| name | detect-fed-unamortized-discount-pattern |
| description | 檢查聯準會持有證券的未攤銷折價（Unamortized Discounts）是否出現與特定歷史危機期間相似的走勢模板，並用多指標交叉驗證是否真的屬於「金融壓力升高」而非單純會計/利率效果。 |
<essential_principles>
**形狀比對 ≠ 事件預測**
核心認知：把「肉眼類比」轉成可量化的「形狀比對」，但「像」不等於「會發生」：
- 相關係數 (corr)：近期窗口 vs. 基準窗口的線性形狀相似
- 動態時間校正 (DTW)：允許「快一點/慢一點」但形狀相似
- 形狀特徵 (shape_features)：趨勢斜率、拐點結構、波動擴張
輸出「pattern_similarity_score」只回答「像不像」，不回答「會不會發生」。
**壓力驗證才能升級風險判斷**
把「形狀相似」與「壓力驗證」拆開：
- pattern_similarity_score：只測量形狀相似度
- stress_confirmation_score：測量交叉驗證指標是否同步惡化
- composite_risk_score：加權合成，但必須附上「哪些指標支持/反對」
反直覺檢查：
- 若相似度很高，但交叉驗證指標沒有壓力訊號 → 可能只是利率/持有結構/會計攤銷造成的圖形相似
- 若相似度中等，但多數壓力指標同步惡化 → 反而要提高警覺
**理解指標背後機制**
WUDSHO（Unamortized Discounts）成因：
- 聯準會購買債券時，若買入價低於面值，差額計為「未攤銷折價」
- 利率上升期：市價下跌 → 購入債券折價增加 → WUDSHO 上升
- 利率下降期：市價上升 → 購入債券溢價增加 → WUDSHO 下降
重要：WUDSHO 變動可能反映：
- 利率環境變化（最常見）
- 持有債券久期結構
- 會計攤銷時程
- 真正的金融壓力（需交叉驗證才能確認）
**反證優先的分析框架**
社群常見的「圖形類比敘事」往往缺乏反證：
- ❌「這條線複製 COVID，60 天內黑天鵝」→ 只有類比，沒有驗證
- ✅ 本技能輸出：「形狀相似度 0.88，但信用利差中性、股市波動偏低 → 不支持系統性壓力假說」
必須輸出的反證項目：
- 「形狀相似」的替代解釋（利率效果、會計效果）
- 「壓力指標」的現況（支持/反對風險假說）
- 「歷史後續」的條件分布（不是預測）
**公開資料來源與限制**
本技能使用 FRED 公開週資料：
- WUDSHO: Fed 持有證券的未攤銷折價
- 交叉驗證指標：信用利差、波動率、短端利差等
必須揭露：
- FRED 週資料可能有 T+1 ~ T+3 延遲
- 部分指標（如窗口工具用量）需要替代代理
- 形狀比對結果受 resample 頻率影響
</essential_principles>
偵測聯準會未攤銷折價走勢是否與歷史危機期間相似：
- 取得目標序列：從 FRED 取得 WUDSHO（或指定序列）的週資料
- 窗口比對：將近期窗口與歷史基準窗口（如 COVID 2020）做形狀比對
- 相似度計算：使用相關係數、DTW、形狀特徵等多種方法
- 交叉驗證：檢查信用利差、波動率、流動性指標是否同步惡化
- 風險分數合成：輸出可量化的風險分數與反證分析
- 情境敘事：描述歷史類比後續發展（非預測）
輸出：形狀相似度、壓力驗證分數、合成風險分數、反證分析、情境推演。
<quick_start>
最快的方式：執行完整分析
cd skills/detect-fed-unamortized-discount-pattern
pip install pandas numpy requests scipy matplotlib
python scripts/pattern_detector.py --quick
輸出：
output/pattern_analysis_YYYY-MM-DD.json - JSON 結果
完整分析（指定參數）：
python scripts/pattern_detector.py \
--target_series WUDSHO \
--baseline_windows "COVID_2020:2020-01-01:2020-06-30" \
--recent_window_days 120 \
--output result.json
Bloomberg 風格視覺化（輸出至專案根目錄 output/）：
python scripts/visualize_pattern.py
使用現有分析結果生成圖表：
python scripts/visualize_pattern.py --json output/pattern_analysis_YYYY-MM-DD.json
輸出圖表：
output/fed_unamortized_discount_pattern_YYYY-MM-DD.png - 形狀比對與壓力儀表板output/fed_unamortized_discount_history_YYYY-MM-DD.png - 歷史走勢總覽
</quick_start>
需要進行什麼操作？
- 快速檢查（推薦） - 查看目前的形狀相似度與壓力分數
- 完整分析 - 執行完整的形狀比對與交叉驗證
- 視覺化分析 - 生成形狀比對圖表
- 歷史事件對照 - 深入了解歷史基準窗口的後續發展
- 方法論學習 - 了解形狀比對與交叉驗證的邏輯
- 自訂參數 - 指定序列、窗口、門檻等參數
請選擇或直接提供分析參數。
| Response | Action |
|-------------------------------|------------------------------------------------------|
| 1, "快速", "quick", "check" | 執行 `python scripts/pattern_detector.py --quick` |
| 2, "完整", "full", "analysis" | 閱讀 `workflows/execute-analysis.md` 並執行 |
| 3, "視覺化", "chart", "圖表" | 執行 `python scripts/visualize_pattern.py -o output` |
| 4, "歷史", "事件", "episodes" | 閱讀 `workflows/historical-episodes.md` 並執行 |
| 5, "學習", "方法論", "why" | 閱讀 `references/methodology.md` |
| 6, "自訂", "custom", 提供參數 | 閱讀 `workflows/execute-analysis.md` 並使用參數執行 |
路由後，閱讀對應文件並執行。
<directory_structure>
detect-fed-unamortized-discount-pattern/
├── 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/
│ ├── execute-analysis.md # 完整分析工作流
│ ├── visualize-analysis.md # 視覺化分析工作流
│ └── historical-episodes.md # 歷史事件對照工作流
├── references/
│ ├── methodology.md # 形狀比對與交叉驗證方法論
│ ├── data-sources.md # 資料來源與 FRED 系列代碼
│ ├── wudsho-mechanism.md # WUDSHO 指標機制說明
│ └── 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/
│ ├── pattern_detector.py # 主分析腳本
│ ├── visualize_pattern.py # 視覺化腳本
│ └── fetch_data.py # 資料抓取工具
└── examples/
└── sample_output.json # 範例輸出
</directory_structure>
<reference_index>
方法論: references/methodology.md
- 形狀比對方法（相關係數、DTW、形狀特徵）
- 正規化與窗口對齊
- 相似度分數計算
- 交叉驗證邏輯
資料來源: references/data-sources.md
- FRED 系列代碼清單
- 資料頻率與延遲
- 公開替代資料說明
指標機制: references/wudsho-mechanism.md
- WUDSHO 的成因與解讀
- 利率效果 vs. 壓力效果
- 常見誤讀與反證
輸入參數: references/input-schema.md
</reference_index>
<workflows_index>
| Workflow | Purpose | 使用時機 |
|---|
| execute-analysis.md | 完整形狀比對分析 | 需要完整報告時 |
| visualize-analysis.md | 視覺化分析 | 需要圖表時 |
| historical-episodes.md | 歷史事件深度分析 | 理解歷史類比與後續發展 |
| </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 |
|---|
| pattern_detector.py | --quick | 快速檢查當前狀態 |
| pattern_detector.py | --output FILE | 完整分析 |
| visualize_pattern.py | （無參數） | Bloomberg 風格視覺化（輸出至專案根目錄 output/） |
| visualize_pattern.py | --json FILE | 使用現有 JSON 結果生成圖表 |
| fetch_data.py | --series WUDSHO | 抓取 FRED 資料 |
| </scripts_index> | | |
<input_schema_summary>
核心參數
| 參數 | 類型 | 預設值 | 說明 |
|---|
| target_series | string | WUDSHO | 目標 FRED 系列代碼 |
| baseline_windows | array[object] | [COVID] | 歷史參考事件窗口 |
| recent_window_days | int | 120 | 近期比對窗口長度 |
| resample_freq | string | W | 資料頻率 |
| normalize_method | string | zscore | 正規化方法 |
相似度參數
| 參數 | 類型 | 預設值 | 說明 |
|---|
| similarity_metrics | array[string] | [corr, dtw, shape_features] | 相似度指標 |
| alert_thresholds | object | {corr_min: 0.7, ...} | 觸發警報門檻 |
交叉驗證參數
| 參數 | 類型 | 預設值 | 說明 |
|---|
| confirmatory_indicators | array[object] | [信用利差...] | 交叉驗證指標清單 |
| lookahead_days | int | 60 | 前瞻期（情境敘事） |
完整參數定義見 references/input-schema.md。
</input_schema_summary>
<output_schema_summary>
{
"skill": "detect-fed-unamortized-discount-pattern",
"as_of_date": "2026-01-26",
"target_series": "WUDSHO",
"best_match": {
"baseline": "COVID_2020",
"segment_start": "2020-01-08",
"segment_end": "2020-06-17",
"corr": 0.91,
"dtw": 0.38,
"feature_sim": 0.82,
"pattern_similarity_score": 0.88
},
"stress_confirmation": {
"score": 0.22,
"details": [
{"name"
完整輸出結構見 templates/output-json.md。
</output_schema_summary>
<success_criteria>
執行成功時應產出：
視覺化輸出（使用 visualize_pattern.py，Bloomberg 風格）：
