> 数据图表如何解释小波分析（Wavelet Analysis）的特点
2025-9-4小波分析（Wavelet Analysis）的特点• 时频局部化能力：这是小波分析最显著的优势，它能够同时在时域和频域对时间序列进行局部化分析，既可以识别出不同频率成分的分布，又能确定这些成分在时间轴上的具体位置。例如，对于股价在 2008 年金融危机期间的剧烈波动，小波分析不仅能识别出该时期存在高频波动成分，还能精准定位高频波动发生的具体时间区间（如 2008 年 9 月 - 10 月），这是 HP 滤波和傅立叶变换无法实现的。• 非平稳性适应：小波分析对非平稳时间序列具有良好的适应性，无需对数据进行预先的平稳化处理，可直接对原始非平稳金融时间序列（如股价、成交量）进行分解和分析，这是因为小波函数的有限支撑特性能够有效捕捉数据的局部突变和非平稳特征，而傅立叶变换对非平稳数据的处理效果较差，HP 滤波也容易受数据非平稳性的影响。图表3：小波基的平移与放缩来源：中泰证券研究所13 
