理解auto.arima导致（0,0,0）顺序

我想对以下时间序列进行ARIMA过程拟合：

时间序列是平稳的，因为零假设被拒绝：

> adf.test(g_train)

    Augmented Dickey-Fuller Test

data:  g_train
Dickey-Fuller = -5.5232, Lag order = 17, p-value = 0.01
alternative hypothesis: stationary

当我使用auto.ARIMA训练ARIMA过程时，我得到以下结果：

> auto.arima(g_train)
Series: g_train 
ARIMA(0,0,0) with non-zero mean 

Coefficients:
          mean
      142.6338
s.e.    0.4700

sigma^2 estimated as 1273:  log likelihood=-28761.11
AIC=57526.22   AICc=57526.23   BIC=57539.54

为什么它估计订单为0,0,0？如何解释结果

编辑：越来越奇怪了。似乎auto.arima的数据太多，因此无法计算合适的模型

我总共有5760个值，如果我只传递数组的一部分，auto.arima就会工作。数据似乎没有任何最大长度

auto.arima(g_train[1000:length(g_train)])
Series: g_train[1000:length(g_train)] 
ARIMA(4,1,3) 

Coefficients:
         ar1      ar2     ar3     ar4      ma1     ma2      ma3
      2.5736  -1.9617  0.1803  0.2073  -1.4577  1.0505  -0.2284
s.e.  0.0437   0.1133  0.0985  0.0290   0.0437  0.0561   0.0371

sigma^2 estimated as 7.925e-05:  log likelihood=16008.3
AIC=-32000.6   AICc=-32000.57   BIC=-31948.86

编辑2：这里是我的数据的Acf图。我们可以清楚地看到季节性趋势。也许问题就出在那里

使用auto.arima并指定序列的平均值是否为0

library(forecast)
auto.arima(x, allowmean=FALSE, allowdrift=FALSE, trace=TRUE)

---

在这种情况下，x是时间序列数据

这意味着数据是白噪声。请参阅以获得一些解释。从图中可以清楚地看出，数据不是白噪声。知道为什么会这样吗？之所以会这样，是因为auto.arima函数发现ARIMA0，0，0模型是最好的。你确定你的数据不是白噪声吗？在您的data Box.test上尝试Ljung Box测试，并查看自动相关性forecast:：Acf，然后再排除它。如果你仍然相信你的数据不是白噪声，也许你可以尝试手动训练你的Arima模型。有关auto.arima如何工作以及如何手动训练的说明，请参阅。以下是Ljung Box测试的结果：X平方=5757.7，df=1，p值<2.2e-16。据我所知，数据中确实存在相关性。我在问题中加入了Acf的情节。你明白发生了什么吗？我也有类似的情况