以下是使用ARIMA和SARIMAX模型进行异常值预测的示例代码：

ARIMA模型：

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

# 创建ARIMA模型
model = ARIMA(data, order=(p, d, q))  # 设置合适的p, d, q参数

# 拟合模型
model_fit = model.fit()

# 预测异常值
predictions = model_fit.predict(start=0, end=n)  # 设置预测的起始和终止时间点

# 检测异常值
residuals = model_fit.resid
outliers = residuals[abs(residuals) > threshold]  # 设置异常值的阈值

# 输出异常值
print(outliers)

SARIMAX模型：

import pandas as pd
from statsmodels.tsa.statespace.sarimax import SARIMAX

# 创建SARIMAX模型
model = SARIMAX(data, order=(p, d, q), seasonal_order=(P, D, Q, S))  # 设置合适的p, d, q, P, D, Q, S参数

# 拟合模型
model_fit = model.fit()

# 预测异常值
predictions = model_fit.predict(start=0, end=n)  # 设置预测的起始和终止时间点

# 检测异常值
residuals = model_fit.resid
outliers = residuals[abs(residuals) > threshold]  # 设置异常值的阈值

# 输出异常值
print(outliers)

请注意，上述代码示例仅为了演示ARIMA和SARIMAX模型用于异常值预测的基本过程，并没有具体给出数据和参数的设置。在实际应用中，您需要根据具体情况选择合适的数据和参数，并进行相应的调整。