价格预测通常涉及多种模型，这些模型可以分为几大类，包括统计模型、机器学习和深度学习模型。以下是一些常见的用于价格预测的模型：

统计模型 :

ARIMA （自回归积分滑动平均模型）：

用于处理线性时间序列数据，捕捉趋势和季节性。

线性回归：使用`sklearn.linear_model.LinearRegression`构建，适用于线性关系的预测。

支持向量回归 （SVR）：使用`sklearn.svm.SVR`构建，适用于非线性关系的预测。

机器学习模型 :

决策树回归：

使用`sklearn.tree.DecisionTreeRegressor`构建，适用于非线性关系的预测。

梯度提升回归算法 （GradientBoostingRegressor）：使用`sklearn.ensemble.GradientBoostingRegressor`构建，适用于复杂关系的预测。

深度学习模型 :

卷积神经网络 （CNN）：

用于处理时间序列数据，捕捉局部依赖关系。

循环神经网络 （RNN）：用于处理时间序列数据，捕捉长期依赖关系。

长短期记忆模型 （LSTM）：用于处理时间序列数据，特别擅长捕捉长期依赖关系。

LSTM与ARIMA混合模型：结合ARIMA的线性趋势捕捉能力和LSTM的非线性关系捕捉能力。

其他模型 :

葛兰碧九大法则：

分析价格与成交量的关系，用于判断股票的买卖时机。

成交量放大/缩小模型：基于成交量变化判断趋势的延续或反转。

量价背离模型：基于价格和成交量的背离判断趋势的反转。

累积/派发模型：基于价格和成交量的关系判断市场的强弱。

能量潮模型 （OBV）：基于成交量的变化预测股价变动。

价格成交量趋势 （PVT）：结合价格变动和成交量预测价格趋势。

成交量加权平均价格 （VWAP）：基于成交量和价格计算平均价格。

这些模型各有优缺点，适用于不同类型的数据和市场环境。在实际应用中，可能需要根据具体的数据特征和市场行为选择合适的模型进行预测。