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
Grundlagen der Inferenz in Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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:', ____)