ARMA模型的计算机过程可以分为以下几个步骤：
数据准备与预处理
导入数据并进行预处理，如去除异常值、填充缺失值等。
平稳性检验
使用ADF（Augmented Dickey-Fuller）检验、KPSS（Kwiatkowski-Phillips-Schmidt-Shin）检验等方法检验时间序列的平稳性。如果数据不平稳，可以通过差分等方法使其平稳化。
确定模型阶数
使用自相关函数（ACF）和偏自相关函数（PACF）来确定AR（自回归）和MA（移动平均）的阶数，即p和q的值。
模型拟合
使用ARIMA函数（自回归移动平均模型）来拟合模型，参数为p、d、q，分别对应AR、差分和MA的阶数。
模型预测
使用forecast函数进行预测，分析未来的数据走势。
```python
import pandas as pd
import numpy as np
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
示例数据
data = pd.Series（[1, 2, 3, 4, 5, 6, 7, 8, 9, 10], index=pd.date_range（'1/1/2020', periods=10））
平稳性检验
plot_acf（data）
plot_pacf（data）
确定阶数
p = 1
q = 1
拟合模型
model = ARIMA（data, order=（p, 1, q））
results = model.fit（）
模型预测
forecast = results.forecast（steps=5）
print（forecast）
```
在这个示例中，我们首先导入了数据并进行平稳性检验，然后通过ACF和PACF图来确定AR和MA的阶数，最后使用ARIMA函数拟合模型并进行预测。
建议在实际应用中，根据数据的具体情况和需求选择合适的模型阶数，并进行充分的模型诊断和检验，以确保模型的准确性和可靠性。