必须用adfuller检验判断平稳性：p值小于0.05才认为平稳，同时结合时序图与ACF图观察均值方差是否稳定、自相关是否快速衰减。
ARIMA 模型在 Python 中能用，但直接调用 statsmodels.tsa.arima.ARIMA 前必须确认数据已平稳、差分阶数 d 已合理确定——跳过这步，模型大概率拟合失败或预测发散。
怎么判断时间序列是否平稳？
平稳性是 ARIMA 的前提。不能只看折线图，得用统计检验+可视化双验证：
-
adfuller检验：p 值 autolag="AIC" 和regression="ct" - 画一阶差分后的时序图 + ACF 图：如果 ACF 在 lag=1 后快速衰减到置信区间内，且均值/方差肉眼无明显趋势或周期突变，才初步可信
- 警惕“伪平稳”：某些带强季节性的序列（如月度销售）一阶差分后 ACF 仍拖尾，需考虑
SARIMA而非 ARIMA
如何选对 p、d、q 参数？
别迷信自动搜索（如 auto_arima），它容易过拟合小样本，且对异常值敏感。手动定阶更可控：
-
d：由 ADF 检验决定，通常取 0 或 1；若二阶差分后 ACF 仍不截尾，说明可能含单位根以外的问题（如结构突变），ARIMA 不适用 -
p：看差分后序列的 PACF 图，首个显著非零滞后位置即为p初值；若 PACF 拖尾，可能是p过小或存在外生变量干扰 -
q：看差分后序列的 ACF 图，首个显著非零滞后位置即为q初值；若 ACF 截尾过早（如 lag=1 就进区间），q=0可能更稳 - 参数组合不宜超过 (3,1,3)，否则 AIC/BIC 容易失真，且预测区间会异常宽
训练和预测时哪些操作会 silently 失败？
常见静默陷阱比报错更危险：
立即学习“Python免费学习笔记（深入）”；
- 用
model.fit()后没检查results.mle_retvals['converged']—— 即使返回结果，也可能只是梯度下降卡在局部极小，此时results.summary()里系数标准误会极大或为 nan - 预测时传入
steps=10却没设typ="levels"（默认是 "linear"），导致输出的是差分后的预测值，直接绘图会严重偏移 - 滚动预测（rolling forecast）时复用同一个
fittedvalues，而没用model.append()或重训，误差会随步长指数累积 - 输入日期索引若含缺失或重复时间戳，
ARIMA不报错但内部对齐逻辑混乱，预测值顺序可能错位
ARIMA 真正难的不是调包，而是差分阶数判断是否掩盖了结构性变化，以及残差是否真的白噪声——这两点一旦出问题，后续所有预测都失去意义。
