全稱(chēng)為自回歸積分滑動(dòng)平均模型(Autoregressive Integrated Moving Average Model,簡(jiǎn)記ARIMA)。核心函數是ARIMA（p，d，q）稱(chēng)為差分自回歸移動(dòng)平均模型，AR是自回歸， p為自回歸項； MA為移動(dòng)平均，q為移動(dòng)平均項數，d為時(shí)間序列成為平穩時(shí)所做的差分次數。所謂ARIMA模型，是指將非平穩時(shí)間序列轉化為平穩時(shí)間序列，然后將因變量?jì)H對它的滯后值以及隨機誤差項的現值和滯后值進(jìn)行回歸所建立的模型。

整個(gè)算法的核心，就是ARIMA中d差分將時(shí)序差分成平穩時(shí)序或是趨于平穩時(shí)序，然后基于PACF設置p自回歸項，基于A(yíng)CF設置q移動(dòng)平均項數。

但因為包是基于statsmodels的，而其中的ARIMA（p，d，q），d不能>2，因此選用ARIMA（p，q）函數，d則使用pandas.diff()來(lái)實(shí)現。

本系統使用yahoo_finance，pandas，numpy，matplotlib，statsmodels，scipy，pywt這些包

1.從yahoo_finance包中獲取股票信息，使用panda存儲及處理數據，只提取其中Close屬性，按照時(shí)間排序為時(shí)間序列。

2.對Close時(shí)序進(jìn)行小波分解處理，選用DB4進(jìn)行小波分解，消除噪音。

3.進(jìn)行差分運算，使用panda包的diff()方法，并使用ADF檢驗進(jìn)行平穩性檢驗，保證時(shí)間序列是平穩或趨于平穩的。

4.輸出ACF，PACF圖，確定p，q的值。

5.運用ARIMA模型對平穩序列進(jìn)行預測，ARIMA(p,q)。

6.還原差分運算，得到股票預測時(shí)序。

本圖順序與步驟順序無(wú)關(guān)，僅僅是作為一種直觀(guān)的展示：

ARIMA是一種處理時(shí)序的方法模型，可以作用于股票預測，但是效果只能說(shuō)是一般，因為股市預測有一定的時(shí)序關(guān)系，卻又不完全是基于時(shí)序關(guān)系，還有社會(huì )關(guān)系，公司運營(yíng)，新聞，政策等影響，而且ARIMA使用的數據量?jì)H僅只有一階的Close屬性。因此本模型可以作用在平穩發(fā)展，沒(méi)有什么負面新聞和政策干擾的公司（不懂經(jīng)濟學(xué)，不知道對不對= =）。

https://github.com/jerry81333/StockProdiction/