from statsmodels.tsa.arima.model import ARIMA # from random import random # contrived dataset data = np.array(df['收盘']) # fit model model = ARIMA(data, order=(100, 2, 100)) model_fit = model.fit() # make prediction yhat = model_fit.predict(len(data)-100, len(data)+100) print(yhat[101:106])
模型训练需要比较大的资源，如果报错可以减小ARIMA(order=(100,2,100))
比如 ARIMA(order=(10,2,10))
当然，数值的减少，也意味着精度的下降。
order = (p,d,q)
p–代表预测模型中采用的时序数据本身的滞后数(lags) ,也叫做AR/Auto-Regressive项
d–代表时序数据需要进行几阶差分化，才是稳定的，也叫Integrated项。
q–代表预测模型中采用的预测误差的滞后数(lags)，也叫做MA/Moving Average项
