메뉴
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。
Codex 또는 Claude로 설치 이 Prompt를 복사해 Codex, Claude 또는 다른 어시스턴트에 붙여 넣으면 Skill 페이지를 검토하고 설치를 진행할 수 있습니다.
SOC 직업 분류 기준
| 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」：
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：
反直覺檢查：
WUDSHO（Unamortized Discounts）成因：
重要：WUDSHO 變動可能反映：
社群常見的「圖形類比敘事」往往缺乏反證：
必須輸出的反證項目：
本技能使用 FRED 公開週資料：
必須揭露：
</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：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 # 首次使用
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？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
資料來源: references/data-sources.md
指標機制: references/wudsho-mechanism.md
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": "credit_spread", "signal": "neutral", "z": 0.4},
{"name": "equity_vol", "signal": "mild_risk_on", "z": -0.2},
{"name": "funding_stress_proxy", "signal": "neutral", "z": 0.1}
]
},
"composite_risk_score": 0.49,
"interpretation": {
"summary": "走勢形狀與 COVID 早期片段相似度高，但壓力驗證指標偏中性...",
"what_to_watch_next_60d": ["..."],
"rebuttal_to_claim": ["..."]
},
"caveats": [
"形狀相似不代表因果相同；該序列可能強烈受利率、持有期限結構與會計攤銷影響。",
"若缺乏壓力指標同步惡化，不應把圖形類比直接升級成『黑天鵝預言』。"
]
}
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）：
fed_unamortized_discount_pattern_YYYY-MM-DD.png）
fed_unamortized_discount_history_YYYY-MM-DD.png）
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。
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。