多只股票多变量多步预测，输入变量有收盘价，开盘价，最高价，最低价，输出的预测为收盘价，使用ARIMA模型预测，代码怎么写

ARIMA模型是一种时间序列预测模型，可以被用来预测未来的价格变化。下面是使用Python编写ARIMA模型的代码，以预测多只股票的收盘价为例：

首先，我们需要导入所需的库：

import pandas as pd
import numpy as np
from statsmodels.tsa.arima_model import ARIMA

接下来，我们读取数据集，这里以读取CSV文件为例：

df = pd.read_csv('stock_data.csv')

接着，我们将数据集按照股票代码进行分组：

groups = df.groupby('stock_code')

然后，我们定义一个函数来训练ARIMA模型并进行预测：

def arima_model(data):
    # 拆分数据集为训练集和测试集
    train_data = data[:int(0.8*(len(data)))]
    test_data = data[int(0.8*(len(data))):]
    
    # 训练模型，p、d、q分别代表ARIMA模型中的三个参数
    model = ARIMA(train_data, order=(2,1,2))
    fitted_model = model.fit(disp=-1)
    
    # 预测未来5个步长的收盘价
    forecast_data = fitted_model.forecast(steps=5)[0]
    
    return forecast_data

最后，我们可以使用apply()函数将该函数应用到每个股票的数据上，并将预测结果保存到一个新的数据集中：

forecast_df = pd.DataFrame(columns=['stock_code', 'forecast_closing_price'])

for name, group in groups:
    # 提取需要预测的收盘价数据
    closing_price = group['closing_price'].values
    
    # 运行ARIMA模型并预测收盘价
    forecasted_data = arima_model(closing_price)
    
    # 将预测结果存储到新的数据集中
    forecast_df = forecast_df.append({'stock_code': name, 'forecast_closing_price': forecasted_data}, ignore_index=True)

print(forecast_df)

这里我们假设数据集中包含了所有需要进行预测的股票的信息，我们将数据集按照股票代码进行分组，并将预测结果存储到一个新的数据集中。