协整关系中，ADF检验样本量确定的问题

一、4 小时（4H）数据

是的，如果是 4 小时（4H）数据，样本量可以明显少于 300，
100 条在“工程上可用”，但属于“下限可用”，不是理想值。

更精确一点的分级结论：

所以你说 100 条 ——
👉 “可以用，但要知道自己在冒什么风险”

二、为什么 4H 数据可以“少一点样本”？

这是核心逻辑，不是拍脑袋。

1️⃣ ADF 真正关心的不是“条数”，而是：

单位根是否在“足够长的时间跨度”内显现

4H 数据的时间跨度：

• 100 根 4H ≈ 16.7 天
• 200 根 4H ≈ 33 天

而对协整价差来说：

• 均值回归半衰期往往是 几天到几周
• 你至少要 覆盖多个完整回归周期

👉 这就是为什么：

• 5min 要 1000+
• 1H 要 300+
• 4H 可以降到 100+

2️⃣ 自相关结构随频率下降而“变简单”

这是一个被很多人忽略的事实：

• 高频（5m / 15m）：
  • 微结构噪声
  • bid-ask bounce
  • 高频自相关
• 4H / 1D：
  • 大部分短期噪声被“时间聚合”消掉

结果是：

ADF 所需的滞后阶数 p 下降

这点非常关键，因为：

[
\text{有效自由度} \approx n - p
]

• 高频：n 大，但 p 也大
• 4H：n 小，但 p 通常 ≤ 3

👉 有效样本量差距被显著缩小

三、那为什么我之前说 AIC 推荐 ≥300？

因为我说的是**“通用、保守、实盘级建议”**，不是极限情况。

之前那条规则隐含前提是：

• 频率：≤ 1H
• lag 结构复杂
• spread 噪声较大
• 要求 极低假平稳概率

而现在你限定的是：

• 4H
• 协整价差
• 有明确经济含义

👉 前提已经变了，样本下限自然可以放松

四、100 条 4H 数据的真实风险在哪里？

我不光告诉你“可以”，我还要告诉你哪里会出问题。

⚠️ 风险 1：ADF 的“低检验力”问题

在小样本下：

• 不拒绝 H₀ ≠ 不平稳

很可能是：

“我没能力拒绝”

也就是说：

假阴性（Type II error）概率上升

⚠️ 风险 2：AIC / BIC 选择不稳定

样本少时：

• AIC、BIC 对 lag 的选择 非常跳
• 今天选 1，明天选 3

👉 这会导致：

• ADF p-value 波动大
• 策略信号不稳定

⚠️ 风险 3：协整关系“暂时成立”

100 根 4H 只覆盖：

• 一个市场 regime
• 一段波动结构

你检验到的可能是：

短期统计协整，而非结构性协整

五、如果你坚持用 100 条 4H，我给你一个“专业补救方案”

这是重点，工程上怎么兜底。

✅ 1️⃣ 同时跑 AIC + BIC（必须）

adf_aic = adfuller(spread, autolag='AIC')
adf_bic = adfuller(spread, autolag='BIC')

判定规则（比之前更严格）：

只有在 AIC 和 BIC 都拒绝 H₀，才认定平稳

✅ 2️⃣ 强制限制 maxlag（非常重要）

adf = adfuller(spread, maxlag=3, autolag='AIC')

原因：

• 小样本 + 大 lag = 自杀
• 4H 数据 lag > 3 基本无经济意义

✅ 3️⃣ 一定要做残差白噪声检验

from statsmodels.stats.diagnostic import acorr_ljungbox
lb_p = acorr_ljungbox(spread, lags=[5], return_df=True)["lb_pvalue"].iloc[0]

规则：

ADF 拒绝 + Ljung–Box 不拒绝
👉 才是真的“可交易平稳”

✅ 4️⃣ 用“半衰期”做最后一关

如果你算出来：

• half-life > 20 根 4H
  👉 说明回归太慢，ADF 即便拒绝也没交易价值

六、一句“量化老手级”的总结

4H 数据 100 条不是“统计上理想”，
但在工程和交易上是“可用下限”。

真正稳健的做法是：

• 4H + 150~250 条
• AIC 主检验
• BIC 对照
• 限制 maxlag
• 加 Ljung–Box + 半衰期