Effektstärke für Korrelationen
Die Volatilität eines Assets wird grob dadurch definiert, wie stark sich sein Preis ändert. In dieser Übung misst du die tägliche Volatilität als (Höchstkurs − Tiefstkurs) / Schlusskurs.
Welche Faktoren erklären die Volatilität von Bitcoin? Hängt die Volatilität des S&P 500 eng damit zusammen? Nimmt die Volatilität zu oder ab, wenn die Preise steigen? Anders gesagt: Wie groß ist die Effektstärke der Korrelation zwischen diesen verschiedenen Faktoren? Du berechnest in dieser Übung beide Effektstärken.
Ein DataFrame mit S&P‑500‑ und Bitcoin‑Preisen (btc_sp_df) ist bereits geladen, ebenso die Pakete pandas als pd, NumPy als np, Matplotlib als plt und stats aus SciPy.
Diese Übung ist Teil des Kurses
<Kurs>Grundlagen der Inferenz in Python</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Compute the volatility of Bitcoin
btc_sp_df['Volatility_BTC'] = ____
# Compute the volatility of the S&P500
btc_sp_df['Volatility_SP500'] = ____
# Compute and print R^2 between the volatility of BTC and SP500
r_volatility, p_value_volatility = ____
print('R^2 between volatility of the assets:', ____)
# Compute and print R^2 between the volatility of BTC and the closing price of BTC
r_closing, p_value_closing = ____
print('R^2 between closing price and volatility of BTC:', ____)