在python机器学习中使用ARIMA模型，用BIC矩阵确定p、q参数的时候BIC矩阵输出全是Nane，怎么回事

Question

import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.graphics.tsaplots import plot_acf
from statsmodels.tsa.stattools import adfuller as ADF
from statsmodels.graphics.tsaplots import plot_pacf
from statsmodels.stats.diagnostic import acorr_ljungbox
from statsmodels.tsa.arima_model import ARIMA
from statsmodels.tsa.arima_model import ARMA
discfile = 'D:/pycharm/ARIMA/arima_data.xlsx'
forecastunum=5
#读取数据，指定日期作为指标，pandas自动将日期识别为Datatime格式
data=pd.read_excel(discfile,index_col='日期')
# print(data)

#时序图
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
data.plot()
plt.show()

#自相关图
plot_acf(data,lags=36)
plt.show()

#平稳性检验
print("原始数据的ADF检验结果为",ADF(data[u'销量']))
# 返回值依次为adf、p-value、usedlag、nobs、critical values、icbest、regresults、resstore

#差分
# 一阶差分
D_data = data.diff().dropna()
D_data.columns = [u'销量差分']
# 时序图
D_data.plot()
plt.show()

# 自相关图
plot_acf(D_data,lags=35)
plt.show()

# 偏自相关图
plot_pacf(D_data,lags=17)
plt.show()

# 平稳性检测
print(u'差分序列的ADF检验结果为：', ADF(D_data[u'销量差分']))

# 白噪声检验
print(u'差分序列的白噪声检验结果为：\n', acorr_ljungbox(D_data, lags=1))  # 返回统计量和p值

# 定阶
data[u'销量'] = data[u'销量'].astype(float)
pmax = int(len(D_data) / 10)  # 一般阶数不超过length/10
qmax = int(len(D_data) / 10)  # 一般阶数不超过length/10
bic_matrix = []  # BIC矩阵
for p in range(pmax + 1):
    tmp = []
    for q in range(qmax + 1):
        try:  # 存在部分报错，所以用try来跳过报错。
            tmp.append(ARIMA(data, (p,1,q)).fit().bic)
        except:
            tmp.append(None)
    bic_matrix.append(tmp)

bic_matrix = pd.DataFrame(bic_matrix)  # 从中可以找出最小值
print(bic_matrix)
p, q = bic_matrix.stack().idxmin()  # 先用stack展平，然后用idxmin找出最小值位置。
print(u'BIC最小的p值和q值为：%s、%s' % (p, q))

model = ARIMA(data, (p, 1, q)).fit()  # 建立ARIMA(0, 1, 1)模型
print('模型报告为：\n', model.summary2())
print('预测未来5天，其预测结果、标准误差、置信区间如下：\n', model.forecast(5))

Answer 1

请问这个问题你解决了么？