Taille d’effet pour les corrélations
La volatilité d’un actif se définit grossièrement par l’ampleur de ses variations de prix. Dans cet exercice, vous allez mesurer la volatilité au jour le jour, définie comme (prix le plus haut - prix le plus bas) / prix de clôture.
Quels facteurs expliquent la volatilité du Bitcoin ? La volatilité du S&P 500 y est-elle étroitement liée ? La volatilité augmente-t-elle ou diminue-t-elle lorsque les prix montent ? Autrement dit, quelle est la taille d’effet de la corrélation entre ces différents facteurs ? Vous calculerez ces deux tailles d’effet dans cet exercice.
Un DataFrame des prix du S&P 500 et du Bitcoin (btc_sp_df) a été chargé pour vous, ainsi que les packages pandas sous pd, NumPy sous np, Matplotlib sous plt, et stats de SciPy.
Cet exercice fait partie du cours
Fondements de l’inférence en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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:', ____)