Bootstrap-konfidensintervall
Du har tidigare sett att det finns en viss korrelation mellan S&P 500 och Bitcoin. Ett sätt att mäta detta är att titta på korrelationskoefficienten Pearsons R mellan de två. Resultatet blir dock bara en punktskattning. Troligtvis är korrelationen mellan de två tillgångarna tidvis ganska nära, medan de vid andra tillfällen beter sig mycket olika. Hur kan du beskriva variabiliteten? Ett tillvägagångssätt är att skapa ett bootstrap-konfidensintervall för korrelationskoefficienten. Det är precis vad du ska göra nu!
En DataFrame med S&P 500- och Bitcoin-priser (btc_sp_df) har laddats in åt dig, liksom paketen pandas som pd, NumPy som np 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 daily percent change of each asset
btc_sp_df['Pct_Daily_Change_BTC'] = (____['Open_BTC'] - ____['Close_BTC']) / ____['Open_BTC']
btc_sp_df['Pct_Daily_Change_SP500'] = ____
# Write a function which returns the correlation coefficient
def pearson_r(x, y):
return stats.____[0]
# Compute a bootstrap confidence interval
ci = stats.bootstrap((____, ____),
statistic=____,
vectorized=False, paired=True, n_resamples=1000, random_state=1)
print(ci.confidence_interval)