ARIMA模型最佳信息准则是通过比较不同模型的信息准则（如AIC、BIC等）来确定最合适的模型。其中AIC（赤池信息准则）和BIC（贝叶斯信息准则）是常用的评估模型拟合优度的指标，较小的值表示模型拟合得好。

下面是使用Python中的statsmodels库来拟合ARIMA模型，并通过AIC和BIC来选择最佳模型的示例代码：

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

# 假设有一个时间序列数据
data = pd.Series([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

best_aic = np.inf  # 初始化最佳AIC值为正无穷
best_bic = np.inf  # 初始化最佳BIC值为正无穷
best_order = None  # 初始化最佳模型的阶数为None

# 遍历不同的ARIMA模型阶数的组合，选择最佳模型
for p in range(3):
    for d in range(2):
        for q in range(3):
            try:
                model = ARIMA(data, order=(p, d, q))
                model_fit = model.fit()
                
                # 计算AIC和BIC
                aic = model_fit.aic
                bic = model_fit.bic
                
                # 更新最佳的AIC和BIC值以及对应的模型阶数
                if aic < best_aic:
                    best_aic = aic
                    best_order = (p, d, q)
                
                if bic < best_bic:
                    best_bic = bic
                    best_order = (p, d, q)
            except:
                continue

print("Best AIC:", best_aic)
print("Best BIC:", best_bic)
print("Best Order:", best_order)

上述代码中，首先给定了一个时间序列数据，然后通过嵌套的循环遍历不同的ARIMA模型阶数的组合，使用ARIMA模型拟合数据，并计算AIC和BIC。最后，通过比较AIC和BIC的值，选择最佳模型的阶数。最佳模型的阶数通过best_order变量保存。

注意：在实际应用中，可能需要根据具体问题来调整循环中的范围和数据的预处理方式。