基于ACF/PACF确定ARIMA(p,d,q)网格搜索参数范围（房屋价格预测场景）

结合你提供的ACF/PACF图，参数范围可以大幅收窄，既保证效果又降低运行耗时：

• d参数：月度房屋价格序列通常为一阶单整，从ACF的衰减特征判断最高取2即可，建议取值范围设置为[0,1]，最多保留[0,1,2]，差分阶数超过2会丢失过多序列趋势信息，没有实际意义。
• p参数：观察PACF图，2-3阶之后系数就落入95%置信区间内，说明自相关项最高取4就足够覆盖有效信息，建议取值范围设置为range(0,5)，不需要到12。
• q参数：观察ACF图，3-4阶之后系数就衰减到置信区间内，说明移动平均项最高取4就足够，建议取值范围设置为range(0,5)，不需要到12。

调整后参数组合从原来的13413=676组降到最多535=75组，运行效率直接提升9倍左右。

• 你的验证逻辑是每次预测都将真实值加入历史滚动拟合，粗筛参数阶段可以先固定训练集，用AIC/BIC准则快速排除无效参数，再用滚动验证精调最优参数，能进一步缩短耗时。
• 可以直接用pmdarima库的auto_arima函数自动选参，内置的步进搜索逻辑比暴力网格搜索效率高很多。

# 调整后的参数范围
p_values = range(0,5)
d_values = range(0,2)
q_values = range(0,5)
warnings.filterwarnings("ignore")
evaluate_models(df.values, p_values, d_values, q_values)

你提供的ACF/PACF图如下：

内容的提问来源于stack exchange，提问作者user13824826