Effectgrootte voor correlaties
De volatiliteit van een asset wordt grofweg bepaald door hoeveel de prijs schommelt. In deze oefening meet je de volatiliteit per dag, gedefinieerd als (hoogste prijs - laagste prijs) / slotkoers.
Welke factoren verklaren de volatiliteit van Bitcoin? Hangt de volatiliteit van de S&P 500 hier nauw mee samen? Neemt de volatiliteit toe of af als de prijzen stijgen? Met andere woorden: wat is de effectgrootte van de correlatie tussen deze verschillende factoren? Je berekent in deze oefening beide effectgroottes.
Een DataFrame met S&P 500- en Bitcoin-prijzen (btc_sp_df) is voor je ingeladen, net als de pakketten pandas als pd, NumPy als np, Matplotlib als plt, en stats uit SciPy.
Deze oefening maakt deel uit van de cursus
Basis van inferentie in Python
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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:', ____)