擬合 SARIMA 模型代表這趟時間序列建模旅程進入最後階段。
熟悉 SARIMA 的模型階數非常重要，而這正是你此處要練習的重點。
在這個練習中，你會將不同的 SARIMA 模型擬合到一組時間序列。
時間序列的 DataFrame df1、df2 和 df3 已可在你的環境中使用。
df1
df2
df3
本練習屬於課程
試著完成這個範例程式碼，體驗一下這個練習。
from ____ import ____
直接上手，先了解時間序列最重要的性質。你會認識平穩性，並了解它對 ARMA 模型為何重要。你會學會用肉眼與標準統計檢定來測試平穩性。最後，會學到 ARMA 模型的基本結構，並用它來產生 ARMA 資料並擬合一個 ARMA 模型。
本章接下來的重點，是讓你預測資料中未來的走向。你會學會使用俐落的 statsmodels 套件來擬合 ARMA、ARIMA 與 ARMAX 模型。接著，你會用模型來預測股價充滿不確定性的未來！
在本章中，你將成為一位品味獨到的建模者。你會學會如何從資料本身辨識出有潛力的模型階數；然後在訓練出最有希望的模型後，學會如何從這些已擬合的模型中選出最佳者。你也會學到一套很好的架構，來組織你的時間序列專案。
在最後一章，你會學會如何使用季節性 ARIMA 模型來擬合更複雜的資料。你會學會將資料分解為季節性與非季節性部分，接著把所有 ARIMA 工具整合起來，挑戰最後一個全球性預測任務。
當前練習