القائمة
使用公開市場資料量化驗證鉑/白金對巴西股市（EWZ）的長週期傳導/連動關係，輸出雙軸圖、領先落後分析、關聯強度分數與監控訊號。
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/fatfingererr/macro-skills --skill analyze-platinum-to-brazil-equities-transmissionيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
以槓桿反向 ETF（做空）相對槓桿正向 ETF（做多）的交易占比，作為散戶風險偏好代理指標，評估 SPX 後續下行風險。
用勞力士市場指數（WatchCharts Rolex Market Index）作為高 β 的風險偏好／流動性代理，判讀「流動性改善但未到投機狂熱」的狀態
用天然氣與化肥價格的日頻數據，檢驗「天然氣暴漲→化肥供應受限/毀約→化肥飆價」敘事是否成立，輸出可標註到圖上的關鍵轉折點與領先落後分析。
عرض SKILL.md
استنادا إلى تصنيف SOC المهني
| name | analyze-platinum-to-brazil-equities-transmission |
| description | 使用公開市場資料量化驗證鉑/白金對巴西股市（EWZ）的長週期傳導/連動關係，輸出雙軸圖、領先落後分析、關聯強度分數與監控訊號。 |
<essential_principles>
**傳導驗證而非預測**本技能專注於「用數據驗證敘事」：
不做價格預測，只回答：「白金→巴西股市的傳導結構在數據上是否存在？」
**交叉相關判斷領先落後**使用 Cross-Correlation 掃描 [-lead_lag_max, +lead_lag_max] 範圍：
corr(r_ewz, r_platinum.shift(lag))典型設定：週頻 lag max = 52（一年），找 |corr| 最大的 lag。
**Regime-Dependent 關聯**白金與巴西股市的關聯具有週期性特徵：
長期 regime 判斷使用 regime_window（預設 104 週 ≈ 2 年）內的趨勢一致性。
**傳導強度分數（0–100）**綜合三個維度量化傳導可信度：
| 維度 | 權重 | 說明 |
|---|---|---|
| best_lead_lag_corr | 30% | 最佳領先落後相關係數 |
| rolling_corr_stability | 30% | rolling corr > 0 的佔比與連續性 |
| trend_agreement | 40% | 長期趨勢一致程度 |
分數解讀：≥70 強傳導、50-69 中等、<50 弱/不穩定。
**資料來源**主要使用 Yahoo Finance（免費、無需 API key）：
PL=FEWZ頻率建議：1wk（週頻）用於長週期分析，避免日頻噪音干擾。 對齊方式：inner join（只保留共同交易日），避免補值造成假相關。
</essential_principles>
量化驗證「白金（Platinum）→ 巴西股市（EWZ）」的長週期傳導關係： 需要進行什麼分析？ | Response | Action | |------------------------------|----------------------------------------------| | 1, "快速", "quick", "check" | 閱讀 `workflows/analyze.md` 並以預設參數執行 | | 2, "完整", "full", "analyze" | 閱讀 `workflows/analyze.md` 並執行 | | 3, "視覺化", "chart", "plot" | 閱讀 `workflows/visualize.md` 並執行 | | 4, "學習", "方法論", "why" | 閱讀 `references/methodology.md` | | 提供參數 (如日期/ticker) | 閱讀 `workflows/analyze.md` 並使用參數執行 | **Type**: string (ISO YYYY-MM-DD) **Description**: 分析起始日期 **Example**: "2003-01-01" **Note**: EWZ 上市於 2000 年 7 月，建議不早於 2000-07-01 **Type**: string (ISO YYYY-MM-DD) **Description**: 分析結束日期（預設今日） **Example**: "2026-01-28" **Type**: string **Default**: "1wk" **Options**: "1d" / "1wk" / "1mo" **Description**: 資料頻率。建議 1wk 或 1mo 用於長週期分析 **Type**: string **Default**: "PL=F" **Description**: 白金價格 ticker **Type**: string **Default**: "EWZ" **Description**: 巴西股市 proxy ticker **Type**: number **Default**: 100 **Description**: 正規化基準 **Type**: int **Default**: 52 **Description**: Rolling correlation 視窗（以 frequency 單位） **Type**: int **Default**: 52 **Description**: 領先/落後最大掃描期數 **Type**: int **Default**: 104 **Description**: 長期 regime 判斷窗口 **Type**: string **Default**: "both" **Options**: "markdown" / "json" / "both"輸出：傳導強度分數、領先落後判定、regime label、監控清單、Bloomberg 風格圖表。
<quick_start>
Step 1：安裝依賴
pip install yfinance pandas numpy matplotlib scipy
Step 2：執行完整分析
cd scripts
python analyze.py --start 2003-01-01
Step 3：生成 Bloomberg 風格視覺化圖表
python visualize.py --start 2003-01-01
# 輸出到: output/platinum_vs_ewz_YYYY-MM-DD.png
輸出範例：
{
"signal": "transmission_moderate",
"confidence": "medium",
"transmission_strength_score": 74,
"best_lead_lag": {
"lag_weeks": 12,
"meaning": "Platinum leads EWZ by ~12 weeks",
"corr": 0.52
},
"rolling_corr": {
"window": 52,
"latest": 0.41,
"positive_share_5y": 0.68
},
"regime_label": "linked_upcycle",
"monitoring_notes": [
"若 PL=F 突破長期區間，觀察 EWZ 在 8-16 週內是否趨勢翻多",
"要求 52 週 rolling corr 維持正值至少 26 週作為確認",
"若白金大漲而 EWZ 不動且 corr 轉負，視為 regime break"
]
}
</quick_start>
請選擇或直接提供分析參數。
路由後，閱讀對應文件並執行。
<directory_structure>
analyze-platinum-to-brazil-equities-transmission/
├── SKILL.md # 本文件（路由器）
├── skill.yaml # 前端展示元數據
├── manifest.json # 技能元資料
├── workflows/
│ ├── analyze.md # 完整傳導分析工作流
│ └── visualize.md # 視覺化工作流
├── references/
│ ├── data-sources.md # 資料來源與替代方案
│ ├── methodology.md # 傳導分析方法論
│ └── 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/
│ ├── analyze.py # 主分析腳本
│ ├── fetch_data.py # 數據抓取工具（Yahoo Finance）
│ └── visualize.py # Bloomberg 風格視覺化
└── examples/
└── sample_output.json # 範例輸出
</directory_structure>
<reference_index>
方法論: references/methodology.md
資料來源: references/data-sources.md
輸入參數: references/input-schema.md
</reference_index>
<workflows_index>
| Workflow | Purpose | 使用時機 |
|---|---|---|
| analyze.md | 完整傳導分析 | 需要驗證傳導敘事時 |
| visualize.md | 生成視覺化圖表 | 需要 Bloomberg 風格圖表時 |
| </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 |
|---|---|---|
| analyze.py | --start DATE [--end DATE] [--freq 1wk] | 完整傳導分析 |
| fetch_data.py | --start DATE [--end DATE] [--freq 1wk] | 數據抓取與快取 |
| visualize.py | --start DATE [--end DATE] | Bloomberg 風格視覺化 |
| </scripts_index> |
<input_schema>
</input_schema>
<output_schema>
參見 templates/output-json.md 的完整結構定義。
摘要：
{
"signal": "transmission_strong | transmission_moderate | transmission_weak | inconclusive",
"confidence": "high | medium | low",
"transmission_strength_score": 74,
"best_lead_lag": {
"lag_weeks": 12,
"corr": 0.52,
"meaning": "Platinum leads EWZ by ~12 weeks"
},
"rolling_corr": {
"window": 52,
"latest": 0.41,
"positive_share_5y": 0.68
},
"regime_label": "linked_upcycle | decoupled | brazil_idiosyncratic",
"monitoring_notes": ["..."],
"artifacts": {
"charts": ["output/platinum_vs_ewz_YYYY-MM-DD.png"]
}
}
</output_schema>
<success_criteria> 分析成功時應產出：