python - 如何计算 Timeseries DataFrame 的概率？

Question

已关闭。此问题不符合 Stack Overflow guidelines 。目前不接受答案。

---

这个问题似乎与 help center 中定义的范围内的编程无关。 .

已关闭 5 年前。

Improve this question

我正在研究 Timeseries 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

我想做的不是预测第二天的价格。我正在尝试获取第二天价格的概率列表 (%)。

例如“High值最大和最小可以是多少？”或“低值可以是多少？”包括 ％。假设它可以在 1.0001% - 1.015% 之间增加

我不确定该使用哪种模型。我使用了线性回归，但它只是为了预测价格。所以这就是我需要的模型:

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 模型都是可能的吗？

Answer 1

您想要的是来自频率模型的置信区间，或者来自贝叶斯模型的后验均值和方差。

对于您的情况，您可以使用高斯过程来获得后验。它的意思是，它不是预测单个值(即您的预期均值)，而是为您提供后验方差，您可以使用它来查看模型预测模型的信心结果。

将这些模型拟合到一维数据(在您的情况下为低或高)非常简单，您可以像您看到的那样很好地可视化它们 here .

我最喜欢的高斯过程实现是 GPy ，但您可以使用您喜欢的任何一个。

我将相同的概念应用于不同的问题，您可以阅读 here .