arima模型的建模步骤_基于ARIMA预测股指期货价格走势

“ 常用的时间序列模型有四种：自回归模型 AR(p)、移动平均模型 MA(q)、自回归移动平均模型 ARMA(p,q)、自回归差分移动平均模型 ARIMA(p,d,q), 可以说前三种都是 ARIMA(p,d,q)模型的特殊形式。本文主要围绕着如何使用ARIMA模型实现对股指期货价格走势的预测。”

01

—

ARIMA模型

ARIMA模型(英语：Autoregressive Integrated Moving Average model)，差分整合移动平均自回归模型，又称整合移动平均自回归模型(移动也可称作滑动)，是时间序列预测分析方法之一。ARIMA(p，d，q)中，AR是“自回归”，p为自回归项数；MA为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分次数(阶数)。“差分”一词虽未出现在ARIMA的英文名称中，却是关键步骤。

百度百科

本文主要使用ARIMA模型实现对股指期货价格走势的预测，而使用ARIMA的模型主要包括以下四大步骤

• 数据平稳性检验

• 模型定阶

• 模型参数检验

• 模型预测

02

—

数据获取和平稳性检验

ARIMA 模型是在平稳的时间序列基础上建立起来的，因此时间序列的平稳性是建模的重要前提。检验时间序列模型平稳的方法一般采用 ADF 单位根检验模型去检验。当然如果时间序列不稳定，也可以通过一些方法使得时间序列稳定

定义基础函数

# 获取数据def getData(filename):    IF  = pd.read_csv(filename,encoding='utf-8',index_col = 'date',parse_dates = True)    IF_price = IF[['close']]    return IF_price    # 单位根检验：ADF是一种常用的单位根检验方法# 原假设为:序列具有单位根，即非平稳，# 对于一个平稳的时序数据，就需要在给定的置信水平上显著，拒绝原假设。# ADF只是单位根检验的方法之一def testStationarity(timeSe