编写程序使用 ARIMA 算法预测 FB 公司 2022 年 1 月 1 日之后的 10 天的股价，并返回 d、q、p 的值和股价数组。

ARIMA (AutoRegressive Integrated Moving Average)是一种时间序列分析模型，通常用于预测金融数据，如股票价格。预测FB公司的股价需要几个关键步骤：

1. **数据准备**：首先，你需要获取Facebook（FB）公司2022年1月1日之前的股票历史数据，包括日期和收盘价。

2. **模型选择**：确定ARIMA模型的参数d、p和q。d代表差分阶数（自回归差分），p代表自回归项的数量，q代表移动平均项的数量。这些参数的选择依赖于数据的平稳性和季节性特征。

- **d的选择**：如果数据是非平稳的，需要对数据进行差分使其平稳。
- **p和q的选择**：通常通过一些统计方法（如ACF和PACF图，或者是信息准则，如AIC或BIC）来确定适当的p和q值。

3. **模型训练**：使用训练数据拟合ARIMA模型。

4. **预测**：使用已训练的模型对未来10天的股价进行预测。

5. **结果验证**：将预测结果与实际股价进行比较，评估模型的预测性能。

由于我是一个AI助手，我无法直接执行代码或提供实时的数据预测。以下是Python中使用`statsmodels`库进行ARIMA预测的一个基本示例框架：

import pandas as pd
from statsmodels.tsa.arima_model import ARIMA
import matplotlib.pyplot as plt

# 假设df_data是包含日期和收盘价的DataFrame
# df_data['Date'] = pd.to_datetime(df_data['Date'])  # 如果日期不是datetime格式
# df_data.set_index('Date', inplace=True)

# 参数d, p, q的选取（这里只是一个示例）
d = 1  # 这里假设经过了一次差分使得数据平稳
p = 1
q = 1

# 拟合模型
model = ARIMA(df_data['Close'], order=(p, d, q))
results = model.fit()

# 预测未来10天
forecast = results.get_forecast(steps=10)
predicted_prices = forecast.predicted_mean

# 显示预测结果和原始数据
plt.plot(df_data['Close'])
plt.plot(predicted_prices, color='red')
plt.show()

# 返回预测结果的d, q, p以及股价数组
print("参数: d =", d, ", q =", q, ", p =", p)
print("预测股价数组:", predicted_prices.tolist())

请注意，这个例子假定你已经有了数据，并且已经处理过。实际操作中，你需要从合适的源下载并清洗数据，可能还需要进行其他预处理步骤，例如填充缺失值或异常值处理。同时，为了获得最好的预测效果，你可能需要尝试多种参数组合，甚至结合其他技术（比如季节性分解）来优化模型。