Python新手学习raise用法

一、平稳序列建模步骤

假如某个观察值序列通过序列预处理可以判定为平稳非白噪声序列，就可以利用ARMA模型对该序列进行建模。建模的基本步骤如下：

（1）求出该观察值序列的样本自相关系数（ACF）和样本偏自相关系数（PACF）的值。

（2）根据样本自相关系数和偏自相关系数的性质，选择适当的ARMA（p，q）模型进行拟合。

（3）估计模型中位置参数的值。

（4）检验模型的有效性。如果模型不通过检验，转向步骤（2），重新选择模型再拟合。

（5）模型优化。如果拟合模型通过检验，仍然转向不走（2），充分考虑各种情况，建立多个拟合模型，从所有通过检验的拟合模型中选择最优模型。

（6）利用拟合模型，预测序列的将来走势。

二、代码实现

1、绘制时序图，查看数据的大概分布

trainSeting.head()

Out[36]:

date

2017-10-01 126.4

2017-10-02 82.4

2017-10-03 78.1

2017-10-04 51.1

2017-10-05 90.9

Name: sales, dtype: float64

plt.plot(trainSeting)

2、平稳性检验

'''进行ADF检验

adf_test的返回值

Test statistic：代表检验统计量

p-value：代表p值检验的概率

Lags used：使用的滞后k，autolag=AIC时会自动选择滞后

Number of Observations Used：样本数量

Critical Value(5%) : 显著性水平为5%的临界值。

(1)假设是存在单位根，即不平稳；

(2)显著性水平，1%：严格拒绝原假设；5%：拒绝原假设，10%类推。

(3)看P值和显著性水平a的大小，p值越小，小于显著性水平的话，就拒绝原假设，认为序列是平稳的；大于的话，不能拒绝，认为是不平稳的

(4)看检验统计量和临界值，检验统计量小于临界值的话，就拒绝原假设，认为序列是平稳的；大于的话，不能拒绝，认为是不平稳的

'''

#滚动统计

def rolling_statistics(timeseries):

#Determ