python - 如何计算时间序列DataFrame的概率？

Closed. This question is off-topic。它当前不接受答案。
                            
                        
                    
                
                            
                                
                
                        
                            
                        
                    
                        
                            想改善这个问题吗？ Update the question，因此它是on-topic，用于堆栈溢出。
                        
                        2年前关闭。
                                                                                            
                
        
我正在研究时间序列DataFrame。这里我有XAUUSD的历史数据

            Date     Open     High      Low    Close
5008  2018-03-28  1345.66  1347.26  1323.94  1326.53
5009  2018-03-29  1326.81  1328.48  1322.02  1325.36
5010  2018-04-02  1326.91  1345.06  1326.13  1342.05
5011  2018-04-03  1341.86  1342.54  1329.53  1333.57
5012  2018-04-04  1333.48  1344.28  1331.77  1343.31

我想做的是不预测第二天的价格。我正在尝试获取第二天价格的概率列表（％）。

例如“高值可以是最大值和最小值是多少？”或“低价值可以是多少？”包含 ％。假设它可以在1.0001％-1.015％之间创建

我不确定要使用哪种型号。我使用了LinearRegression，但它只是为了预测价格。所以这是我需要的模型：

1. Train the past data
2. Get how much High away from yesterday's Close price (min/max)
3. Get how much High away from yesterday's Low price (min/max)
4. Sort values and show me all probabilities

您认为这对于任何sklearn模型都是可行的吗？

最佳答案

您想要的要么是来自频繁主义者模型的置信区间，要么是来自贝叶斯模型的后验均值和方差。

对于您的情况，可以使用高斯过程进行后验。它的意思是，除了预测一个期望值而不是单个值外，它还为您提供了后验的方​​差，您可以用来查看模型对预测结果的信心。

将这些模型拟合到一维数据上（在您的情况下为低或高）非常简单，您可以像看到here一样很好地可视化它们。



我最喜欢的高斯流程实现是GPy，但是您可以使用任何喜欢的方法。

我对另一个问题应用了相同的概念，您可以在here上阅读。