1，什麽是ARIMA模式？
ARIMA模型的全稱叫做自回歸移動平均模型(ARIMA)。也稱為ARIMA(p，d，q)，它是時間序列預測中最常用的統計模型。
1.1的優缺點。ARIMA
優點:模型非常簡單，只需要內生變量，不需要其他外生變量。(所謂內生變量應該只取決於數據本身，不像回歸需要其他變量)
缺點:
1.要求差分微分後的時間序列數據是平穩穩定的。
2.本質上只能捕捉線性關系，不能捕捉非線性關系。
註意，用ARIMA模型預測時間序列數據必須是穩定的，如果數據不穩定，就不可能捕捉到規律。例如，股票數據無法被ARIMA預測的原因是股票數據不穩定，經常受政策和消息的影響而波動。
1.2.判斷時間序列數據是否穩定的方法。
嚴格定義:壹個時間序列的隨機變量是穩定的當且僅當它的所有統計特征都與時間無關(它是壹個關於時間的常數)。
判斷方法:
穩定的數據沒有趨勢性，沒有季節性；即其均值在時間軸上具有恒定的幅度，其方差在時間軸上趨於相同的穩定值。
您可以使用迪基-富勒測試進行假設檢驗。
1.3?ARIMA的參數和數學形式
ARIMA模型有三個參數:p，d，q d和q
p-表示預測模型中使用的時間序列數據的滯後數(lags ),也稱為AR/自回歸項。
d-表示時間序列數據需要微分若幹階才能穩定，也叫積分項。
q-滯後數(lags)代表預測模型中采用的預測誤差，也稱為MA/移動平均項。
4.4的幾種特殊情況。ARIMA模型
1.ARIMA(0，1，0) =隨機漫步:
當d=1，p和q都為0時，稱為隨機遊走。如圖所示，每個時刻的位置只與前壹個時刻的位置有關。
預測公式如下:y？t=μ+Yt？1