Tamaño del efecto para correlaciones
La volatilidad de un activo se define, de forma aproximada, por cuánto cambia su precio. En este ejercicio medirás la volatilidad a nivel diario, definida como (precio máximo - precio mínimo) / precio de cierre.
¿Qué factores explican la volatilidad de Bitcoin? ¿Está la volatilidad del S&P 500 estrechamente relacionada con ella? ¿Aumenta o disminuye la volatilidad cuando suben los precios? En otras palabras, ¿cuál es el tamaño del efecto de la correlación entre estos factores? Calcularás ambos tamaños del efecto en este ejercicio.
Se ha cargado para ti un DataFrame con precios del S&P 500 y de Bitcoin (btc_sp_df), así como los paquetes pandas como pd, NumPy como np, Matplotlib como plt y stats de SciPy.
Este ejercicio forma parte del curso
Fundamentos de la inferencia en Python
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# 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:', ____)