Tamanho de efeito para correlações
A volatilidade de um ativo é, de forma simplificada, definida por quanto seu preço varia. Neste exercício, você vai medir a volatilidade por dia, definida como (preço máximo - preço mínimo) / preço de fechamento.
Quais fatores explicam a volatilidade do Bitcoin? A volatilidade do S&P 500 está intimamente relacionada a isso? A volatilidade aumenta ou diminui conforme os preços sobem? Em outras palavras, qual é o tamanho de efeito da correlação entre esses diferentes fatores? Você vai calcular ambos os tamanhos de efeito neste exercício.
Um DataFrame com os preços do S&P 500 e do Bitcoin (btc_sp_df) já foi carregado para você, assim como os pacotes pandas como pd, NumPy como np, Matplotlib como plt e stats do SciPy.
Este exercicio faz parte do curso
Fundamentos de Inferência em Python
exercicio interativo prático
Tente este exercicio completando este código de exemplo.
# 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:', ____)