Effektstorlek för korrelationer
Ett tillgångs volatilitet definieras ungefär av hur mycket dess pris förändras. I den här övningen mäter du volatilitet per dag, definierad som (högsta pris - lägsta pris) / stängningspris.
Vilka faktorer förklarar Bitcoins volatilitet? Är S&P 500:s volatilitet nära kopplad till denna? Ökar eller minskar volatiliteten när priserna stiger? Med andra ord, vad är effektstorleken för korrelationen mellan dessa olika faktorer? Du beräknar båda dessa effektstorlekar i den här övningen.
En DataFrame med S&P 500- och Bitcoin-priser (btc_sp_df) har lästs in åt dig, liksom paketen pandas som pd, NumPy som np, Matplotlib som plt och stats från SciPy.
Den här övningen är en del av kursen
Grunderna i inferens med Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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:', ____)