ARIMA
全称为自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)。核心函数是ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归， p为自回归项； MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。
核心
整个算法的核心，就是ARIMA中d差分将时序差分成平稳时序或是趋于平稳时序，然后基于PACF设置p自回归项，基于ACF设置q移动平均项数。
但因为包是基于statsmodels的，而其中的ARIMA（p，d，q），d不能>2，因此选用ARIMA（p，q）函数，d则使用pandas.diff()来实现。
步骤
本系统使用yahoo_finance，pandas，numpy，matplotlib，statsmodels，scipy，pywt这些包
1.从yahoo_finance包中获取股票信息，使用panda存储及处理数据，只提取其中Close属性，按照时间排序为时间序列。
2.对Close时序进行小波分解处理，选用DB4进行小波分解，消除噪音。
3.进行差分运算，使用panda包的diff()方法，并使用ADF检验进行平稳性检验，保证时间序列是平稳或趋于平稳的。
4.输出ACF，PACF图，确定p，q的值。
5.运用ARIMA模型对平稳序列进行预测，ARIMA(p,q)。
6.还原差分运算，得到股票预测时序。
输出图
本图顺序与步骤顺序无关，仅仅是作为一种直观的展示： 
总结
ARIMA是一种处理时序的方法模型，可以作用于股票预测，但是效果只能说是一般，因为股市预测有一定的时序关系，却又不完全是基于时序关系，还有社会关系，公司运营，新闻，政策等影响，而且ARIMA使用的数据量仅仅只有一阶的Close属性。因此本模型可以作用在平稳发展，没有什么负面新闻和政策干扰的公司（不懂经济学，不知道对不对= =）。
Github
https://github.com/jerry81333/StockProdiction/
|
