ARIMA模型基础入门：从原理到实战的时间序列分析指南

1次阅读

共计 2091 个字符，预计需要花费 6 分钟才能阅读完成。

在金融领域，股票价格预测直接影响投资决策。某基金公司通过分析历史股价数据的趋势性（Trend）和季节性（Seasonality），成功预测了某科技股季度财报后的波动区间，提前调整持仓避免了 5% 的预期亏损。在零售行业，某连锁超市利用 ARIMA 模型预测未来 3 个月的洗发水销量，将库存周转率提高了 18%。这些案例展示了时间序列分析在业务决策中的核心价值。

ARIMA 优势：
计算资源消耗低，在 CPU 上即可快速训练
对线性关系建模效果稳定
参数解释性强，适合需要业务解释的场景
LSTM 适用场景：
数据量超过 10 万条时表现更好
能自动捕捉非线性特征
适合多变量协同预测

建议：当数据量小于 1 万且需要快速迭代时优先选择 ARIMA

观察原始数据曲线：若存在明显趋势（持续上升 / 下降），初步判断 d≥1
进行 ADF 检验（Augmented Dickey-Fuller）：
p 值 >0.05 时说明需要继续差分
通常不超过 2 阶差分
警惕过差分：当标准差开始增大时应停止

ACF 拖尾 +PACF 截尾 → AR(p) 模型
ACF 截尾 +PACF 拖尾 → MA(q) 模型
双拖尾 → 需要 ARMA(p,q) 组合

经验法则：PACF 最后一个显著峰的位置常对应 p 值，ACF 对应 q 值

# 环境准备
import pandas as pd
import numpy as np
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

# 数据加载（示例为航空乘客数据集）data = pd.read_csv('airpassengers.csv', parse_dates=['Month'], index_col='Month')

# 平稳性检验
from statsmodels.tsa.stattools import adfuller
adf_result = adfuller(data['Passengers'])
print(f'ADF 统计量：{adf_result[0]}, p 值：{adf_result[1]}')  # p>0.05 说明不平稳

# 一阶差分
diff_1 = data.diff().dropna()
plot_acf(diff_1); plot_pacf(diff_1)  # 观察截尾 / 拖尾特性

# 参数搜索（实际项目建议用 auto_arima）best_aic = np.inf
for p in range(3):
    for q in range(3):
        try:
            model = ARIMA(data, order=(p,1,q))
            results = model.fit()
            if results.aic < best_aic:
                best_aic = results.aic
                best_order = (p,1,q)
        except:
            continue

# 模型训练
final_model = ARIMA(data, order=best_order).fit()
print(final_model.summary())

# 残差诊断
residuals = pd.DataFrame(final_model.resid)
residuals.plot(kind='kde')  # 应近似正态分布

from joblib import Parallel, delayed

def evaluate_params(p,d,q,data):
    try:
        return ARIMA(data, order=(p,d,q)).fit().aic
    except:
        return np.inf

# 并行计算所有参数组合
params_grid = [(p,1,q) for p in range(3) for q in range(3)]
aic_values = Parallel(n_jobs=4)(delayed(evaluate_params)(p,d,q,data) for p,d,q in params_grid
)