日内波动率季节性 FFF：用柔性傅里叶形式剖开 U 型日内波动曲线 • halo 的技术博客

日内波动率的 U 型季节性：开盘收盘高、午间低

把一个交易日切成几十个 5 分钟的小格子，逐格算收益的绝对值（一个粗糙的波动代理），再把很多天叠在一起平均——你会得到一条几乎每天都重演的曲线：开盘那一柱冲得老高，之后一路衰减，午间趴到谷底，临近收盘又抬起来。 画出来就是一个 U（A 股午休把它切成两个小 U，但形状同源）。

这条 U 型不是随机噪声，是日内季节性（intraday seasonality）——市场微观结构的一个稳定事实。开盘高，因为隔夜信息在开盘集中释放、做市商重新校准报价；午间低，因为信息流枯竭、机构午休；收盘高，因为指数基金收盘建仓、日内头寸了结、大量算法在 VWAP 尾段冲刺。

问题来了：如果你不把这条 U 型剥掉，几乎所有日内量化工作都会被它系统性带偏。 你会以为开盘的高波动是”异常”，其实那是每天都有的常态；你会用一条全天固定的阈值去检测跳跃，结果开盘漏报一堆假信号、午间漏掉真正的跳跃。要正确处理日内数据，第一步永远是：先估计季节性，再去季节化。

Andersen 和 Bollerslev（1997, 1998）给出的答案，就是本文的主角——柔性傅里叶形式（Flexible Fourier Form, FFF）。

一、为什么日内波动必须先去季节化#

先说清楚不处理季节性会踩哪些坑。

跳跃检测被污染。 Lee-Mykland、BNS 这类跳跃检验，本质是拿单个 bin 的收益去和局部波动水平比，超过某个阈值就判为跳跃。但如果局部波动水平本身在开盘天然偏高、午间天然偏低，用一条固定阈值就会：在开盘把正常的高波动误判成跳跃（假阳性），在午间把真正的小跳跃埋没在阈值之下（假阴性）。跳跃检验必须在去季节化之后的收益上做。

已实现波动率被扭曲。 用日内数据估日度已实现波动率（RV）时，如果采样落点和季节性形状交互（比如恰好多采了开盘段），估计会有偏。日内波动预测模型（HAR 的日内版、日内 GARCH）如果不先扣季节性，模型会把每天重演的 U 型当成”可预测的动态”，其实那只是日历效应。

执行算法被误导。 VWAP/TWAP 拆单需要预测日内成交量与波动的分布。成交量也有极强的 U 型季节性（和波动同源）。不建模季节性，你的拆单曲线会和市场的天然节奏错位——在流动性最差的午间下太多单，在开盘尾盘的高流动性窗口反而下太少。

一句话：日内季节性是一个已知的、稳定的、可建模的成分。把它留在数据里当噪声处理，是在自找麻烦。

二、FFF：用几个参数画出一条 U 型#

怎么建模这条 U 型？最笨的办法是给每个 bin 估一个自己的均值（bin-by-bin 平均），比如 48 个 bin 就 48 个参数。这能拟合任何形状，但参数太多、噪声大、无法外推，而且忽略了”相邻 bin 的季节性应该平滑过渡”这个先验。

FFF 的思路优雅得多：日内季节性是时间的一个平滑周期函数，那就用傅里叶基去逼近它。 把归一化的日内时刻记为 $\tau \in [0, 1]$ （0=开盘，1=收盘），FFF 把对数季节性因子写成：

$\ln s(\tau) = \beta_0 + \beta_1 \tau + \beta_2 \tau^2 + \sum_{p=1}^{P}\left[\gamma_p \sin(2\pi p\tau) + \delta_p \cos(2\pi p\tau)\right]$

三部分各司其职：

低阶多项式 $\beta_0 + \beta_1\tau + \beta_2\tau^2$ ：捕捉整体的趋势与弯曲（U 型的大轮廓）。
傅里叶谐波 $\sin/\cos$ 项：捕捉周期性的精细结构（开盘尖峰、午间凹陷这些偏离光滑 U 型的形状）。
阶数 $P$ ：控制模型的柔性。 $P$ 越大，能拟合越尖锐的局部特征，参数也越多（每加一阶多两个参数）。

写成对数是为了让拟合出来的季节因子恒正（波动不能为负），也让乘法季节性（ $r_t = s(\tau_t)\cdot\varepsilon_t$ ）变成加法回归。设计矩阵和拟合就是一个普通最小二乘：

import numpy as np

def fff_design(tau, P=4):
    """柔性傅里叶设计矩阵：常数 + 一次 + 二次 + P 阶正弦余弦。"""
    cols = [np.ones_like(tau), tau, tau**2]
    for p in range(1, P + 1):
        cols.append(np.sin(2*np.pi*p*tau))
        cols.append(np.cos(2*np.pi*p*tau))
    return np.column_stack(cols)

# y = 对数波动代理（如 log|收益| 的跨日平均）
X = fff_design(tau, P=4)
beta = np.linalg.lstsq(X, y, rcond=None)[0]
season = np.exp(X @ beta)          # 估计的日内季节因子
season = season / season.mean()    # 归一化，均值=1

python

十几行，一个 OLS，就把一条 U 型曲线用十来个参数刻画出来了。文首图里的红色虚线（真实形状）和蓝色实线（跨日平均）几乎重合，说明这个平滑的季节结构确实稳定存在。

三、阶数 P：柔性与过拟合的老矛盾#

FFF 的唯一关键旋钮是阶数 $P$ 。它直接控制模型能画出多尖锐的形状。

柔性傅里叶阶数 P 越高，越贴合开盘尖峰

四条拟合线讲了一个清晰的权衡：

P=1（绿线，5 参数）：只能画出最粗的 U 型轮廓，开盘那个尖峰完全抓不住——它把尖峰”抹平”了。
P=2（橙线，7 参数）：开始有开盘和收盘的抬升，但尖峰还是钝的。
P=4（蓝线，11 参数）：贴合得相当好，开盘尖峰、午间凹陷、收盘抬升都还原了。
P=8（紫线，19 参数）：几乎完美贴合每个观测点——但这已经进入危险区。

这就是老掉牙但永远绕不开的偏差-方差权衡。 $P$ 太小欠拟合（漏掉尖峰这种真实结构）， $P$ 太大过拟合（把采样噪声也当成季节性刻进去，在样本外失效）。Andersen-Bollerslev 原文用的阶数不高（通常 $P=4$ 到 6 量级就够刻画日内 U 型），因为季节性形状本身是光滑的，不需要很高的阶数。如果你发现必须 $P=15$ 才能拟合，那多半是你把噪声当成了信号。

实践中选 $P$ 的方法就是标准套路：用信息准则（AIC/BIC）在样本内选、或用样本外验证。但一个更朴素的判据往往更管用——季节性应该稳定。把样本分成前后两半分别估 FFF，如果两半估出来的季节曲线高度一致，说明阶数合理；如果后半段的曲线和前半段差很多，说明你在拟合噪声。

四、去季节化：把 U 型拉直#

估出季节因子 $s(\tau)$ 之后，去季节化就是一个除法：

$\tilde{r}_t = \frac{r_t}{s(\tau_t)}$

原始收益除以它所在时刻的季节因子，得到的 $\tilde{r}_t$ 就剥离了日内节律。

去季节化：把 U 型从波动里剥掉，还原真实异常

上图是某一天的原始 |收益|（蓝柱）叠加估计的季节因子（红线）；下图是去季节化之后的 |收益|（绿柱）。对比很直观：

去季节化前：开盘和收盘天然偏高，这是每天都有的常态。你无法判断某个开盘的高波动到底是”正常的开盘高”还是”真的有大事”。
去季节化后：曲线被拉平到 1 附近波动。此时任何显著偏离 1 的 bin，才是真正的异常。 午间那个平时被季节性压低的时段，如果出现一个跳跃，去季节化后它会突出来——而在原始数据里它可能低于全天平均，被完全忽略。

这一步是所有后续日内分析的地基。去季节化之后的收益才近似同分布，才能拿去做跳跃检验、估 RV、喂进日内波动模型。

五、季节性校正如何改变跳跃检测#

把去季节化的价值落到一个具体决策上——跳跃检测。这是 FFF 最实打实的应用场景之一。

季节性校正改变跳跃检测：固定阈值会漏报午间跳跃

图里我在午间（低波动区）人为注入了一个真实跳跃（橙色星标），然后用两种阈值去检测：

固定阈值（红虚线）：全天一条水平线（均值 + 2.5 倍标准差）。它被开盘收盘的高波动抬高了，结果——午间那个真实跳跃低于这条线，被彻底漏报。 与此同时，开盘段那些正常的高波动柱却贴着甚至超过这条线，随时会造成假阳性。
FFF 校正阈值（绿线）：先去季节化、在拉平的数据上定一个统一阈值，再乘回季节因子。于是阈值本身随季节起伏——开盘高、午间低。午间的阈值被压低到刚好能让那个真实跳跃冒头，同时开盘的阈值抬高，避免把正常的开盘高波动误判。

结论很硬：用固定阈值在有季节性的日内数据上做跳跃检测，等于同时犯两个错——开盘假阳性、午间假阴性。 正确的做法要么在去季节化后的收益上用固定阈值，要么等价地用随季节起伏的阈值。这不是锦上添花，是日内跳跃检验能不能用的前提。

六、诚实的部分#

第一，本文全部基于合成数据。 U 型形状、开盘尖峰的高度、午间凹陷的深度、注入的跳跃，都是按微观结构的定性规律构造出来的演示，用来把 FFF 的机制讲透。真实市场的日内季节性会随品种、时段、市场状态漂移，形状远没有这么干净，估计出来的曲线会更毛糙。

第二，季节性不是完全静止的。 FFF 通常假设季节形状在估计窗口内稳定，但真实的日内节律会缓慢演化——比如收盘竞价机制改革、算法交易占比上升，都会改变尾盘那个抬升的形状。稳健做法是滚动重估 FFF，或允许季节参数缓慢时变，而不是一次估计用到天荒地老。

第三，午休和分段交易需要特殊处理。 本文用一个连续的 $\tau \in [0,1]$ 演示，但 A 股有午休，上午和下午是两段。正确做法是要么分段各估一条季节曲线，要么用能容纳断点的设计（比如对上下午各设一组基函数）。直接把午休两端接起来当连续时间处理，会在午休断点附近产生虚假的形状。

第四，波动代理的选择会影响结果。 本文用 |收益| 作粗糙代理，实务中更常用 5 分钟已实现方差、双幂变差（对跳跃稳健）或 Garman-Klass 类日内极差估计。不同代理对跳跃的敏感度不同，估出来的季节曲线也略有差异——尤其在跳跃频繁的品种上，用不抗跳跃的代理会让季节曲线被少数大跳跃带偏。

第五，FFF 是预处理，不是策略。 它的产出是”干净的、去季节化的日内收益”，这是地基，不是楼。真正的 alpha 在地基之上——去季节化后的动量、跳跃后的漂移、日内均值回归。把 FFF 当成能直接赚钱的东西是误解，它的价值在于让你不被季节性骗，从而让上层策略建立在正确的信号上。

七、总结#

日内波动率有一条每天重演的 U 型季节曲线：开盘高、午间低、收盘抬。这条曲线是稳定的微观结构事实，不是噪声。不把它剥掉，日内的跳跃检测、波动预测、执行拆单都会被系统性带偏——最直接的后果就是固定阈值的跳跃检测在开盘假阳性、在午间假阴性。

FFF 用低阶多项式加少数傅里叶谐波，十来个参数就能平滑地刻画这条曲线，比 bin-by-bin 平均更省参数、更抗噪、更能外推。它的唯一关键旋钮是阶数 $P$ ——够大以抓住开盘尖峰，别大到把噪声也刻进去，判据是”样本内外季节曲线要一致”。

它的正确定位是日内分析的预处理层：先估季节、再去季节、再在拉平的数据上做真正的分析。先把每天都一样的东西减掉，剩下的才是今天真正发生的事——这个顺序，是所有高频量化工作的第一课。

参考文献：

Andersen, T. G., & Bollerslev, T. (1997). Intraday Periodicity and Volatility Persistence in Financial Markets. Journal of Empirical Finance, 4(2-3), 115-158.
Andersen, T. G., & Bollerslev, T. (1998). Deutsche Mark-Dollar Volatility: Intraday Activity Patterns, Macroeconomic Announcements, and Longer Run Dependencies. Journal of Finance, 53(1), 219-265.
Boudt, K., Croux, C., & Laurent, S. (2011). Robust estimation of intraweek periodicity in volatility and jump detection. Journal of Empirical Finance, 18(2), 353-367.