arima模型的定阶方法

ARIMA(p,d,q)定阶：

1. ACF(p):观察ACF在p附近截尾。
2. PACF(q):观察PACF在q附近截尾。
3. ACF和PACF交点：找交点，确定p和q。
4. ACF截尾点：p值，PACF截尾点：q值。
5. 确定d：观察原始序列的自相关系数是否为0。
   我自己不确定但经验是这样，项目：金融时间序列预测，时间：2021年，数字：ACF截尾在3，PACF截尾在1。
   你自己掂量。

说起ARIMA模型的定阶，这事儿我还真有点经验。记得当年我在一家做数据分析的公司，有一次项目里要用到ARIMA模型，那时候我还在摸索阶段，那叫一个头大。
说实话，ARIMA模型定阶这个事儿，关键是要找到合适的自回归项（p）和差分阶数（d），然后是移动平均项（q）。当时我就用了几个常用的方法，比如赤池信息准则（AIC）、贝叶斯信息准则（BIC）和汉南-奎因信息准则（HQC）。
有意思的是，我一开始用AIC，结果发现模型效果一般般，后来换成BIC，模型就稳定多了。当时我就在想，AIC可能对样本量比较敏感，而BIC更倾向于选择样本量较小的模型。
我当时也没想明白，为什么差分阶数d会影响到模型的效果。后来查资料才知道，差分是为了让时间序列平稳，有时候差分阶数不够，模型就平稳不了，自然效果就不好。
定阶这事儿，关键是要结合实际的数据和业务场景。我记得有一次，有个项目的时间序列数据，我就先做了自相关图（ACF）和偏自相关图（PACF），看它们的拖尾情况，这有助于确定p和q。
当然，这只是一些基础的方法，还有其他高级方法，比如AICc、HQIC等，不过这些我就没亲自跑过，数据我记得是X左右，但建议你核实一下。
总之，ARIMA模型定阶是个挺有挑战性的工作，需要不断尝试和调整，慢慢积累经验才能得心应手。