如何使用ARIMA模型基于3天历史股价预测未来多日股价

• 核心参数适配：你要求仅用过去3天数据做输入，直接将ARIMA的order参数第一个值p固定为3即可，该参数代表自回归项的滞后阶数，p=3时模型只会用到输入序列前3期的历史数据，完全匹配你的输入窗口要求。剩下的d（差分阶数）、q（移动平均阶数）可根据数据平稳性简单调整，不会影响指定的3天输入规则。
• 预测逻辑适配：你需要的是未来第2天的预测结果，拟合模型后直接设置预测步数为2，取返回结果的第二个值即可，不需要处理第一步的次日预测值。

from statsmodels.tsa.arima.model import ARIMA

# 示例股价序列
stock_price = [10, 15, 23, 24, 24, 23, 25, 25, 33, 30]

# 提取用于预测的最近3天数据
input_data = stock_price[-3:]

# 配置模型：p固定为3匹配3天输入窗口，d设为1做一阶差分保证平稳，q设为0即可
model = ARIMA(input_data, order=(3, 1, 0))
model_fit = model.fit()

# 预测未来2天，索引为1的结果即为未来第2天的预测值
predict_res = model_fit.forecast(steps=2)[1]
print(predict_res)

• 若需要提升预测稳定性，可将原始时间序列转换为监督学习样本：每个样本输入为连续3天的股价，对应标签为该3天结束后延后2天的股价，用全量样本训练模型，滚动预测时每次喂入最近3天的数据即可。
• 如果短序列拟合出现收敛警告，可以用更长的历史序列训练模型，只要固定p=3，模型依旧只会依赖最近3天的历史数据做预测，不会用到更早的数据。
• 目前常用的ARIMA实现来自statsmodels库，并非pandas自带，你可能混淆了工具归属。

内容的提问来源于stack exchange，提问作者pedawan_learner