Python-培训和测试auto_arima（）

Question

我正在使用出色的pmdarima软件包和auto_arima()对股票数据进行时间序列分析和预测。我无法真正了解它的工作原理，因为我对正确预测测试数据的所有尝试都没有成功。

欢迎任何帮助：任何解决方案都可以作为将来有经验的交易者的指南。

使用保存在csv文件中的两年小时数据的历史OHLC，我让auto_arima()找到最佳的ARIMA模型。市场是加密货币，因此没有季节性条款：

import pmdarima as pm
from pmdarima.arima.utils import ndiffs

df = pd.read_csv(file, sep='\t')
# Divide the dataframe in train & test parts
train_size = int(0.8*len(df))
df_train, df_test = df[:train_size], df[train_size:]

# Estimate the number of differences to apply using the ADF test :
n_adf = ndiffs(df['close'], test='adf')  # -> 0

# Use auto_arima to find the best p, q parameters for the ARIMA model, that minimizes AIC
model = pm.auto_arima(y                  = df_train['close'],
                      d                  = n_adf,
                      start_p            = 1,
                      start_q            = 1,
                      max_p              = 5,
                      max_q              = 5,
                      trend              = 'ct',         # add a constant and trend term to the equation
                      seasonal           = False,
                      stepwise           = True)

print(model.summary())

哪个给：

模型是AR（1）：很简单，但是为什么不呢？让我们称之为model并尝试预测测试数据的前50点：

predictions = list(model.predict(n_periods=50))

如果我们绘制这个图：

1. 为什么预测是一条直线？仅仅因为AR（1） 型号？为什么auto_arima()选择了它？
2. 删除ct选项（截取项和漂移项）也会导致AR（1），但结果要差得多（也是一条直线）。
3. 像this example from the docs中那样预测前进的一步并不是很有用，因为我想在将来进行进一步的预测。
4. 在拟合模型时，我应该添加外源数据吗？ 指标？但是，我怎么能预测未来的一步 因为我不知道先验他们的未来价值？

任何指导将不胜感激，谢谢！