对于刚刚标记的每一个数据，从第2步的数据片段中选择与其标记相同的数据片段，以（开盘价的涨跌幅、最高价的涨跌幅、最低价的涨跌幅）为自变量，收盘价的涨跌幅为应变量，建立一个线性回归模型，预测它的收盘价的涨跌幅。

好的，针对您的问题，我可以给出一个大致的思路：

1. 按照标记进行数据筛选：根据第一步的标记结果，您可以从第二步的数据片段中筛选出与其标记相同的数据片段。具体代码如下：

# 假设您已经将数据集拆分为特征数据和标签数据
target_label = 1  # 假设您要筛选出涨的数据
target_data = df[df['label'] == target_label]

# 取出自变量和应变量的数据
X = target_data[['open_pct_change', 'high_pct_change', 'low_pct_change']]
y = target_data['close_pct_change']

2. 建立线性回归模型：使用 sklearn 库中的 LinearRegression 类建立线性回归模型。具体代码如下：

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建线性回归模型
lr = LinearRegression()

# 训练模型
lr.fit(X_train, y_train)

# 预测测试集
y_pred = lr.predict(X_test)

3. 进行预测：使用训练好的模型对新数据进行预测。具体代码如下：

new_data = [[0.02, 0.03, -0.01]]  # 假设您有一组新数据
new_pred = lr.predict(new_data)

以上是大致的思路，您可以根据自己的需求进行修改和完善。如果您有其他问题，可以随时提出。