时间序列预测模型——ARIMA综述

参考资料 R语言KPSS检验平稳性。

参考资料 why do a time series have to be stationary。

有很多 API 可以直接返回最优的差分次数，例如
R 语言的 ndiffs()求最优差分次数 。

当然，一个比较简单方法是直接调用方便的 API 来自动寻找，Python 和 R 中都有非常方便的函数来调用，例如 R: auto.arima使用方法,它的原理基本是在给定的范围内“枚举”来寻找最优(AIC 等评价指标最小)的p 和 q。

[1] ARIMA 的定义。https://otexts.com/fpp2/non-seasonal-arima.html
[2]Forecast:Principles and Practice 中的参数估计。https://otexts.com/fpp2/arimaestimation.html
[3]《时间序列分析》(汉密尔顿)中的，参数估计中的似然函数。《时间序列分析·上册》第
5 章，ARMA 模型参数估计在 5.6 小节。
[4]关于预测未来的值，教材中的一小节 https://otexts.com/fpp2/arimaforecasting.html。
[5]R 语言中 auto.arima 函数计算步骤和参数
https://blog.csdn.net/qq_36810398/article/details/102700416
[6]《金融时间序列分析》，https://max.book118.com/html/2017/1102/138635217.shtm