的周期成分，识别主导商业周期的波长与振幅。谱密度的非参数估计——如加窗周期图的平滑——直接对应于费耶平均的离散推广：通过在频域对部分和取加权平均来获得一致估计量。

在期权定价领域，Fang 和 Oosterlee (2008) 的 COS 方法利用傅里叶余弦级数的部分和对条件概率密度函数进行截断展开。该方法在 Heston 等随机波动率模型下以指数收敛速度实现期权价格的快速逼近，收敛速度远超传统的有限差分和蒙特卡罗方法。部分和的截断阶数 $N$ 在此处控制着定价精度与计算成本的折中。

在非参数计量经济学中，三角级数估计量以傅里叶部分和为正交基函数对未知回归函数或密度函数进行级数展开。截断阶数 $N$ 扮演平滑参数的角色：$N$ 过小导致高偏差（欠拟合，遗漏函数的高频变化），过大则引入高方差（过拟合，将噪声当作信号拟合）。最优 $N$ 的选择——即最优部分和的截断位置——通常通过广义交叉验证、AIC 准则或惩罚最小二乘来实现，这构成了非参数推断中偏差-方差权衡的经典体现。部分和的基本数学性质——在 $L^2$ 中最优但在 $L^\infty$ 中受吉布斯现象困扰——精确对应于计量经济学中均方预测误差最小化与边界效应之间的经典张力。

参考条目

• 费耶定理
• 狄利克雷核
• 吉布斯现象
• 时间序列分析
• 非参数回归
• 随机波动率模型