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

    # Проверка попадания в диапазон значений:
    if excess > max(quantiles_1000.values):
        # Подобрано с тем, чтобы вероятность approx_prob = 0:
        return excess, 2*excess, 1, 0
    elif excess < min(quantiles_1000.values):
        # Подобрано с тем, чтобы вероятность approx_prob = 1:
        return excess, 2*excess, 0, 0

    for i in range(1, len(quantiles_1000)):
        if quantiles_1000.values[i-1] <= excess < quantiles_1000.values[i]:
            a = quantiles_1000.values[i-1]
            b = quantiles_1000.values[i]
            p_a = quantiles_1000.index[i-1]
            p_b = quantiles_1000.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 = 240 - 5 * variant_num + 1 # 90
years = tickers_data['<DATE>'].dt.year.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:
        ticker_data = tickers_data[tickers_data['<TICKER>'] == ticker]
        try:
            ticker_data = ticker_data[ticker_data['<DATE>'].dt.year == year].iloc[-1:-days:-1]
        except IndexError:
            # Если дней в году меньше, чем нам нужно - берем все, что есть:
            ticker_data = ticker_data[ticker_data['<DATE>'].dt.year == year]
        if ticker_data.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:
        ticker_log_data = 100 * np.log(1 + ticker_data['<CLOSE>'].pct_change()).dropna()
        excess = central_moment(ticker_log_data, 4) / central_moment(ticker_log_data, 2)**2 - 3

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

prob_df