企业官网建设流程全解析

简介：这是一份围绕ARMA模型的时间序列数据预测MATLAB资源包，面向有数据预测需求的财经、工程及科研学习者，旨在帮助使用者理解并实现自回归滑动平均模型的建模与预测过程。压缩包共包含12个文件（约322KB），其中10个txt文件为TCP、UDP、ICMP等多种网络流量指标的数据序列，可作为模型训练与验证的输入；1个m脚本承担数据读取、模型构建、参数估计及预测输出的核心功能；另有1个xls表格便于查看数据或整理结果。截至目前已有227人学习下载，具备一定的参考热度。借助该资源可掌握从平稳性检查、差分处理、ACF/PACF定阶到ARIMA建模预测的完整操作链路，并可通过真实数据对比不同参数下的预测效果，适合需要快速上手MATLAB时间序列分析的读者。

1. ARMA数据预测：为什么先跑通这个老模型，再谈深度学习

做数据预测的时候，很多人都想在Matlab里直接上一个“看起来厉害”的模型，但我的经验恰恰相反。拿到ARMA数据，先别急着堆特征，先用ARMA（自回归滑动平均模型）跑一条基线，它把历史值和过去几期的误差同时作为输入，输出未来的点预测和置信区间，一套流程下来不到五十行代码。ARMA虽然是上世纪提出的模型，但对平稳时间序列的短期预测依然稳，尤其在数据量不大、没有明显季节性的场景里，它比很多花哨模型更不容易翻车。这篇笔记适合刚接触时间序列预测、想在Matlab里把ARMA预测从数据预处理跑到预测结果落盘的人，也会把定阶、参数估计和那些让人头疼的坑一并说清。

2. ARMA建模第一步：平稳性检验与Matlab数据预处理

ARMA模型的数学假设非常明确：序列是平稳的。所谓平稳，直观理解就是序列的均值、方差和自相关结构不随时间发生系统性变化。为什么这个条件是硬门槛？因为ARMA只用历史值去线性组合，如果序列本身带着向上的趋势或者方差一直在变大，模型会把趋势误当成可预测的规律，结果就是预测值看起来拟合得很好，一旦趋势出现拐点就立刻崩掉。

一个典型误用是：在Matlab里直接把原始销量序列丢给arima函数，拟合出来的系数看起来都显著，预测曲线也对得上历史，但等到真正预测未来时，预测值要么发散，要么完全跟不上新数据的走向。这不是模型坏了，而是它从一开始就拟合了一个不平稳的过程。

2.1 平稳性是ARMA的命门：先看数据长什么样

拿到数据的第一步永远是用plot画一下原始曲线。我一般会把时序图、自相关图并排打印出来，先肉眼判断三个问题：有没有明显的递增或递减趋势？波动幅度是不是在不同区间差别很大？有没有以固定周期出现的波峰波谷？如果三个问题里中了任何一个，就不能直接进入ARMA建模。

这里有一个常见错觉，很多人以为只要趋势是线性的，ARMA就能自动处理。实际上ARMA的AR部分虽然能对趋势做一定程度的跟踪，但那只是用一条回归线去凑趋势，模型本身不具备差分能力。想要处理趋势，必须由建模的人在预处理阶段把趋势先去除，这也是ARMA和ARIMA最本质的差别：ARIMA自带差分项，ARMA不带。

提示：在Matlab里先用plot(1:length(y), y)看一眼原始序列，再决定要不要差分。这一眼看不出大问题，后面的adftest也会告诉你答案。

2.2 用adftest和kpss做单位根检验：两条命令锁定平稳性

肉眼判断不顶用的时候，就用统计检验说话。Matlab自带的adftest是做ADF单位根检验的，它的原假设是序列存在单位根（即非平稳），如果返回的h等于1，表示在给定显著性水平下拒绝原假设，说明序列已经平稳。与之互补的是kpss检验，它的原假设反过来，是序列平稳，所以两个检验一起看更稳妥。

这里给出一个最小可运行的Matlab数据处理脚本，用于读取数据并完成平稳性判断：

% load_data.m y = load('sales_data.txt'); % 用你解压后的ARMA数据替换文件名，列向量 y = y(:); % 强制转成列向量，arima函数只接受列向量 [h_adf, p_adf, stat_adf, cval_adf] = adftest(y); % ADF单位根检验 [h_kpss, p_kpss, stat_kpss, cval_kpss] = kpss(y, 'lags', 6); % KPSS平稳性检验 fprintf('ADF: h=%d, p=%.4f, 检验值=%.4f, 临界值=%.4f\n', ... h_adf, p_adf, stat_adf, cval_adf); fprintf('KPSS: h=%d, p=%.4f, 检验值=%.4f, 临界值=%.4f\n', ... h_kpss, p_kpss, stat_kpss, cval_kpss); if h_adf == 1 && h_kpss == 0 disp('序列通过平稳性检验，可以进入ARMA建模'); else disp('序列未通过平稳性检验，需要差分或变换'); end

这段脚本里adftest返回四个值：h是结论、p是p值、stat是检验统计量、cval是临界值。kpss的lags参数控制检验用到的滞后阶数，对月度数据我一般设成12，对日度数据设成6到8，没有绝对标准，但不要不设直接跑，不同滞后值下结论可能不同。当ADF说平稳、KPSS也说平稳，才算是双保险通过。

这里有一点要特别注意：h等于1只是“在默认5%显著性水平上拒绝了原假设”。如果你把显著性水平改成0.01，h可能就变成0了。要不要把边界案例当平稳处理，取决于你对预测结果的要求，做基线模型时5%够用，做正式交付时建议把p值一并打出来给人看。另外，两个检验结论冲突也很常见：ADF说平稳但KPSS说非平稳，这时候可以再算一下一阶差分的检验结果，如果一阶差分后两者都通过，按一阶差分处理，因为业务上趋势项的存在比统计判断更直观。

2.3 差分与对数变换：非平稳数据怎么救回来

如果检验没通过，最常见的手段是对数变换加差分。对数变换适合方差随均值增长的数据，典型例子是点击量、销量、流量这类只能取正值的序列，先做log(y)能让波动幅度变得均匀。差分则专门对付趋势，一阶差分等价于计算相邻两个时间点的变化量，如果一阶差分后还不平稳，再做二阶差分。

差分操作在Matlab里就一行：dy = diff(y)。但有个细节容易忽略：差分后序列长度会少一个点，后续写预测代码时Y0的索引要注意对齐，否则做预测时模型内部用的滞后项会和你传进去的数据错位，导致的报错很隐蔽，我后面避坑章节会专门说。同时，预测完成之后，所有结果都必须做逆变换还原回原始量纲，差分结果要累加，对数结果要取指数，这一步漏掉的话，预测值看起来会和真实值差一个数量级。

% make_stationary.m y = load('sales_data.txt'); % 从ARMA数据压缩包解压出的原始序列，列向量 y = y(:); % 先处理方差问题 if min(y) > 0 ly = log(y); % 对数变换，压缩方差异质性 else ly = y; % 数据含非正值时只能用原始值 end % 再做差分直到通过adftest diff_order = 0; test_y = ly; while diff_order < 2 [h, p] = adftest(test_y); if h == 1 break; end test_y = diff(test_y); diff_order = diff_order + 1; end fprintf('最终差分阶数: %d\n', diff_order);

这段脚本的循环逻辑是：从原始值开始，每做一次差分就重新做一次ADF检验，最多差分两阶。为什么上限设成2？因为实际业务数据里差分超过两阶之后，序列虽然“平稳”，但可预测的信息量已经被差得差不多了，继续差分只会把信号差成噪声。差分阶数每加一，模型就要多丢失一个样本点，为了一点点平稳性代价不划算。

到这里，预处理阶段就完成了。记住最后保留下来的那个test_y才是进入ARMA建模的输入，原始序列和变换过程要单独保存下来，因为预测完之后要把差分和对数还原回去，才能得到和原始数据同一个量纲的预测结果。这一步做完，你手里应该有一个长度缩短、均值恒定、波动幅度均匀的平稳序列，接下来才能放心地进入定阶环节。

3. 用Matlab完成ARMA定阶与参数估计：从ACF/PACF到arima函数

预处理做完，下一步就是确定ARMA(p,q)的阶数p和q。这一步是整个ARMA预测里最像“玄学”的部分，因为判断阶数有两种路径：一种是人眼看图，对ACF和PACF做截尾和拖尾分析；另一种是交给信息准则自动扫描。对新手来说，先把看图的方法学会，再去看自动定阶的结果，才不会在模型选择上完全失去判断力。

3.1 从自相关图和偏自相关图判断p和q：看图说话的门道

在Matlab里autocorr和parcorr两个函数直接画图，它们会在图上画出相关系数序列，并附带95%置信带。看图的核心规则是这样的：如果一个序列的ACF在q阶之后突然掉进置信带内不再有突出的峰值，称为“截尾”，而PACF衰减得很慢，称为“拖尾”，那这个序列适合MA(q)模型；反过来PACF在p阶截尾、ACF拖尾，适合AR(p)；如果两个都拖尾，说明要用ARMA(p,q)。

这套规则说起来简单，实际操作时经常翻车，因为样本量不够大时，ACF和PACF会在置信带边缘晃来晃去，看起来像是截尾又像是拖尾。我见过不少人在这个环节纠结很久，甚至为了迎合某个阶数去反复调整数据长度。所以我的做法是：先按规则看图定一个候选区间，比如觉得p可能在1到3、q可能在0到2，然后把这个范围内的所有组合都交给AIC去比较，而不是只认死一组数字。图是给人找方向的，AIC才是给人做决定的。

这里可以直接用一个表格把规则和安全判断法列出来：

表格最后一行很关键，很多人忽视：如果ACF和PACF都没有显著峰值，说明这个序列已经是白噪声，没有可提取的线性依赖关系，ARMA拟合上去只会得到一个常数，这种数据就不要浪费时间了。我把这种检查放在建模前，能省掉后面一大半的无效调参时间。

3.2 用arima函数拟合ARMA模型：最小可运行代码

Matlab的arima函数是Econometrics Toolbox里的核心接口，注意ARMA模型在Matlab里写作arima(p,0,q)，中间那个0表示差分阶数为0。很多人一开始会用arima(p,1,q)去拟合原始序列，那其实是ARIMA模型，虽然也能跑通，但模型解释已经不同，预测前还要做积分还原，容易绕晕。

% fit_arma.m y = load('stationary_series.txt'); % 这是预处理完成后的平稳序列 y = y(:); p = 2; % AR阶数，由ACF/PACF或AIC确定 q = 1; % MA阶数，同上 Mdl = arima(p, 0, q); % 建立ARMA(p,q)模型对象 EstMdl = estimate(Mdl, y); % 极大似然估计模型参数 disp(EstMdl); % 输出系数、标准差、信息准则

这段代码的要点在第3行和第4行。arima(p,0,q)的第二个参数就是差分阶数D，取0代表ARMA，取1代表ARIMA。estimate函数默认用极大似然估计，Matlab在估计过程中会输出迭代日志，你可以看到每一步的似然值和参数变化，如果日志里出现发散，通常是数据不平稳或者阶数太高，要回头检查预处理。

EstMdl里面主要的字段包括AR系数、MA系数、常数项和方差。解释一下：AR系数表示当前值受前几期自身值影响的程度，MA系数表示当前值受前几期误差影响的程度，常数项相当于序列的均值。系数估计出来后还要看一眼对应的标准差，如果标准差比系数本身还大，说明这个参数估计得很不稳，可以考虑降低阶数重新拟合。一个实用的经验是：p和q的取值尽量不要超过样本量开根号，100个点就选1到3之间的阶数，超出这个范围的结果基本都不可信。

一个非常容易踩的坑：arima函数不接受数据里有NaN值。如果你的原始数据里有缺失值，必须先处理掉，常见做法是插值或者用之前的值填充，但无论哪种方式都会改变数据分布，所以要在预处理阶段把这个操作明确记录下来。我一般会在数据文件旁边放一个processing_notes.txt，记录每一步变换，方便几周之后回看还能对上。

3.3 残差白噪声检验：模型能不能用，看这一项就够了

模型拟合完，永远不要直接去预测。先拿拟合好的模型对历史数据做一遍“回头看”，算出每个时间点模型估计值与真实值的差距，也就是残差。一个合格的ARMA模型，其残差应当是白噪声序列，意思是残差之间不存在任何自相关关系。如果残差里还有结构，说明模型没有提取干净时间依赖，预测结果必然有偏。

Matlab里用infer函数提取残差，再用lbqtest做Ljung-Box检验：

% check_residual.m res = infer(EstMdl, y); % 用拟合好的模型反推残差 % 画残差自相关图，肉眼确认近似白噪声 autocorr(res); % Ljung-Box检验：原假设是残差无自相关 [h_lb, p_lb] = lbqtest(res, 'Lags', [5 10 15]); fprintf('Ljung-Box: h=%d, p=%.4f\n', h_lb(1), p_lb(1)); if h_lb(1) == 0 disp('残差通过白噪声检验，模型可接受'); else disp('残差仍存在自相关，考虑增大p或q，或检查季节成分'); end

这段代码里infer(EstMdl, y)返回的是条件方差和残差，用变量接收时默认拿到残差序列。lbqtest的Lags参数可以指定要检验的滞后阶数，我这里一次检验了5、10、15三个延迟，任何一组显著都说明残差不白。p值大于0.05时不能拒绝无自相关的原假设，模型算是过关，否则就要回到定阶步骤重新搜索。

残差检验的一个补充操作是画一下残差的正态概率图，用qqplot(res)就能看出来是否有离群点。ARMA的系数估计并不严格要求正态，但极大似然估计的置信区间推导基于近似正态，残差偏离太远会让预测区间的可信度打折。如果只是零星几个离群点，问题不大；如果残差整体呈现偏态或者重尾，我就要回头检查数据里是不是混入了异常日期或突变点。

4. 用forecast做ARMA预测：一步预测、多步预测与滚动预测怎么落地

模型通过残差检验后，预测就是最后一步。forecast是Matlab里做ARMA/ARIMA预测的官方函数，它基于模型的结构化递推公式，不需要你自己手写预测方程。但要注意，forecast处理的是平稳序列的预测，如果你的数据经过差分和对数变换，预测结果必须先还原，再和原始数据比较。

4.1 forecast函数的最小代码：预测未来N个点

最常见做法是：把历史数据y传给forecast的Y0参数，指定要预测的步数num_periods，函数返回未来num_periods个点的预测值。这里的关键是Y0必须包含模型所需的全部滞后信息，举个例子，ARMA(2,1)模型预测第1个未来点时，需要用到最近2个历史值和最近1个误差，如果你把Y0砍得太短，forecast会直接报错。

% arma_forecast.m y = load('stationary_series.txt'); % 平稳化处理后的ARMA数据 y = y(:); p = 2; q = 1; % 刚才定的阶数 Mdl = arima(p, 0, q); EstMdl = estimate(Mdl, y); num_periods = 10; % 预测未来10个时间点 [YF, YMSE] = forecast(EstMdl, num_periods, 'Y0', y); % 计算95%置信区间 z = 1.96; lower = YF - z * sqrt(YMSE); upper = YF + z * sqrt(YMSE); % 绘图对比 t = (length(y)+1 : length(y)+num_periods)'; plot(t, YF, 'r-o', 'LineWidth', 1.5); hold on; plot(t, lower, 'k--', t, upper, 'k--'); legend('预测值', '95%下限', '95%上限');

这里forecast的返回值有两个：YF是点预测值，YMSE是预测均方误差。预测均方误差随预测步数增加而增大，所以置信区间会呈现一种喇叭口形态。这是ARMA的正常现象，代表模型对远期预测的信心天然不足。如果你看到区间大到无法接受，说明要么数据本身噪声太大，要么模型没有充分捕捉规律，这两种情况下换复杂的深度学习模型也不一定有用，先把数据质量问题解决。

4.2 预测区间怎么解读：别只盯着那条预测曲线

很多人在拿到预测结果后只截图看那条红色曲线，这是不对的。预测模型给出的不是一个确定值，而是一个置信区间，ARMA的预测本质上是用条件期望描述最可能的位置，再用方差描述不确定性。比如你要拿预测值去做库存决策，应当直接把下限和上限用到安全库存计算里，而不是用点预测值加一个拍脑袋的安全系数。

如果YMSE显示区间特别窄，有两种可能：一是模型确实拟合得好，预测可信；二是模型过拟合了历史噪声，把本来不该学的波动学进去了，发生了“伪自信”。区分两者的办法是留出一段历史数据不参与拟合，然后拿它和预测值比较，看看真实值落在区间内的频率是否接近95%。这个回测步骤虽然多花几分钟，但能有效避免把过拟合当成好的预测。

注意：预测区间的宽度和预测步数强相关，多步预测的区间在步数递增时必然变宽。如果你用滚动预测，每一步的区间宽度才是一致的，所以业务上对长期预测不要期待窄区间。

4.3 滚动预测：边预测边更新窗口的实战做法

一次性预测未来10个点叫多步预测，但实际业务中更常见的是滚动预测：每次只预测下一步，等这一步的真实值拿到后，把它追加到历史窗口里重新估计模型，再预测下一步。滚动预测的好处是模型始终在用最新数据，对结构和缓变的序列尤其有效。

% rolling_forecast.m y = load('stationary_series.txt'); y = y(:); window = 120; % 滚动窗口长度：至少大于 p+q，经验值取数据长度的2/3 num_future = 20; % 滚动预测的总步数 pred = zeros(num_future, 1); for i = 1:num_future train_data = y(end-window+1:end); % 当前窗口 Mdl = arima(2, 0, 1); EstMdl = estimate(Mdl, train_data, 'Display', 'off'); [YF, ~] = forecast(EstMdl, 1, 'Y0', train_data); pred(i) = YF(1); % 真实数据出来后，把这一步的真实值追加到 y 序列末尾 % 这里假设你有一份 future_actual 保存了未来真实值 % y = [y; future_actual(i)]; end

这段代码里window的取值是一个需要反复试的参数。窗口太小，估计方差大，模型不稳定；窗口太大，模型对数据变化反应迟钝。我通常的做法是先取一个大致值跑一遍回测，然后按步长10去搜索最优窗口长度。另一个细节是estimate函数在循环里每次都重新估计参数，计算量比只估计一次大不少，如果数据量和预测步数都很大，可以考虑每5步重新估计一次，中间几步直接用上一次的模型参数，速度会快很多，精度损失通常可接受。

滚动预测的代码中有个容易被人忽略的问题：你拿真实值去更新y，但ARMA模型估计时用的残差全部来自训练数据，下一步预测时模型并不知道上一步的预测误差是多少。想让它知道，就需要在循环中把上一步真实值和预测值的差作为MA项的新误差喂给模型，这已经属于状态更新的范畴，Matlab的arima函数不直接支持，一个替代方案是用simulate配合已知残差来做条件模拟，复杂度较高，基线预测不必强求。

5. ARMA实战避坑指南：5个最容易翻车的地方

ARMA看起来简单，真正落地时坑不少。下面这5个是我在Matlab里反复踩过的，每条都按现象、原因、解决的顺序写，可以作为你排查预测结果时的检查清单。

5.1 翻车点一：拿非平稳数据直接拟合

现象：模型在训练集上表现非常好，拟合曲线几乎贴着真实值走，但一预测未来就开始发散，或者预测值越来越平。这个现象最迷惑人，因为训练阶段没有任何报错，参数估计也正常收敛。

原因：原始序列带有趋势项，ARMA把趋势当成可以利用的规律学了进去。对短期预测来说，趋势似乎还在，预测结果勉强能用；一旦预测步数变长，模型预测的不是趋势的延续，而是趋势在AR系数作用下的指数放大或衰减，所以发散。

解决：别跳过adftest这一步。直接对原始数据跑一遍adftest，h=1再建模。如果序列确实不平稳，就做一阶差分，然后对差分后序列建模，预测后再累加还原。这个流程多写两行代码，但能避免一大类说不清的预测失败。

5.2 翻车点二：阶数定太高导致过拟合

现象：ACF和PACF图上好几个柱子都稍微超出置信带，你觉得p和q都大到可以建模，结果拟合时部分系数不显著，预测区间宽到没有价值。

原因：样本量有限时，自相关估计本身有波动，5%的置信水平意味着平均每20个滞后里就有1个柱子“假装显著”。把这些噪声柱子当成真实依赖关系，就会多估计好几个本不存在的AR或MA项。系数一多，模型方差变大，预测自然不稳。

解决：遵守一个经验法则：p+q最多不超过样本量的平方根。100个样本点的情况下，p和q都往1、2这个量级选，不要超过4。同时用AIC做横向比较，AIC每多一个参数会加惩罚，AIC最小的组合通常比人眼判断更靠谱。我在定阶时会把AIC前5名打出来，如果第一名比第二名多用了3个参数但AIC只小了一点点，我就会选第二名。

5.3 翻车点三：预测结果比真实值滞后一拍

现象：你把预测曲线和真实曲线叠在一起看，发现预测曲线像是真实曲线向右平移了一个时间点，波峰波谷都对得上，但永远慢一步。

原因：这对ARMA来说是“正常现象”，不是bug。ARMA本质是历史值的加权平均，它对突变无能为力，只能预测趋势的惯性。遇到拐点、突增、突降时，模型必然要等真实值先变，然后才在下一步修正回来。

解决：接受这个特性，并把预测区间用起来。在有突变的业务场景里，把预测值标记为“趋势参考”而不是“准确发生值”，再用异常检测或人工复核去处理突变点。想做超前预测，就只能引入外部协变量或者切换到能处理非线性跳变的模型。这不是ARMA的缺陷，而是所有线性模型共同的边界。

5.4 翻车点四：残差检验没过就把模型拿去上线

现象：预测值在大部分时间都准，但每隔一段会出现系统性偏差，比如连续几天预测值偏低，然后恢复正常。

原因：残差里还残留着自相关或季节性，说明ARMA模型没有把数据里的依赖结构提取干净。最常见的是周期成分，比如按周的周期性在ACF的滞后7、14处有明显的正峰值，而你在建模时完全没处理周期项。

解决：拟合完成后，跑一下infer+lbqtest，如果p值小于0.05，回到定阶流程，先考虑是否要给序列加季节性差分，或者改用SARIMA（带季节性ARMA）。在纯ARMA框架里，也可以把周期均值作为外生变量去掉，再做差分。上线之前多花两分钟做残差检验，比上线后被人投诉预测失准要划算得多。

5.5 翻车点五：把ARMA当万能模型硬套

现象：对波动率序列、金融收益序列建模时，预测区间窄得让人不敢相信，但真实值频繁落在区间之外。

原因：ARMA建模的是条件均值，假设方差恒定。但像收益率、部分流量数据这类序列，方差本身会聚集，大波动后跟着大波动，小波动后跟着小波动，这个现象叫波动聚集，ARMA完全没有处理能力。

解决：先对残差平方做lbqtest，如果显示显著自相关，说明数据存在条件异方差，这时可以考虑ARMA-GARCH模型组合。Matlab里garch函数可以单独拟合GARCH项，用它对接ARMA残差的方差部分。不过这种组合的参数估计更敏感，样本量不够时非常容易过拟合，不是默认选项。我的建议是，先确认自己的业务数据是不是真的方差不恒定，再决定要不要上这个复杂度。

6. 用AIC自动定阶：Matlab里把ARMA预测流程串成一条龙

在定阶这件事上，最实用的技巧是在Matlab里写一个循环，把p和q的所有组合扫一遍，再用AIC排序，这样既验证了第3章看图得出的候选范围，也能在样本量不足时保持相对客观的模型选择标准。

% auto_select.m y = load('stationary_series.txt'); y = y(:); pmax = 4; qmax = 4; results = []; for p = 0:pmax for q = 0:qmax if p == 0 && q == 0 continue; % 白噪声模型，跳过 end try Mdl = arima(p, 0, q); EstMdl = estimate(Mdl, y, 'Display', 'off'); [~, ~, LogL] = infer(EstMdl, y); % AIC = -2*LogL + 2*k，k是参数个数 k = p + q + 1; % 含常数项的粗略估计 aic = -2 * LogL + 2 * k; results = [results; p, q, aic]; catch fprintf('p=%d, q=%d 估计失败\n', p, q); end end end results = sortrows(results, 3); % 按AIC升序排列 disp(results(1:5, 1:3));

这段代码里infer的第三个返回参数是对数似然值LogL，AIC的计算公式是负两倍对数似然加两倍参数个数。参数个数这里粗略用p+q+1，因为除了AR和MA系数外还有一个常数项，严格一点还要加上回归系数和方差参数，但对模型排序影响不大，关键是所有组合用同一个口径比较才公平。

循环里用try-catch是必须的，因为有些p和q组合（比如p=0,q=4）在数值优化时会碰到收敛困难，estimate会报错。把报错吞掉并继续扫描，是自动定阶的标准处理。跑完之后，results的前5行就是AIC排名从低到高的模型组合，结合起来看基本能确定最终阶数。

我自己现在的习惯是，图上看的结论只用来决定搜索范围，真正的模型选择交给AIC排序，结果列在控制台里后我会手动看前5名的残差检验。遇到过好几次这样的情况：AIC排名第一的模型残差没通过检验，排名第二的反而过了，这种时候就选第二，因为一个残差有问题的模型AIC再小也不该上线。不同组合之间AIC差值如果小于2，通常认为没有显著差别，这时我优先选阶数更低的那个，也就是更节省参数的模型。

这套流程不仅适用于ARMA，你后面做ARIMA、带外生变量的回归模型，甚至深度学习matlab里的LSTM超参数搜索，都可以复用“先扫参数范围、再按指标排序、最后人工复核”的思路。先把一条路走通，再在它上面做扩展，是数据预测算法里最稳妥的学习路线。希望帮到你。

本文还有配套的精品资源，点击获取