一、ARIMA回归模型
ARIMA回归模型是一种用于时间序列数据预测的统计模型。
ARIMA 是 AutoRegressive Integrated Moving Average 的缩写，中文意思是“自回归差分移动平均模型”。它是一种结合了自回归（AR）、差分（I）和移动平均（MA）三种方法的模型。
自回归（AR）：指的是模型会考虑过去的值对当前值的影响。
差分（I）：指的是对数据进行处理，使其平稳，即消除数据中的趋势和季节性。
移动平均（MA）：指的是模型会考虑过去的误差对当前值的影响。
算法步骤
Step1:读取数据
Step2:数据预处理
Step3: 确定模型参数
Step4: 训练模型
Step5: 检验模型
ARIMA模型的优点：
预测能力：可以预测未来的趋势，帮助做出决策（短期较为准确，长期预测误差较大）。
理解数据：通过分析历史数据，可以更好地理解数据的模式和结构。
提高效率：在某些情况下，可以减少不必要的资源浪费。
二、数据的来源
本文的数据来源于某股市的交易数据，其中包含字段分别为交易日期、开盘价、最高价、最低价、收盘价、昨日收盘价、成交量、成交金额、振幅、涨跌幅、涨跌额、换手率。
三、程序部分
Step1:读取数据
%matplotlib inline
import pandas as pd #数据处理，数据分析
import datetime #导入日期和时间
import matplotlib.pylab as plt #可视化展示
from matplotlib.pylab import style #画图风格
from statsmodels.tsa.arima_model import ARIMA #差分自回归移动平均模型
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf #ACF图，PACF图
#去掉