メニュー
以鈀金的先行轉向作為確認條件，檢驗白銀短期漲跌是否獲得工業景氣與風險情緒的同步支持，並標記缺乏鈀金參與度的失敗走勢。
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/fatfingererr/macro-skills --skill detect-palladium-lead-silver-turnsコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
SKILL.md を表示中
SOC 職業分類に基づく
| name | detect-palladium-lead-silver-turns |
| description | 以鈀金的先行轉向作為確認條件，檢驗白銀短期漲跌是否獲得工業景氣與風險情緒的同步支持，並標記缺乏鈀金參與度的失敗走勢。 |
<essential_principles>
**跨金屬確認核心**「鈀金領先白銀」的假說需要可量化驗證：
Lead-Lag = argmax(cross_correlation(pd_ret[t-k:t], ag_ret[t:t+k]))
Confirmed = pd_turn exists within [ag_turn.ts - window, ag_turn.ts + window]
| 方法 | 原理 | 適用場景 |
|---|---|---|
pivot | 左右 N 根K棒內的局部極值 | 結構明確的趨勢 |
peaks | scipy find_peaks + prominence | 自動化密度控制 |
slope_change | 趨勢斜率由正轉負或反之 | 平滑趨勢追蹤 |
建議從 pivot 開始，左右各 3-5 根K棒，再依需求調整。
鈀金是否「參與」銀的走勢，有多種衡量方式：
| 指標 | 定義 | 門檻建議 |
|---|---|---|
returns_corr | 報酬率滾動相關係數 | > 0.5 |
direction_agree | 同向漲跌的比例 | > 60% |
vol_expansion | 兩者波動同步擴張 | σ_pd / σ_ag > 0.8 |
breakout_confirm | 銀突破時鈀金也突破 | 同向突破 |
未達門檻時，銀的動作可能是「流動性噪音」而非趨勢確認。
**失敗走勢判定**將「無鈀金參與的銀動作」落地為可回測的規則：
| 規則 | 定義 | 後果 |
|---|---|---|
no_confirm_then_revert | 無確認 + 銀在 N 根K內回撤過起點 | 標記為 failed_move |
no_confirm_then_break_fail | 無確認 + 銀突破後回落跌破突破點 | 假突破 |
歷史統計：未確認事件的失敗率 vs 已確認事件的成功率。
</essential_principles>
偵測「鈀金領先、白銀跟隨」的跨金屬拐點：輸出：確認率、失敗率、每個事件的詳細判定、風控建議。
<quick_start>
最快的方式：偵測白銀近期拐點是否被鈀金確認
cd skills/detect-palladium-lead-silver-turns
pip install pandas numpy yfinance scipy statsmodels # 首次使用
python scripts/palladium_lead_silver.py --silver SI=F --palladium PA=F --quick
輸出範例：
{
"symbol_pair": {"silver": "SI=F", "palladium": "PA=F"},
"as_of": "2026-01-14",
"timeframe": "1h",
"estimated_pd_leads_by_bars": 6,
"lead_lag_corr": 0.42,
"confirmation_rate": 0.71,
"unconfirmed_failure_rate": 0.64,
"latest_event": {
"ts": "2026-01-15T14:00:00Z",
"turn": "top",
"confirmed": false,
"participation_ok": false,
"failed_move"
完整分析：
python scripts/palladium_lead_silver.py --silver SI=F --palladium PA=F --timeframe 1h --lookback 1000 --output result.json
生成 Bloomberg 風格視覺化圖表（推薦）：
pip install matplotlib yfinance # 首次使用
python scripts/plot_bloomberg_style.py --input result.json --output output/palladium_silver_2026-01-26.png
圖表特色：
傳統三合一圖表（技術分析向）：
python scripts/plot_palladium_silver.py --silver SI=F --palladium PA=F --output output/
包含：
</quick_start>
需要進行什麼操作？請選擇或直接提供分析參數開始。
| Response | Action | |------------------------------------|--------------------------------------------------------| | 1, "快速", "quick", "check" | 執行 `python scripts/palladium_lead_silver.py --quick` | | 2, "回測", "backtest", "history" | 閱讀 `workflows/backtest.md` 並執行 | | 3, "監控", "monitor", "alert" | 閱讀 `workflows/monitor.md` 並執行 | | 4, "調校", "optimize", "tune" | 閱讀 `workflows/detect.md` 的參數調校部分 | | 5, "學習", "方法論", "why" | 閱讀 `references/methodology.md` | | 提供參數（如 timeframe, lookback） | 閱讀 `workflows/detect.md` 並使用參數執行 |路由後，閱讀對應文件並執行。
<directory_structure>
detect-palladium-lead-silver-turns/
├── 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/
│ ├── detect.md # 單次偵測工作流
│ ├── backtest.md # 歷史回測工作流
│ └── monitor.md # 持續監控工作流
├── references/
│ ├── methodology.md # 跨金屬領先滯後方法論
│ ├── input-schema.md # 完整輸入參數定義
│ └── data-sources.md # 資料來源說明
├── templates/
│ ├── output-json.md # JSON 輸出模板
│ └── output-markdown.md # Markdown 報告模板
├── scripts/
│ ├── palladium_lead_silver.py # 主偵測腳本
│ ├── plot_bloomberg_style.py # Bloomberg 風格視覺化（推薦）
│ └── plot_palladium_silver.py # 傳統三合一圖表
└── examples/
└── silver-palladium-2024.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 |
|---|---|---|
| detect.md | 單次偵測 | 檢查特定時間範圍 |
| backtest.md | 歷史回測 | 驗證確認邏輯有效性 |
| monitor.md | 持續監控 | 日常追蹤或警報 |
| </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 |
|---|---|---|
| palladium_lead_silver.py | --silver SI=F --palladium PA=F --quick | 快速檢查當前狀態 |
| palladium_lead_silver.py | --silver SI=F --palladium PA=F --lookback 1000 | 完整歷史分析 |
| plot_bloomberg_style.py | --input result.json --output output/chart.png | Bloomberg 風格圖表（推薦） |
| plot_palladium_silver.py | --silver SI=F --palladium PA=F --output dir/ | 傳統三合一圖表 |
| </scripts_index> |
<input_schema_summary>
核心參數
| 參數 | 類型 | 預設值 | 說明 |
|---|---|---|---|
| silver_symbol | string | (required) | 白銀標的代碼 |
| palladium_symbol | string | (required) | 鈀金標的代碼 |
| timeframe | string | 1h | 分析時間尺度 |
| lookback_bars | int | 1000 | 回溯K棒數 |
拐點偵測參數
| 參數 | 類型 | 預設值 | 說明 |
|---|---|---|---|
| turn_method | string | pivot | 拐點偵測方法 |
| pivot_left | int | 3 | pivot 左側確認K數 |
| pivot_right | int | 3 | pivot 右側確認K數 |
| confirm_window_bars | int | 6 | 跨金屬確認窗口 |
| lead_lag_max_bars | int | 24 | 領先滯後最大滯後K數 |
參與度參數
| 參數 | 類型 | 預設值 | 說明 |
|---|---|---|---|
| participation_metric | string | direction_agree | 參與度衡量方式 |
| participation_threshold | float | 0.6 | 參與度門檻 |
| failure_rule | string | no_confirm_then_revert | 失敗走勢規則 |
完整參數定義見 references/input-schema.md。
</input_schema_summary>
<output_schema_summary>
{
"skill": "detect-palladium-lead-silver-turns",
"symbol_pair": {"silver": "SI=F", "palladium": "PA=F"},
"as_of": "2026-01-14",
"timeframe": "1h",
"lookback_bars": 1200,
"summary": {
"estimated_pd_leads_by_bars": 6,
"lead_lag_corr": 0.42,
"confirmation_rate": 0.71,
"unconfirmed_failure_rate": 0.64,
"total_ag_turns": 24,
"confirmed_turns": 17,
"failed_moves":
完整輸出結構見 templates/output-json.md。
</output_schema_summary>
<success_criteria> 執行成功時應產出：
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
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。