statsmodels adfuller运行过久？分钟级时序24小时滞后差分后如何合理设置maxlag

不少人会把差分操作用到的滞后阶数和ADF检验的maxlag参数直接划等号，这俩根本是两个完全独立的参数，数值上没有任何绑定关系：

• 你之前用.diff(periods=1440)是针对逐分钟数据做24小时同期的季节性差分，目的是消掉跨一天的固定周期波动
• adfuller里的maxlag，指的是检验本身的辅助回归方程中，用来修正残差自相关的滞后差分项的最大个数，本质是让回归残差趋近白噪声，和你之前做的差分操作没有直接对应关联。

你已经通过差分把1440步的长周期关联给消掉了，辅助回归方程里根本不需要嵌这么高阶的滞后项。把maxlag拉到1440，程序就得对着每一个可能的滞后阶数反复拟合回归，光计算量就翻了上百倍，最后选出来的最优滞后可能也就几十阶，前面的上千次拟合全是无效计算。

• 别手动硬指定滞后阶数，直接用adfuller自带的自动选阶逻辑就行：默认开启的autolag='AIC'会从你设的maxlag上限开始，逐阶对比拟合的信息准则，挑出残差修正效果最好、信息准则最小的滞后值，根本不需要你自己算好固定的lag传进去
• maxlag的上限根本不需要设到1440，参考计量领域通用的两个简单规则就够：
  • 按差分后序列的有效长度的1/3次方算，也就是maxlag = int(有效样本长度 ** (1/3))，对于动辄几万条的逐分钟序列，这个值通常也就20-50，计算快，估计偏差也小
  • 如果你观测到序列有明显的短程自相关，把上限提到短自相关对应的窗口长度就行——一般逐分钟数据的短自相关也就覆盖几十分钟到1小时，设个60的上限完全够，远低于1440
• 别自己手动截断序列传参：.diff(1440)跑出来的序列前1440个值是NaN，statsmodels的adfuller会自动把缺失值剔除，你之前手动把最后一个元素去掉的操作毫无意义，反而破坏了序列的时间连续性。

from statsmodels.tsa.stattools import adfuller

# 拿差分后的有效序列，自动去掉差分产生的头部空值
diffed_series = df["你的目标列"].diff(periods=1440).dropna()
# 按序列长度算合理的maxlag上限，开自动选阶
adf_res = adfuller(
    diffed_series,
    maxlag=int(len(diffed_series) ** (1/3)),
    autolag="AIC"
)

效率差得非常明显：原来的配置最多要做1440次回归拟合，按上面的方法配置后，通常只需要做十几次到几十次拟合，运行速度能提几十上百倍。等跑出结果后，如果发现ADF回归的残差还有显著自相关，再稍微把maxlag上限调高点就行，完全没必要一开始就把上限拉到1440。

内容的提问来源于stack exchange，提问作者IAQ