7月股票又点火，为了不误导各位成为绿油油的韭菜，声明本文写于.11.23；当时周围的朋友、同事都在谈论这只股票，所以就建了个模型预测了下
先上最终结果图，红色虚线为预测部分，实线为当前股价，预测趋势向上
基本概念
ARIMA模型的全称叫做自回归移动平均模型，全称是(ARIMA, Autoregressive Integrated Moving Average Model)。也记作ARIMA(p,d,q)，是统计模型(statistic model)中最常见的一种用来进行时间序列预测的模型。
建模步骤
获取被观测系统时间序列数据；对数据绘图，观测是否为平稳时间序列；对于非平稳时间序列要先进行d阶差分运算，化为平稳时间序列；经过第二步处理，已经得到平稳时间序列。要对平稳时间序列分别求得其自相关系数ACF和偏自相关系数PACF，通过对自相关图和偏自相关图的分析，得到最佳的阶层 p和阶数 q由以上得到的d、q、p，得到ARIMA模型。然后开始对得到的模型进行模型检验。实战解析
原理大概清楚，实践却还是会有诸多问题。下面就通过Python语言贴出主要实现代码。
# 文中使用到这些基础库：import tushare as ts import pandas as pdimport matplotlib.pyplot as pltfrom statsmodels.tsa.arima_model import ARIMAfrom statsmodels.graphics.tsaplots import plot_acf,plot_pacf# 获得贵州茅台数据df_source = ts.get_hist_data('600519')# 对收盘价进行排序ser_close = df_source['close'].sort_index()# 收盘曲线ser_close.plot(kind='line', c='r', label='Close')# 20日均线ser_close.rolling(window=20).mean().plot(kind='line', c='b', ls='--', alpha=.8, label='M_20')
# 趋势不平稳，对数据进行一阶差分df_close['diff1'] = df_close['close'].diff(1)# 二阶差分df_close['diff2'] = df_close['diff1'].diff(1)
# 日频数据太多，对数据做降频处理df_close_resample = df_close.resample('W-MON').mean()
# AM与MA定阶，落在置信区间的前一个点位为模型阶数acf_dif = plot_acf(train_dif1, lags=20)pacf_dif = plot_pacf(train_dif1, lags=20)
# 把得到的参数放进模型中训练model = ARIMA(stk_train_set['close'], order=(1, 1, 1), freq='W-MON')arima_result = model.fit()
# 得到预测结果pred_vals = arima_result.predict(startdate,enddate,dynamic=True, typ='levels')
