statsmodels中ARIMA的样本外预测？
我有一个时间序列预测的问题，正在使用statsmodels这个Python包来解决。根据AIC标准评估，最优模型看起来相当复杂，像是ARIMA(27,1,8)这样的模型（我还没有对所有参数进行全面搜索，但似乎在这个范围内是最小值）。不过，我在用这个模型进行验证和预测时遇到了很大的困难，因为训练一个模型实例需要很长时间（几个小时），所以反复测试变得非常困难。
无论如何，我真正需要的，至少是能够在操作中使用statsmodels的一个机制，就是在新数据到达时能把它们纳入进来，以便进行下一组预测。我希望能够在现有数据上拟合一个模型，然后把它保存起来，等到下一个数据点到来时再把它取出来，并将其纳入更新的预测中。目前，我每次有新数据时都得重新拟合模型，正如我所说，这需要很长时间。
我看过这个问题，它基本上解决了我遇到的问题，但针对的是ARMA模型。不过对于ARIMA模型来说，数据需要进行差分处理，这增加了复杂性。我需要能够生成原始时间序列的新预测（参考ARIMAResultsWrapper.predict方法中的typ='levels'关键字）。我了解到，statsmodels目前无法做到这一点，但我需要使用现有功能中的哪些组件，才能自己编写一个实现这个功能的代码呢？
补充一下：我还在使用transparams=True，所以预测过程需要能够将预测结果转换回原始时间序列，这在自制方案中又增加了一个难度。
1 个回答
一个ARIMA(27,1,8)模型非常复杂。在大多数情况下，处理时间序列数据时，五个左右的参数就足够做出合理的预测。当然，这还得看具体的数据和领域，但我对27加8等于35个参数是否真的必要持怀疑态度。
AIC这个指标有时候对参数的数量要求太宽松了。我建议你可以试着用BIC来比较一下结果。
我还建议你看看你的数据是否有某种季节性。例如，可能这27个自回归（AR）项其实都没什么用，你可能只需要滞后1（lag=1）和滞后24（lag=24）这两个参数（比如说）。这在处理有日季节性的每小时数据时可能是个情况。