Wielkość efektu dla korelacji
Zmienność aktywu jest w przybliżeniu określana przez to, jak bardzo zmienia się jego cena. W tym ćwiczeniu zmierzysz zmienność w ujęciu dziennym, zdefiniowaną jako (cena maksymalna - cena minimalna) / cena zamknięcia.
Jakie czynniki wyjaśniają zmienność Bitcoina? Czy zmienność indeksu S&P500 jest z nią ściśle powiązana? Czy zmienność rośnie, czy maleje wraz ze wzrostem cen? Innymi słowy, jaka jest wielkość efektu korelacji między tymi różnymi czynnikami? W tym ćwiczeniu obliczysz obie te wielkości efektu.
Ramka danych z cenami S&P 500 i Bitcoina (btc_sp_df) została już wczytana, podobnie jak biblioteki: pandas jako pd, NumPy jako np, Matplotlib jako plt oraz stats z SciPy.
To ćwiczenie jest częścią kursu
Podstawy wnioskowania statystycznego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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:', ____)