ARIMA（自回归综合移动平均模型）是一种常用于时间序列预测的模型。下面是一个使用Python中statsmodels库实现ARIMA每日预测的代码示例：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA

# 读取数据
data = pd.read_csv('data.csv', parse_dates=['date'], index_col='date')

# 拆分训练集和测试集
train_size = int(len(data) * 0.8)
train_data = data[:train_size]
test_data = data[train_size:]

# 创建ARIMA模型
model = ARIMA(train_data, order=(1, 1, 1))

# 训练模型
model_fit = model.fit()

# 预测未来n天
n = 7
forecast = model_fit.forecast(steps=n)[0]

# 输出预测结果
print("预测结果：")
print(forecast)

# 可视化预测结果
plt.figure(figsize=(10, 6))
plt.plot(data.index, data['value'], label='实际数据')
plt.plot(test_data.index, forecast, label='预测数据')
plt.xlabel('日期')
plt.ylabel('数值')
plt.title('ARIMA每日预测')
plt.legend()
plt.show()

上述代码中，首先需要读取包含日期和数值的数据文件（data.csv），然后将数据拆分为训练集和测试集。接下来，创建ARIMA模型，并使用训练集训练模型。然后，使用训练好的模型进行未来n天的预测。最后，将实际数据和预测数据可视化展示。

请注意，上述代码中的order参数为(1, 1, 1)，表示ARIMA模型的阶数。这个参数需要根据实际数据进行调整，以获得更好的预测效果。