時系列データについて

Question

現在arimaを使って時系列データの予測をしようとしています。しかし、下のコードをやっても
画像のように予測が最初はできるのですが途中から直線になってしまいます。どうしたら良いのでしょうか？

pip install git+https://github.com/statsmodels/statsmodels.git

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import keras
from sklearn.model_selection import train_test_split
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
from statsmodels.tsa.arima.model import ARIMA
from sklearn.metrics import mean_squared_error
from statsmodels.tsa.stattools import adfuller
from statsmodels.graphics.tsaplots import plot_acf

testla_df = pd.read_csv("/content/drive/MyDrive/stock/TSLA.csv")

def preprocess(df):
  df['Date'] = df['Date'].apply(lambda x: pd.to_datetime(x))
  df = df.set_index('Date')
  df.drop(['Open', 'High', 'Low', 'Adj Close', 'Volume'], axis=1, inplace=True)
  return df

tesla_df = preprocess(testla_df)

x = tesla_df.values

train = x[:1000]
test = x[1000:

model = ARIMA(train, order=(3, 1, 1))
result = model.fit()

predictions = result.forecast(steps=len(test))

plt.plot(predictions)

Answer 1

予測が最初はできるのですが途中から直線になってしまいます。

直線の予測をしているということです。
ARIMAというのはAR自己回帰とMA移動平均、そしてI階差を統合したモデルとなっています。

c.f. ARIMAモデル（自己回帰和分移動平均モデル）について分かりやすく解説！

c.f. 時系列データのパターンを明らかにする「自己回帰モデル」

AR部分は自己回帰で過去のパターンを繰り返すように学習しますが、MAの部分は過去の平均に近づくような学習をします。
過去が周期性がはっきりとした繰り返しの連続（サンプルデータのUKGASなど）であればそれを繰り返すような予測値を返しますが、株価のようなランダムウォーク（に近い）と呼ばれる値の場合は過去の周期性がほとんどないのでARでの学習が弱く、MAの学習で平均値となる水平な直線の予測結果となりがちです。

c.f. UKgasで時系列データ分析

ですので、

• 周期性のあるデータの時系列分析を学びたいのであればUKgasのようなデータに取り組む
• 株価など周期性のほぼないデータであればARIMAというのはこういうものだと理解し、より時系列分析の学習にはげむ（別の説明変数を入れたVARモデルなどがあります）

が後者の株価の予測ができたという話は聞いたことがありません。ガチの研究テーマの一つと思います。