CommencezCommencez gratuitement

Intervalles de confiance bootstrap

Vous avez déjà vu qu'il existe un certain degré de corrélation entre le S&P 500 et le Bitcoin. Une façon de le mesurer consiste à examiner le coefficient de corrélation R de Pearson entre les deux. Toutefois, cela ne donne qu'une estimation ponctuelle. On peut supposer qu'à certains moments la corrélation entre les deux est assez forte, alors qu'à d'autres moments ils évoluent de façon très différente. Comment caractériser cette variabilité? Une approche consiste à créer un intervalle de confiance bootstrap pour le coefficient de corrélation entre les deux. C'est exactement ce que vous allez faire maintenant!

Un DataFrame des prix du S&P 500 et du Bitcoin (btc_sp_df) a été chargé pour vous, tout comme les modules pandas sous pd, NumPy sous np, et stats de SciPy.

Cette activité fait partie du cours

Fondements de l'inférence en Python

Voir le cours

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Compute the daily percent change of each asset
btc_sp_df['Pct_Daily_Change_BTC'] = (____['Open_BTC'] - ____['Close_BTC']) / ____['Open_BTC']
btc_sp_df['Pct_Daily_Change_SP500'] = ____

# Write a function which returns the correlation coefficient
def pearson_r(x, y):
    return stats.____[0]
  
# Compute a bootstrap confidence interval
ci = stats.bootstrap((____, ____), 
                     statistic=____, 
                     vectorized=False, paired=True, n_resamples=1000, random_state=1)

print(ci.confidence_interval)
Modifier et exécuter le code