适用于python的auto.arima（）

您可以实现多种方法：

1. ARIMAResults

   包括

   aic

   和

   bic

   。根据它们的定义（请参阅此处和此处），这些条件会对模型中的参数数量造成不利影响。因此，您可以使用这些数字来比较模型。scipy还具有

   optimize.brute

   在指定参数空间上进行网格搜索的功能。因此，这样的工作流程应该可以工作：

   def objfunc(order, exog, endog):from statsmodels.tsa.arima_model import ARIMAfit = ARIMA(endog, order, exog).fit()return fit.aic()

   from scipy.optimize import brute
   grid = (slice(1, 3, 1), slice(1, 3, 1), slice(1, 3, 1))
   brute(objfunc, grid, args=(exog, endog), finish=None)
   
   

确保你打电话

brute

finish=None

1. 您可以

   pvalues

   从获得

   ARIMAResults

   。因此，一种易于执行的步进算法可以在整个维度上增加模型的度数，从而为添加的参数获得最低的p值。

2. 使用

   ARIMAResults.predict

   交叉验证的替代机型。最好的方法是使时间序列的尾部（例如最新数据的5％）不出现在样本中，并使用这些点来获得拟合模型的 测试误差 。