def find_prob_interval(excess):
    "Ищем квантили и значения в них, между которыми попадает данный excess."

    # Проверка попадания в диапазон значений:
    if excess > max(q1000.values):
        # Подобрано с тем, чтобы вероятность approx_prob = 0:
        return excess, 2*excess, 1, 0
    elif excess < min(q1000.values):
        # Подобрано с тем, чтобы вероятность approx_prob = 1:
        return excess, 2*excess, 0, 0

    for i in range(1, len(q1000)):
        if q1000.values[i-1] <= excess < q1000.values[i]:
            a = q1000.values[i-1]
            b = q1000.values[i]
            p_a = q1000.index[i-1]
            p_b = q1000.index[i]

    return a, b, p_a, p_b

def approx_prob(excess):
    "Линейно аппроксимируем вероятность между двумя квантилями."
    a, b, p_a, p_b = find_prob_interval(excess)
    alpha = (excess - b) / (a - b)
    prob = alpha*p_a + (1 - alpha)*p_b
    return round(1 - float(prob), 3)

days = n + 1
years = alldf['<YEAR>'].unique()
tickers=alldf['<TICKER>'].unique()

# Формируем ДатаФрейм, который потом будем заполнять:
prob_df = pd.DataFrame(index=tickers, columns=years)

for ticker in Tickers:
    for year in years:
        # Выбираем данные по тикеру за последние days выбранного year:
        data = alldf[alldf['<TICKER>'] == ticker]
        try:
            data = data[data['<YEAR>'] == year].iloc[-1:-days:-1]
        except IndexError:
            # Если дней в году меньше, чем нам нужно - берем все, что есть:
            data = data[data.YEAR == year]
        if alldf.empty:
            # Если данных по тикеру нет, то сразу полагаем вероятность = 1 и идем на следующую итерацию:
            prob_df.loc[ticker, year] = 1
            continue
        # Считаем дневную логарифмическую доходность и эксцесс для нее:
        data_log_data = 100 * np.log(1 + data['<CLOSE>'].pct_change()).dropna()
        excess = scipy.stats.moment(data_log_data, 4) / scipy.stats.moment(data_log_data, 2)**2 - 3

        # Находим и добавляем вероятность:
        prob = approx_prob(excess)
        prob_df.loc[ticker, year] = prob

prob_df