auto.arima()在ts()与msts()季节性数据集上的应用及模型问题咨询

从你当前跑出的结果看，这次两个模型在当前参数集下是完全等价的，但这并不代表ts()和msts()结构的建模逻辑本身永远等价，核心原因有两个：

• 两个输入给auto.arima()的序列本身没有数值差异，都是同一份7200个开盘价观测，只是存储结构一个是单频率ts、一个是多频率msts。
• 这次auto.arima()搜索到的最优模型是ARIMA(0,1,0)(0,1,0)[1440]——这个模型本质就是做一次非季节一阶差分、一次1440长度的季节一阶差分，没有用到任何自回归项、移动平均项，也完全没有调用你给msts额外设置的60分钟短周期参数。相当于msts结构里的第二个季节周期，在这次的最优解里没有贡献任何拟合信息，和直接给ts()指定1440的单周期频率跑出来的结果当然完全一致。

补充说明：如果后续auto.arima()在搜索过程中找到了带60分钟短周期项的模型参数，两个结构的输出就会出现差异。这次结果一致只是因为当前最优模型刚好不需要用到第二个短周期，不是msts结构失去了多季节建模能力。

针对你这种长周期、高频分钟数据的场景，可落地的提速方法都是通过缩小无效搜索范围、减少冗余计算实现，没有特殊黑魔法：

• 固定已知的参数阶数，砍掉差分搜索的计算量：你目前已经明确要对序列做一阶非季节差分（d=1）、一阶长周期季节差分（D=1），直接在调用auto.arima()的时候手动写死d = 1, D = 1，不要让函数额外花时间在不同差分阶数的组合上遍历，这部分能减少近30%的总计算量。
• 收缩最大阶数的搜索范围：auto.arima()默认会搜索非季节项p/q最高到5、季节项P/Q最高到2，对分钟级的金融价格序列来说，这种长度的滞后阶数几乎不可能成为最优解，可以直接把参数改成max.p = 2, max.q = 2, max.P = 1, max.Q = 1，候选模型的数量能砍掉70%以上。
• 确认核心开关的默认值没有被误改：
  • 确保stepwise = TRUE，不要改成FALSE。全量遍历所有参数组合的搜索模式，在1440的长周期下，计算量会是逐步搜索模式的10倍以上，很容易跑几小时都出不来结果。
  • 确保approximation = TRUE，不要关掉这个设置。这个参数开启后，搜索初期会用计算量更小的条件平方和（CSS）快速筛掉拟合差的模型，只给最终几个候选模型用计算慢的精确极大似然（ML）算AIC，能减少近一半的无效计算。
• 开启可选的并行计算：当前版本的forecast包支持并行计算候选模型，可以在调用参数里加parallel = TRUE, num.cores = parallel::detectCores() - 1，把候选模型的计算分配到多个CPU核心上，通常能再缩短近一半的运算时间。
• 长周期的专属优化：因为1440的季节周期太长，每算一次带季节项的模型都要做1440步的延迟自相关计算，你可以适当调高模型收敛的容忍度（比如让函数在似然变化小于0.1%的时候就停止迭代），不需要卡到极致的精度收敛要求，对最终预测精度的影响微乎其微，但能大幅缩短单模型的计算时间。

你之前遇到的msts设置c(1440,7200)报数据不足的报错是符合逻辑的：auto.arima()对单季节周期的建模要求是至少有2个完整周期的样本，总样本量7200的时候，如果要做s=7200的周期，就只剩1个完整周期的观测，根本达不到建模的最低样本要求，之前把周期调整为c(60,1440)的操作是完全合理的。

内容的提问来源于stack exchange，提问作者Rγσ ξηg Lιαη Ημ 雷欧