ARIMA模型需先检验平稳性，非平稳序列须差分（通常d=1）或对数变换；参数p、q据ACF/PACF截尾确定，d非调参项；用get_forecast获置信区间；预测步长勿超训练长度1/5；注意异常值清洗、时序划分及差分基线保存。

ARIMA模型拟合前必须做平稳性检验

ARIMA不是万能的，它要求输入序列是平稳的，否则预测结果会严重偏移。直接用原始销售数据或股价跑 ARIMA，大概率得到 ConvergenceWarning 或荒谬的预测值。

• 先用 adfuller 检验：如果 p-value > 0.05，说明非平稳，得差分
• 差分阶数 d 不要盲目设为2——多数业务数据一次差分（d=1）就够，过度差分会放大噪声
• 对数变换（np.log1p）比单纯差分更温和，适合带指数增长趋势的数据
• 注意：季节性强的数据（如月度订单），ARIMA 本身不处理季节项，得换 SARIMAX，否则残差里全是周期性模式

如何选对 p、d、q 参数

别靠网格搜索暴力穷举——耗时且容易过拟合。实际项目中，用 ACF/PACF 图定初值更稳。

• p 看 PACF 截尾位置（拖尾变显著变不显著的那个 lag）
• q 看 ACF 截尾位置（同上）
• d 就是刚才平稳性检验决定的差分次数，不是调参项
• 用 auto_arima（pmdarima 库）时，务必设 seasonal=False 显式关闭季节检测，否则它可能偷偷切到 SARIMA，而你根本没意识到
• 训练集至少保留 100 个点，少于 50 个点的序列，ARIMA 的参数估计基本不可信

ARIMA.fit() 后怎么拿到未来预测值

别只盯着 model.forecast(steps=7)——它返回的是点估计，没区间，也没考虑历史残差的不确定性。

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

• 用 model.get_forecast(steps=7)，再调 .predicted_mean 和 .conf_int()，才能拿到带 95% 置信区间的预测
• 预测步长别超过训练长度的 1/5，比如训练了 100 天，预测 30 天就明显失真了
• 如果需要滚动预测（predict t+1, then t+2…），必须手动用 append() 更新模型，不能反复 fit()——后者每次重训成本高，且破坏参数连续性
• 注意索引对齐：forecast() 返回的 pd.Series 默认用整数索引，得用 index=your_date_range 显式指定时间轴，否则画图错位

预测结果不准？先查这三处硬伤

很多“模型不准”其实和算法无关，是数据或工程细节埋的雷。

• 原始数据有未清洗的异常值（比如某天销量突然 10 倍暴增），ARIMA 对 outlier 极敏感，预测会持续高估——用 rolling median 或 isolation_forest 先筛一遍
• 训练/测试集划分没按时间顺序切，而是随机 shuffle，导致信息泄露，指标虚高
• 部署时忘记保存训练时用的差分基线（比如用第 0 天值做一阶差分），上线后直接拿原始值喂模型，结果全乱

ARIMA 的边界很清晰：它只对线性、低噪声、中短期趋势有效。一旦业务数据里混着促销、竞品动作、政策突变这些结构性断点，模型再调参也盖不住——这时候该上 Prophet 或加外部变量的 SARIMAX，而不是硬刚 p 和 q。

Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！