一阶差分为num["diff_1"]，如何用代码实现bic/aic指标定p、q

要计算BIC和AIC指标，需要首先确定ARIMA模型的p、d和q值。其中，p表示AR模型阶数，q表示MA模型阶数，d表示差分次数。下面是一些基本的步骤：

1. 确定差分次数d。可以使用Augmented Dickey-Fuller(ADF)检验或KPSS检验来确定数据是否需要进行差分，以及差分的次数。

2. 选择合适的p和q值。可以使用自相关函数ACF和偏自相关函数PACF来确定p和q的值。一般来说，可以绘制ACF和PACF图形，找到第一个截尾的值，并使用这些值作为p和q的值。

3. 计算BIC和AIC指标。BIC和AIC可以用来比较不同的ARIMA模型。在计算BIC和AIC指标时，需要使用最小二乘法来估计模型参数，并使用残差平方和来计算模型的对数似然函数值。

下面是一些Python代码，用于计算BIC和AIC指标：

import statsmodels.api as sm

# 定义ARIMA模型
arima_model = sm.tsa.ARIMA(data, order=(p, d, q))

# 估计模型参数
arima_result = arima_model.fit()

# 计算BIC和AIC指标
bic = arima_result.bic
aic = arima_result.aic

其中，`data`是时间序列数据，`p`、`d`和`q`是ARIMA模型的参数。`arima_result.bic`和`arima_result.aic`分别是BIC和AIC指标的值。