Menu
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。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
| name | analyze-retail-inverse-etf-allocation |
| description | 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。 |
<essential_principles> 散戶槓桿反向 ETF 做空配置分析 核心原則
**以美元成交量比率作為散戶做空配置代理** 槓桿 ETF 交易以短線散戶為主，反向群組（SPXU/SDS/SH）的美元成交量占比越低，代表散戶避險/看空參與度越低，市場越自滿（complacency）。公式：`short_alloc = inv_dollar_vol / (inv_dollar_vol + long_dollar_vol)`。 **分位數標準化** 將做空配置比率以滾動分位數標準化（預設回看 260 週 ≈ 5 年），轉為 0~1 的分位數。分位數 ≤ 5% 為「極低做空配置」觸發條件，代表自滿程度極高。 **事件研究與前瞻風險評估** 找出歷史上做空配置極低的事件日期，計算每次事件後的前瞻報酬、最大回撤、波動率。彙總命中率（如 63 天內最大回撤 ≤ -8% 的比例）與中位數風險，作為當前風險分布的參考。 **歷史類比匹配** 取最近 N 次（預設 4 次）歷史觸發事件作為類比案例，比較當前狀態與歷史情境的相似度，評估前瞻下行風險的一致性。 **風險分布訊號，非精準擇時** 此指標反映「散戶自滿程度偏高時，下行風險的條件分布偏差」，不是精準的頂部擇時工具。結論必須附帶 caveat：proxy 可能混入機構對沖/做市流量。 **資料透明度** 所有資料來源為公開市場行情（Yahoo Finance），使用美元成交量（Close × Volume）重建。若使用 AUM proxy 需額外資料。明確標示資料覆蓋率與 ETF 上市日期限制。 **目標**：量化散戶透過槓桿反向 ETF 的做空參與度，偵測「自滿」極端值，並以事件研究法評估 SPX 後續下行風險。步驟：
不適用情境：
<quick_start> 快速開始
# 安裝依賴
pip install yfinance pandas numpy matplotlib
# 完整分析（預設參數）
python scripts/inverse_etf_analyzer.py --start 2012-01-01 --end 2026-02-01
# 快速檢查當前狀態
python scripts/inverse_etf_analyzer.py --start 2012-01-01 --end 2026-02-01 --quick
# 自訂 ETF 清單
python scripts/inverse_etf_analyzer.py --start 2012-01-01 --end 2026-02-01 \
--inverse SPXU SDS SH --long UPRO SSO SPY
</quick_start>
**您想要執行什麼分析？**等待回應後再繼續。
| Response | Workflow | Description | |---------------------------------------|-----------------------------------|------------------------------------------| | 1, "完整分析", "full", "analyze" | workflows/analyze.md | 完整分析流程：資料→指標→事件→風險→結論 | | 2, "視覺化", "chart", "visualize" | workflows/visualize.md | 產生圖表：SPX + 做空配置 + 事件標記 | | 3, "歷史", "episodes", "history" | workflows/historical-episodes.md | 歷史事件對照與前瞻表現統計 | | 4, "快速", "quick", "check" | workflows/analyze.md | 快速模式：僅當前狀態 |讀取工作流程後，請完全遵循其步驟。
<reference_index>
參考文件 (references/)
| 文件 | 內容 |
|---|---|
| methodology.md | 做空配置比率計算方法、分位數標準化、事件研究框架 |
| data-sources.md | 資料來源說明（Yahoo Finance ETF OHLCV）、fallback、授權 |
| input-schema.md | 所有輸入參數定義、型別、預設值、驗證規則 |
| </reference_index> |
<workflows_index>
| Workflow | Purpose |
|---|---|
| analyze.md | 完整分析工作流（資料取得→指標計算→事件偵測→風險統計→結論生成） |
| visualize.md | 圖表生成工作流（SPX + 做空配置雙軸圖 + 事件垂直線） |
| historical-episodes.md | 歷史事件對照工作流（列出過去觸發事件與後續表現） |
| </workflows_index> |
<templates_index>
| Template | Purpose |
|---|---|
| output-json.md | JSON 輸出模板（程式/儀表板消費） |
| output-markdown.md | Markdown 輸出模板（人類閱讀/社群分享） |
| </templates_index> |
<scripts_index>
| Script | Purpose |
|---|---|
| inverse_etf_analyzer.py | 主分析腳本：資料取得、指標計算、事件偵測、風險統計 |
| visualize_allocation.py | 視覺化腳本：雙軸圖表生成 |
| </scripts_index> |
<success_criteria> Skill 成功執行時：
<examples_index>
範例輸出 (examples/)
| 文件 | 內容 |
|---|---|
| sample_output.json | 完整分析的 JSON 範例輸出 |
| </examples_index> |
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
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。
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。
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.
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。
用美債殖利率曲線利差（如 2Y-10Y）建立「領先關係」，推估未來一段時間內成長股（Nasdaq 100）相對防禦股（Healthcare/XLV）的相對績效方向與幅度。