离散傅里叶变换

离散傅里叶变换

离散傅里叶变换（Discrete Fourier Transform, DFT）是将有限长序列从时域（或空间域）映射到频域的线性变换，是数字信号处理与谱分析的理论基石。给定长度为 $N$ 的复序列 $\{x_n\}_{n=0}^{N-1}$，其 DFT 定义为：

其中 $X_k$ 为第 $k$ 个频率分量，$\omega_k = 2\pi k / N$ 为归一化角频率，$e^{-i\omega_k n}$ 是复指数基函数。逆变换（IDFT）以对称形式恢复原序列：

数学性质

DFT 将时域的 $N$ 点序列一一映射为频域的 $N$ 点复谱。变换矩阵 $\mathbf{W}_N$ 的元素为 $W_N^{kn} = e^{-i 2\pi kn / N}$，该矩阵是对称的 Vandermonde 矩阵且满足 $\mathbf{W}_N \mathbf{W}_N^* = N\mathbf{I}$，因此 DFT 本质上是一个酉变换（仅差归一化因子）。核心性质包括：(1) 线性性——变换对序列加法与标量乘法封闭，这是频域线性滤波的数学基础；(2) 循环移位——时域循环移位对应频域相位旋转，即 $x_{(n-m)\bmod N} \leftrightarrow X_k \cdot e^{-i 2\pi km / N}$，相位承载了信号的时序结构信息；(3) 卷积定理——时域循环卷积等价于频域逐点乘积，即 $\text{DFT}(x \circledast y)_k = X_k \cdot Y_k$。该性质是 DFT 最重要的计算价值所在：它将复杂度为 $O(N^2)$ 的时域卷积转化为 $O(N)$ 的频域逐点乘法（加上 FFT 的 $O(N\log N)$ 开销），为大规模滤波、相关运算与深度学习中的卷积层加速提供了理论基础；(4) Parseval 定理——$\sum_{n} |x_n|^2 = \frac{1}{N} \sum_{k} |X_k|^2$，保证总能量在时域与频域之间守恒，这意味着功率谱 $|X_k|^2/N$ 可以解释为各频率分量对信号总方差的贡献份额。

DFT 可视作连续傅里叶变换在有限离散网格上的采样：若连续信号 $x(t)$ 的傅里叶变换为 $\hat{x}(\omega)$，则 $X_k$ 近似于 $\hat{x}(2\pi k / (N\Delta t))$，其中 $\Delta t$ 为采样间隔。这一关系隐含了采样定理的约束——时域采样不足将导致频域混叠（aliasing），而频域离散化等效于时域的周期延拓，边界处的不连续可能引发谱泄漏（spectral leakage），实践中常以窗函数（如 Hamming、Hann 窗）加以抑制。

快速傅里叶变换

直接计算 $N$ 点 DFT 需 $O(N^2)$ 次复数运算。快速傅里叶变换（Fast Fourier Transform, FFT）利用 $W_N^{kn}$ 的周期性与对称性，通过分治策略将复杂度降至 $O(N\log N)$。Cooley--Tukey 算法（1965）是应用最广的 FFT 变体：将 $N$ 分解为 $N = N_1 N_2$，递归地将一维 DFT 映射为二维 DFT，显著减少了冗余计算。FFT 的发明是 20 世纪计算数学领域最具影响力的进展之一，它将 DFT 从理论工具转变为工程与经济分析中可大规模应用的操作性方法。

经济学应用

在经济学与计量经济学中，DFT 是频域分析（frequency-domain analysis）的核心工具。与传统的时域方法（如 ARMA 模型关注自相关结构）不同，频域方法直接将时间序列分解为不同频率的正弦波叠加，从而直观地揭示经济波动的周期性特征与谱结构。

谱分析与商业周期

对宏观经济时间序列（GDP、通胀率、失业率等）进行 DFT 变换后，功率谱 $|X_k|^2$ 揭示了各频率成分对总波动的贡献。商业周期研究中，谱密度在 2--8 年周期范围内的峰值被视为经济周期性波动的频域证据。Granger 谱分析框架将传统的时域自协方差结构转化为频域表示，使研究者得以区分短期波动（高频）、商业周期（中频）与长期趋势（低频）的来源。

滤波与去趋势

频域视角为滤波设计提供了直观解释：理想低通滤波器在频域中等价于对高频分量置零后执行 IDFT，由此提取长期趋势；高通滤波器则抑制低频以保留短期波动。频域方法在Hodrick--Prescott 滤波、Baxter--King 带通滤波等去趋势技术的理论推导中居于核心地位。这些滤波器可被统一理解为对 DFT 系数的加权修正——在频域中以传递函数 $H(\omega_k)$ 缩放 $X_k$ 再逆变换。

交叉谱与领先滞后关系

两个时间序列的交叉谱（cross-spectrum）——$\text{DFT}(x)_k \cdot \overline{\text{DFT}(y)_k}$——同时编码了相干性（coherence）与相位差信息。相位谱的斜率对应时域中的领先/滞后关系，为判断先行指标（如制造业订单相对于工业产出）的预测能力提供了不依赖模型设定的非参数检验手段。

高频金融数据

在金融计量中，DFT 被用于检测日内收益率序列的周期性模式（如 U 型成交量模式）、计算已实现波动率的谱表示，以及在高频交易信号的降噪与压缩中发挥关键作用。

局限与扩展

DFT 假设信号的平稳性与等间隔采样，对于非平稳经济时间序列（如带有随机趋势的 GDP 或带有结构断点的汇率序列），直接应用 DFT 可能导致虚假谱峰与误导性推论。实践中通常先对序列取差分或采用单位根检验确认平稳性后再做谱分析。此外，DFT 的频率分辨率固定为 $\Delta\omega = 2\pi/N$，无法同时在高频和低频获得精细分辨，这一时频不确定性约束推动了对小波变换（wavelet transform）等时频局部化方法的研究。小波通过可伸缩的基函数在时域和频域同时定位信号特征，尤其适用于分析经济周期中振幅与频率随时间缓慢变化的"时变周期"现象。短时傅里叶变换（STFT）则通过在滑动窗口内反复执行 DFT，以折中方式提供时变频谱的近似描述，在金融危机传染的时变相关性研究中得到应用。另一重要扩展是多维 DFT（2D-DFT），在空间计量经济学中用于识别区域经济数据的空间频率模式。

知识网络

DFT 与多个概念形成紧密关联：傅里叶级数是周期连续信号的频域展开，DFT 是其离散化推广；拉普拉斯变换将频域分析拓展至阻尼/增长系统；谱分析是 DFT 在随机过程研究中的统计框架；滤波理论与 DFT 构成信号提取的一体两面；小波变换突破了 DFT 的时频分辨率刚性约束；自相关函数与功率谱通过 Wiener--Khinchin 定理构成傅里叶对。在计算层面，FFT 算法的持续优化（如 FFTW 库、GPU 加速）使得 DFT 成为现代经济数据科学基础设施中不可见的底层引擎。