我有以下情况：
价格历史应包含具有一定折扣的价格、极低价格（黑色星期五价格）和“正常”零售价格。
根据价格历史，我想确定当前价格是否适合购买产品。目前的价格可能不是历史最低价，但仍然是一个不错的价格。
我有一个非常简单的算法来做到这一点：
sum(prices) / sum(quantity))这很简单，但并不总是有效。
价格历史可能包含具有几个月数据的旧产品，或具有几周价格数据的新产品。可以接受的是，最终算法将更好地适用于具有更多数据的旧产品。
我可以应用哪些统计方法来使算法更精确？
为您的价格历史构建一个好的 ARIMA 模型，包括内存、事件（例如黑色星期五等）、星期几、季节性虚拟变量、水平变化、本地时间趋势和运行包含强大 ARIMA 的程序（不基于 AIC 或 BIC，因为这些程序假设没有异常值并将模型形式限制在列表中）并评估上一时期是否发生了干预脉冲。如果有，则检测到异常……如果没有，则最后一个数据点没有异常。
做科学就是寻找重复的模式。
检测异常就是识别不遵循重复模式的值。
因为谁知道自然的方式，谁就会更容易注意到她的偏差
，另一方面，谁知道她的偏差，谁就会更准确地
描述她的方式。
人们通过观察当前规则何时失效来学习规则。
问题是如果没有模型（至少是温和的模型），您将无法捕捉到异常值。否则，您怎么知道某个点违反了该模型？事实上，加深理解、发现和检查异常值的过程必须是迭代的。这不是一个新想法。大约 400 年前，培根在 Novum Organum 上写道：
“自然、运动和怪物的错误纠正了对普通事物的理解，揭示了普遍的形式。因为谁知道自然的方式，谁更容易注意到她的偏差；另一方面，谁知道她的偏差，谁会更准确描述她的方式。” [ 二 29]
显然，答案取决于价格的动态，因此需要有一个模型，正如先前的答案所示。在我看来，如果不能对价格做出任何假设，这将与秘书（或公主......）问题有关。
如果都说，公主的追求者被依次召唤到她面前，她能够对他们进行排名，最大化她选择最佳候选人的机会的策略是拒绝第一个然后选择第一个支配所有先前看到的，以防万一（否则，请忍受最后一个）：例如，参见比林斯利，概率论。
然而，这是一种最大限度地提高她获得最佳追求者的机会的策略，更保守的公主可能更喜欢产生足够好的伴侣的策略。按顺序查看所有价格并采取同样的行动可能会给您提供获得最低价格的最大机会，但可能会以经常错过几乎一样好的价格为代价。
只是一个想法，可能无关紧要，但可能会给您一些想法。