直接上手，学习时间序列最重要的属性。您将了解平稳性，以及它对于 ARMA 模型的重要性。您将学习如何通过目测和标准统计检验来测试平稳性。最后，您将了解 ARMA 模型的基本结构，并据此生成一些 ARMA 数据并拟合一个 ARMA 模型。

时间序列与平稳性的入门

探索

训练-测试集划分

是否平稳

让时间序列平稳

增广 Dicky-Fuller 检验

取差分

其他变换

AR、MA 与 ARMA 模型入门

模型阶数

生成 ARMA 数据

拟合热身

ARMA 模型

本章的主题就是：预测您数据中即将发生的事情。您将学习如何使用优雅的 statsmodels 包来拟合 ARMA、ARIMA 和 ARMAX 模型。然后，您将使用这些模型来预测充满不确定性的股票价格未来！

拟合时间序列模型

拟合 AR 和 MA 模型

拟合 ARMA 模型

拟合 ARMAX 模型

预测

生成一步预测

绘制一步预测

生成动态预测

绘制动态预测

ARIMA 模型入门

差分与拟合 ARMA

展开 ARMA 预测

拟合 ARIMA 模型

选择 ARIMA 模型

拟合未来

在本章中，您将成为一位有鉴别力的建模者。您将学习如何从数据本身识别有潜力的模型阶数；在训练出最具潜力的模型后，您还将学习如何从这组已拟合的模型中选择最佳模型。您还会学习一个用于组织时间序列项目的优秀框架。

ACF 与 PACF 入门

AR 还是 MA

地震序列的阶数

AIC 与 BIC 入门

搜索模型阶数

使用 AIC 与 BIC 选择模型阶数

AIC 和 BIC 对比 ACF 和 PACF

模型诊断

平均绝对误差

诊断性汇总统计

绘制诊断图

Box–Jenkins 方法

识别（Identification）

识别 II

估计

诊断

优中选优的模型

在最后一章中，您将学习如何使用季节性 ARIMA 模型来拟合更复杂的数据。您将学习如何将数据分解为季节性与非季节性部分，随后有机会将所有 ARIMA 工具应用到最后一次全球预测挑战中。

季节性时间序列

季节性分解

季节性 ACF 与 PACF

SARIMA 模型

拟合 SARIMA 模型

选择 SARIMA 阶数

SARIMA 与 ARIMA 的预测对比

自动化与保存

自动化模型选择

保存与更新模型

SARIMA 与 Box-Jenkins

乘法季节性 vs 加法季节性

SARIMA 模型诊断

SARIMA 预测

恭喜您！

季节性 ARIMA 模型

US Monthly Candy Production

Monthly Record of CO2

Amazon Daily Closing Stock Price

Yearly Earthquakes

Monthly Milk Production

您是否尝试过预测未来？未来往往是个谜，通常只有等待才能揭晓。在本课程中，您将不再等待，而是学习使用强大的 ARIMA 类模型来进行预测。您将学习如何使用 statsmodels 包分析时间序列、构建定制模型，并在不确定性下进行预测。未来 24 小时股市将如何波动？未来 10 年 CO2 水平会如何变化？明年会发生多少次地震？您将学会解决这些问题以及更多相关挑战。

你是否曾尝试预测未来？前方等待着的，通常只有通过等待才能揭晓的神秘。 在这门课程中，你无需再等待，即可通过在 Python 中使用 ARIMA 模型深入时间序列建模世界，预测未来。<br><br><h2>时间序列数据</h2>
从学习时间序列数据的基础开始，包括平稳性的概念——这对于使用 ARMA 模型至关重要。 你将学习如何通过可视化和统计方法检验平稳性，生成 ARMA 数据，并拟合 ARMA 模型，从而打下坚实基础。<br><br><h2>Statsmodels 包</h2>
随着学习的深入，探索强大的 Statsmodels 包，用于拟合 ARMA、ARIMA 和 ARMAX 模型。 您将获得使用模型预测未来值（如股票价格）的实践经验。<br><br>
通过让这些概念变得易于理解和应用，你将学会生成一步预测、动态预测，并将 ARIMA 模型直接拟合到您的数据中。<br><br><h2>ACF 和 PACF 图</h2>
亮点之一是学习如何使用 ACF 和 PACF 图来选择最佳模型，以识别有前景的模型阶数。 您将学习用于模型选择和诊断的 AIC 和 BIC 等准则，帮助您将模型优化到尽善尽美​.<br><br><h2>SARIMA模型</h2>
课程以季节性 ARIMA（SARIMA）模型收尾，非常适合处理具有季节性模式的数据。 你将学习如何将时间序列数据分解为季节性和非季节性组成部分，并在全球预测挑战中运用你的 ARIMA 技能。 
<br><br>这个最终项目将所有内容串联起来，让你全面掌握 ARIMA 建模。

差分阶数	ADF 统计量	p 值
0	2.198	0.999
1	-2.598	0.093
2	-14.448	0.000
3	-17.147	0.000

选择 ARIMA 模型

Python 中的 ARIMA 模型

动手互动练习