ARFIMA模型是自回归分数移动平均模型（Autoregressive Fractionally Integrated Moving Average Model）的缩写，它是ARMA模型在非整数阶差分上的扩展。准确性函数是用来评估时间序列模型预测结果的准确性的函数。

下面是使用Python中的statsmodels库来拟合ARFIMA模型并计算准确性函数的示例代码：

import numpy as np
import pandas as pd
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.stattools import acf
from statsmodels.tsa.stattools import pacf
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
from statsmodels.tsa.arima_process import ArmaProcess
from statsmodels.tsa.arima_process import ArmaProcess

# 生成ARFIMA模型的样本数据
np.random.seed(0)
arparams = np.array([0.9, -0.8])
imaparams = np.array([0.3, -0.2])
ar = np.r_[1, -arparams]  # AR部分的系数
ima = np.r_[1, imaparams]  # MA部分的系数
n = 1000
ma_process = ArmaProcess(ar, ima)
sample = ma_process.generate_sample(nsample=n)

# 拟合ARFIMA模型
order = (1, 0, 1)  # ARFIMA模型的阶数
model = ARIMA(sample, order=order)
model_fit = model.fit(disp=False)

# 预测未来的值
forecast = model_fit.forecast(steps=10)[0]

# 计算准确性函数
accuracy = np.abs(forecast - sample[-10:])  # 假设最后10个观测值是真实值
mean_accuracy = np.mean(accuracy)
max_accuracy = np.max(accuracy)

print("Mean Accuracy:", mean_accuracy)
print("Max Accuracy:", max_accuracy)

上述代码首先生成了一个ARFIMA模型的样本数据。然后，使用ARIMA类来拟合ARFIMA模型，并使用forecast方法来预测未来的值。接下来，计算预测结果和真实值之间的准确性函数，即预测值与真实值之间的绝对值差，并计算平均准确性和最大准确性。

请注意，上述代码中的ARFIMA模型的阶数（order）是根据样本数据生成的模型的实际情况进行指定的，你需要根据你的实际情况进行调整。