Track cumulative return of stocks/indices with multi-ticker comparison, index Top N ranking, and visualization. All comparisons use S&P 500 as the fixed benchmark.

2026-01-283

track-agri-hedge-fund-positioning

fatfingererr/macro-skills

用 COT 非商業部位變化，量化對沖基金在農產品期貨的資金流向，並把出口需求、USDA 數據、美元/原油/金屬等宏觀風向整合成可交易的敘事與訊號。

2026-01-273

name	analyze-copper-stock-resilience-dependency
description	用跨資產訊號（全球股市韌性 + 中國利率環境）評估銅價能否突破關卡或進入「回補/回踩」到支撐的機率與路徑。

<essential_principles>

**跨資產依賴核心邏輯**

銅價的關卡突破與回補，並非單純由銅本身決定，而是高度依賴股市韌性：

銅價走勢 = f(技術面關卡狀態) × f(股市韌性) × f(中國利率環境)

關鍵洞察：

股市韌性高時：銅突破關卡後「續航」機率更高
股市韌性低時：銅更容易出現「back-and-fill」回補到支撐區
中國10Y殖利率：作為風險壓力/政策寬鬆的雙面訊號

**心理關卡與趨勢狀態**

銅價的重要心理整數位（如 10,000 / 13,000 USD/ton）是判斷突破與回補的關鍵：

狀態	條件	含義
up	close > SMA(60) 且斜率為正	上升趨勢
down	close < SMA(60) 且斜率為負	下降趨勢
range	其他	區間整理

關卡判定：

near_resistance: 接近上方關卡
near_support: 接近下方支撐

**股市韌性評分（0-100）**

將「股市韌性」量化為可計算的分數：

因子	權重	計算方式
12個月動能	40%	12m 報酬分位數（vs 歷史）
均線位置	40%	是否站上 12 月均線（是=100，否=0）
近期回撤	20%	近 3m 回撤越小越好（反向計分）

評分解讀：

70-100：高韌性，銅突破關卡後續航機率較高
30-70：中性，需觀察其他因子
0-30：低韌性，回補風險顯著上升

**滾動迴歸：量化依賴強度**

計算銅價對股市與中國殖利率的滾動貝塔係數：

Δcopper ~ β1 × Δequity + β2 × Δchina_yield + ε

β1（股市貝塔）越大越正：銅越像風險資產，越依賴股市
β1 高分位：市場正在把銅當風險資產一起交易
β1 < 0（負相關）：銅與股市脫鉤，展現獨立邏輯（避險/供給/能源轉型敘事）
β2（殖利率貝塔）：正 = 殖利率上升利好銅（通膨敘事），負 = 反之

**資料取得方式**

本 skill 使用以下公開數據來源：

數據	代碼/來源	取得方式
銅期貨價格	COMEX Copper (HG=F)	Yahoo Finance
全球股市市值	VT (Vanguard Total World Stock ETF)	Yahoo Finance
中國10Y殖利率	MacroMicro	Selenium + Highcharts

單位換算：

HG=F 為 $/lb，自動乘以 2204.62262 轉換為 $/ton
VT ETF 價格乘以係數轉換為全球市值估計（兆美元）
中國10Y 為百分比（%）

</essential_principles>

實作銅價股市韌性依賴分析：

資料擷取：抓取銅價、全球股市、中國10Y殖利率
趨勢與關卡判定：計算 SMA、趨勢狀態、接近哪個關卡
股市韌性評分：計算 equity_resilience_score
依賴關係量化：滾動迴歸計算 β 係數
回補機率估計：歷史統計回補頻率（高韌性 vs 低韌性）
情境判讀：輸出當前是「續航」還是「回補」情境

輸出：當前狀態、依賴強度、回補機率、可執行警報旗標。

<quick_start>

最快的方式：執行預設分析

cd skills/analyze-copper-stock-resilience-dependency
pip install pandas numpy yfinance scipy statsmodels matplotlib  # 首次使用
python scripts/copper_stock_analyzer.py --quick

輸出範例：

{
  "as_of": "2026-01-22",
  "latest_state": {
    "copper_price_usd_per_ton": 12727,
    "copper_trend": "up",
    "equity_resilience_score": 83,
    "rolling_beta_equity_24m": -0.80
  },
  "diagnosis": {
    "narrative": "銅價上升趨勢中，接近 13,000 關卡，股市韌性高檔。"
  }
}

生成 Bloomberg 風格圖表：

python scripts/visualize.py \
  --start 2015-01-01 \
  -o output/copper_resilience_2026-01-22.png

圖表包含：

銅價月線 + SMA60（右軸，橙紅/黃色）
全球股市市值（左軸，橙色面積圖）
中國 10Y 殖利率（左軸，黃線）
關卡線（10,000 / 13,000）

生成依賴度分析圖表（三面板綜合圖）：

python scripts/plot_dependency_analysis.py \
  --start 2015-01-01 \
  -o ../../output/copper-dependency-analysis-2026-01-22.png

圖表包含三個面板：

銅價面板：銅價 + SMA60 + 趨勢背景色（綠=上升，紅=下降）+ 關卡線
β係數面板：滾動 β 時間序列 + ±1σ 區間 + 當前分位數 + 負值警示
韌性面板：股市韌性評分 + 高/低閾值線

完整分析：

python scripts/copper_stock_analyzer.py \
  --start 2015-01-01 \
  --end 2026-01-22 \
  --copper HG=F \
  --equity ACWI \
  --output result.json

</quick_start>

需要進行什麼操作？

快速檢查 - 查看目前銅價、股市韌性、關卡狀態
完整分析 - 分析時間區間內的依賴關係與回補機率
視覺化圖表 - 生成銅價與依賴因子的視覺化圖表
依賴度分析圖 - 生成三面板依賴度分析圖表（銅價+β係數+韌性）
方法論學習 - 了解跨資產依賴模型的邏輯

請選擇或直接提供分析參數。

| Response | Action | |------------------------------|--------------------------------------------------------| | 1, "快速", "quick", "check" | 執行 `python scripts/copper_stock_analyzer.py --quick` | | 2, "完整", "分析", "full" | 閱讀 `workflows/analyze.md` 並執行 | | 3, "視覺化", "chart", "plot" | 閱讀 `workflows/visualize.md` 並執行 | | 4, "依賴度", "dependency" | 執行 `python scripts/plot_dependency_analysis.py` | | 5, "學習", "方法論", "why" | 閱讀 `references/methodology.md` | | 提供參數 (如日期範圍) | 閱讀 `workflows/analyze.md` 並使用參數執行 |

路由後，閱讀對應文件並執行。

<directory_structure>

analyze-copper-stock-resilience-dependency/
├── SKILL.md                           # 本文件（路由器）
├── skill.yaml                         # 前端展示元數據
├── manifest.json                      # 技能元數據
├── workflows/
│   ├── analyze.md                     # 完整分析工作流
│   ├── quick-check.md                 # 快速檢查工作流
│   └── visualize.md                   # 視覺化工作流
├── references/
│   ├── methodology.md                 # 跨資產依賴方法論
│   ├── data-sources.md                # 數據來源與爬蟲說明
│   └── input-schema.md                # 完整輸入參數定義
├── templates/
│   ├── output-json.md                 # JSON 輸出模板
│   └── output-markdown.md             # Markdown 報告模板
├── scripts/
│   ├── copper_stock_analyzer.py       # 主分析腳本
│   ├── fetch_data.py                  # 數據抓取工具
│   ├── visualize.py                   # Bloomberg 風格圖表
│   └── plot_dependency_analysis.py    # 三面板依賴度分析圖表
├── data/
│   └── cache/                         # 數據快取目錄
└── examples/
    └── sample-output.json             # 範例輸出

</directory_structure>

<reference_index>

方法論: references/methodology.md

跨資產依賴概念與研究報告對照
股市韌性評分設計
滾動迴歸與貝塔解讀
Back-and-fill 回補判定邏輯

資料來源: references/data-sources.md

Yahoo Finance (yfinance) 使用說明
中國10Y殖利率爬蟲設計
數據頻率與對齊方法

輸入參數: references/input-schema.md

完整參數定義
預設值與建議範圍

</reference_index>

<workflows_index>

Workflow	Purpose	使用時機
analyze.md	完整分析	需要詳細依賴關係與回補分析
quick-check.md	快速檢查	只想看當前狀態
visualize.md	生成視覺化圖表	需要圖表展示
</workflows_index>

<templates_index>

Template	Purpose
output-json.md	JSON 輸出結構定義
output-markdown.md	Markdown 報告模板
</templates_index>

<scripts_index>

Script	Command	Purpose
copper_stock_analyzer.py	`--quick`	快速檢查當前狀態
copper_stock_analyzer.py	`--start DATE --end DATE`	完整分析
fetch_data.py	`--series HG=F,ACWI`	抓取市場數據
visualize.py	`--start 2015-01-01 -o output/chart.png`	生成 Bloomberg 風格圖表
plot_dependency_analysis.py	`--start 2015-01-01 -o output/chart.png`	生成三面板依賴度分析圖表
</scripts_index>

<input_schema_summary>

核心參數

參數	類型	預設值	說明
start_date	string	2020-01-01	分析起點
end_date	string	today	分析終點
freq	string	1mo	頻率（月）
copper_series	string	HG=F	銅價序列代碼
equity_proxy_series	string	ACWI	股市代理序列
china_10y_yield_series	string	爬取	中國10Y殖利率

模型參數

參數	類型	預設值	說明
ma_window	int	60	移動平均視窗
rolling_window	int	24	滾動迴歸視窗（月）
round_levels	list	[10000, 13000]	關卡位置
backfill_max_drawdown	float	0.25	回補幅度上限

完整參數定義見 references/input-schema.md。

</input_schema_summary>

<output_schema_summary>

{
  "skill": "analyze-copper-stock-resilience-dependency",
  "as_of": "2026-01-22",
  "inputs": {
    "copper_series": "HG=F (converted to USD/ton)",
    "equity_proxy_series": "ACWI",
    "ma_window": 60,
    "rolling_window": 24
  },
  "latest_state": {
    "copper_price_usd_per_ton": 12727,
    "copper_sma_60": 9355,
    "copper_trend": "up",
    "near_resistance_levels": [13000],
    "near_support_levels": [],
    "equity_resilience_score": 91,
    "rolling_beta_equity_24m": -0.80,
    "rolling_beta_yield_24m": -0.05
  },
  "diagnosis": {
    "narrative": "銅價上升趨勢中，接近 13,000 關卡，股市韌性高檔。",
    "scenario": "續航機率較高",
    "dependency_status": "滾動 β 為負值 (-0.80)，銅與股市呈反向關係，脫離傳統風險資產模式"
  },
  "actionable_flags": [
    {
      "flag": "APPROACHING_RESISTANCE",
      "meaning": "接近重要阻力位，關注能否突破"
    },
    {
      "flag": "NEGATIVE_BETA_REGIME",
      "meaning": "銅與股市呈反向關係，脫離傳統風險資產模式"
    },
    {
      "flag": "LOW_BETA_ANOMALY",
      "meaning": "β 處於歷史極端低位，銅正展現獨立於股市的上漲邏輯"
    }
  ]
}

完整輸出結構見 templates/output-json.md。 </output_schema_summary>

<success_criteria> 執行成功時應產出：

當前銅價與趨勢狀態（up/down/range）
接近的關卡位置（resistance/support）
股市韌性評分（0-100）
滾動貝塔係數（β_equity, β_yield）
回補機率估計（overall / high_resilience / low_resilience）
情境判讀敘述
可執行警報旗標
視覺化圖表（可選，輸出至 output/ 目錄） </success_criteria>