Menu
宏观经济数据获取与分析工具。基于akshare获取中国、美国及全球宏观经济指标（GDP、CPI、PMI、社融、利率、汇率等），支持趋势分析和跨指标对比，辅助投资决策中的宏观判断。
Instalar com Codex ou Claude Copie este prompt, cole no Codex, Claude ou outro assistente e deixe que ele revise a página da skill e instale para você.
Baseado na classificação ocupacional SOC
定时数据采集任务集合。把外部数据（车企销量、宏观指标、资金面、央行会议等）定期塞进 raw/ 并回写 wiki/ 静态数据章节。Use when user wants to ingest periodic data (monthly auto sales, weekly margin balance, CPI release, FOMC decision), run a scheduled-ingest job, set up a data refresh routine, or asks "我每月怎么更新汽车销量". Distinct from periodic-review (which is analysis layer reading these data).
行业 ETF 动量轮动计算器。按"6 月动量 + 200 日趋势过滤"算 A 股行业/主题 ETF 当前动量状态，并出**去相关 top-K 选择 + 波动率目标敞口建议**(回测验证的风控层)，生成快照。Use when 用户问"现在行业动量怎么样 / 哪些板块强 / 跑一下 ETF 动量 / 刷新动量状态 / 行业轮动信号"。策略框架见 wiki/strategies/行业ETF动量轮动.md。
定期投资复盘工具。检查关注个股价格与估值区间变化、宏观数据与央行/美联储政策更新、人民币汇率、全球大事件，跟踪 8 个宏观边际变量的 regime 信号灯（macro/宏观边际变量追踪.md）与港股流动性三层信号灯（macro/港股流动性追踪.md），提示需要更新的 wiki 页面，输出至 wiki/journal/。
个股产品/经营深度分析工具。聚焦公司**业务本身**——卖什么、卖给谁、卖得怎样、产品矩阵在变化什么、竞品在做什么、用户怎么看。Use when the user wants to dig into a stock's business (rather than valuation), mentions deep-dive on a holding, asks about a company's products / competitive landscape / management strategy, or after a major business event (product launch, policy shock, M&A) on a focus-list name. 不做财务/估值（那是 value-invest 的边界）。
本地媒体下载工具，按 URL 自动分流。Douyin 走 Playwright + headless Chromium 抓无水印 mp4；Apple Podcasts 走 iTunes Search API 抓 mp3/m4a 直链。落到 ~/Downloads/media-fetch/。Use when 用户提供抖音链接 / Apple Podcasts 链接说"下载"/"保存"/"准备转字"，或作为 asr skill 的前置步骤。
本地中文 ASR 工具。接收本地 audio/video 文件路径，使用 SenseVoice-Small（funasr 包）输出中文逐字稿 markdown 到 ~/Downloads/asr-output/。Use when 用户已经有本地媒体文件并要转文字，或被 media-fetch 串联触发。支持普通话/粤语/英日韩。
| name | macro-analysis |
| description | 宏观经济数据获取与分析工具。基于akshare获取中国、美国及全球宏观经济指标（GDP、CPI、PMI、社融、利率、汇率等），支持趋势分析和跨指标对比，辅助投资决策中的宏观判断。 |
基于 akshare 的宏观经济数据获取与分析工具，面向需要宏观视角辅助投资决策的个人投资者。
当用户请求以下操作时调用此 skill：
pip install akshare pandas numpy
验证安装：
python -c "import akshare; print(akshare.__version__)"
以下所有接口均于 2026-04-12 实测验证通过，除标注 ⚠️ 的接口外。
中国数据使用统计局源（格式B），列名各不相同，数据按时间倒序排列（iloc[0]=最新），下方速查表中标注了每个接口的具体列名。
美国/欧洲/全球利率使用东财/英为财情源（格式A）：
['商品', '日期', '今值', '预测值', '前值']datetime.date 类型NaN（尚未发布），取最新已发布数据：df[df['今值'].notna()].iloc[-1]重要：调用任何接口后，先执行 print(df.columns.tolist()) 和 print(df.head(3)) 确认字段结构，再做后续处理。
| 指标 | akshare 函数 | 返回列 | 说明 |
|---|---|---|---|
| GDP | macro_china_gdp() | ['季度', '国内生产总值-绝对值', '国内生产总值-同比增长', '第一产业-绝对值', '第一产业-同比增长', '第二产业-绝对值', '第二产业-同比增长', '第三产业-绝对值', '第三产业-同比增长'] | 倒序 |
| CPI | macro_china_cpi() | ['月份', '全国-当月', '全国-同比增长', '全国-环比增长', '全国-累计', '城市-当月', '城市-同比增长', '城市-环比增长', '城市-累计', '农村-当月', '农村-同比增长', '农村-环比增长', '农村-累计'] | 倒序 |
| PPI | macro_china_ppi() | ['月份', '当月', '当月同比增长', '累计'] | 倒序。当月>100为涨价，当月同比增长即PPI同比% |
| PMI | macro_china_pmi() | ['月份', '制造业-指数', '制造业-同比增长', '非制造业-指数', '非制造业-同比增长'] | 倒序，含制造业+非制造业 |
| 财新PMI | macro_china_cx_pmi_yearly() | 格式A | 财新制造业PMI |
| 财新服务业PMI | macro_china_cx_services_pmi_yearly() | 格式A | 财新服务业PMI |
| 货币供应 | macro_china_money_supply() | ['月份', '货币和准货币(M2)-数量(亿元)', '货币和准货币(M2)-同比增长', '货币和准货币(M2)-环比增长', '货币(M1)-数量(亿元)', '货币(M1)-同比增长', '货币(M1)-环比增长', '流通中的现金(M0)-数量(亿元)', '流通中的现金(M0)-同比增长', '流通中的现金(M0)-环比增长'] | 倒序，M0/M1/M2 |
| ⚠️ 社融 | macro_china_shrzgm() | — | SSL连接失败，改用新增信贷 |
| 新增信贷 | macro_china_new_financial_credit() | ['月份', '当月', '当月-同比增长', '当月-环比增长', '累计', '累计-同比增长'] | 倒序 |
| 人民币贷款 | macro_rmb_loan() | ['月份', '新增人民币贷款-总额', '新增人民币贷款-同比', '新增人民币贷款-环比', '累计人民币贷款-总额', '累计人民币贷款-同比'] | 近30月 |
| 人民币存款 | macro_rmb_deposit() | ['月份', '新增存款-数量', '新增存款-同比', '新增存款-环比', '新增企业存款-数量', ...] | 近30月 |
| LPR | macro_china_lpr() | ['TRADE_DATE', 'LPR1Y', 'LPR5Y', 'RATE_1', 'RATE_2'] | 正序，TRADE_DATE为datetime.date |
| 存款准备金率 | macro_china_reserve_requirement_ratio() | ['公布时间', '生效时间', '大型金融机构-调整前', '大型金融机构-调整后', '大型金融机构-调整幅度', '中小金融机构-调整前', '中小金融机构-调整后', '中小金融机构-调整幅度', ...] | 倒序，历次调整记录 |
| SHIBOR | macro_china_shibor_all() | ['日期', 'O/N-定价', 'O/N-涨跌幅', '1W-定价', '1W-涨跌幅', '2W-定价', ..., '1Y-定价', '1Y-涨跌幅'] | 正序，日频 |
| 央行资产负债表 | macro_china_central_bank_balance() | ['统计时间', '国外资产', '外汇', ..., '储备货币', ..., '总负债'] 共28列 | |
| 进出口 | macro_china_hgjck() | ['月份', '当月出口额-金额', '当月出口额-同比增长', '当月出口额-环比增长', '当月进口额-金额', '当月进口额-同比增长', '当月进口额-环比增长', '累计出口额-金额', '累计出口额-同比增长', '累计进口额-金额', '累计进口额-同比增长'] | 倒序 |
| FDI | macro_china_fdi() | ['月份', '当月', '当月-同比增长', '当月-环比增长', '累计', '累计-同比增长'] | 倒序，2023年后可能缺失 |
| 固定资产投资 | macro_china_gdzctz() | ['月份', '当月', '同比增长', '环比增长', '自年初累计'] | 倒序 |
| 工业增加值 | macro_china_gyzjz() | ['月份', '同比增长', '累计增长', '发布时间'] | 正序！用 iloc[-1] 取最新 |
| 社会消费品零售 | macro_china_consumer_goods_retail() | ['月份', '当月', '同比增长', '环比增长', '累计', '累计-同比增长'] | 倒序 |
| 财政收入 | macro_china_czsr() | ['月份', '当月', '当月-同比增长', '当月-环比增长', '累计', '累计-同比增长'] | 倒序 |
| 税收 | macro_china_national_tax_receipts() | ['季度', '税收收入合计', '较上年同期', '季度环比'] | |
| 城镇失业率 | macro_china_urban_unemployment() | ['date', 'item', 'value'] | 长表格式，item含"全国城镇调查失业率"等分类，date格式YYYYMM |
| 房地产 | macro_china_real_estate() | ['日期', '最新值', '涨跌幅', '近3月涨跌幅', ...] | |
| 新房价格 | macro_china_new_house_price() | ['日期', '城市', '新建商品住宅价格指数-同比', '新建商品住宅价格指数-环比', '新建商品住宅价格指数-定基', '二手住宅价格指数-同比', '二手住宅价格指数-环比', '二手住宅价格指数-定基'] | 70城 |
| ⚠️ 人民币汇率 | macro_china_rmb() | — | 接口报错（akshare内部TypeError），暂不可用 |
| 企业景气指数 | macro_china_enterprise_boom_index() | ['季度', '企业景气指数-指数', '企业景气指数-同比', '企业景气指数-环比', '企业家信心指数-指数', '企业家信心指数-同比', '企业家信心指数-环比'] | |
| 物流指数 | macro_china_lpi_index() | ['日期', '最新值', '涨跌幅', ...] | |
| A股市值 | macro_china_stock_market_cap() | ['数据日期', '发行总股本-上海', '发行总股本-深圳', '市价总值-上海', '市价总值-深圳', '成交金额-上海', '成交金额-深圳', ...] |
列名统一为 ['商品', '日期', '今值', '预测值', '前值']，除特别标注外。
| 指标 | akshare 函数 | 说明 |
|---|---|---|
| GDP | macro_usa_gdp_monthly() | 美国GDP |
| CPI(月率) | macro_usa_cpi_monthly() | CPI月率 |
| CPI(同比) | macro_usa_cpi_yoy() | 列名不同：['时间', '发布日期', '现值', '前值'] |
| 核心CPI | macro_usa_core_cpi_monthly() | 核心CPI月率 |
| PPI | macro_usa_ppi() | 生产者物价指数 |
| 核心PPI | macro_usa_core_ppi() | 核心PPI |
| 核心PCE | macro_usa_core_pce_price() | 核心PCE（美联储首选通胀指标） |
| Markit PMI | macro_usa_pmi() | Markit制造业PMI |
| ISM PMI | macro_usa_ism_pmi() | ISM制造业PMI |
| 非制造业PMI | macro_usa_ism_non_pmi() | ISM非制造业PMI |
| 服务业PMI | macro_usa_services_pmi() | Markit服务业PMI |
| 非农就业 | macro_usa_non_farm() | 非农就业人数变化（千人） |
| 失业率 | macro_usa_unemployment_rate() | 失业率(%) |
| ADP就业 | macro_usa_adp_employment() | ADP就业人数变化（小非农，千人） |
| 初请失业金 | macro_usa_initial_jobless() | 初请失业金人数（周频，千人） |
| 联邦基金利率 | macro_bank_usa_interest_rate() | 美联储利率决议 |
| 零售销售 | macro_usa_retail_sales() | 零售销售月率(%) |
| CB消费者信心 | macro_usa_cb_consumer_confidence() | 谘商会消费者信心指数 |
| 密歇根消费信心 | macro_usa_michigan_consumer_sentiment() | 密歇根大学消费者信心 |
| 贸易差额 | macro_usa_trade_balance() | 贸易帐（亿美元） |
| 工业产出 | macro_usa_industrial_production() | 工业产出月率(%) |
| 新屋销售 | macro_usa_new_home_sales() | 新屋销售 |
| 成屋销售 | macro_usa_exist_home_sales() | 成屋销售 |
| 房价指数 | macro_usa_house_price_index() / macro_usa_spcs20() | 房价指数/标普CS20城 |
| 耐用品订单 | macro_usa_durable_goods_orders() | 耐用品订单月率(%) |
| EIA原油库存 | macro_usa_eia_crude_rate() | EIA原油库存变化（周频） |
| API原油库存 | macro_usa_api_crude_stock() | API原油库存 |
| CFTC持仓 | macro_usa_cftc_nc_holding() | 列名不同：['日期', '美元-多头/空头/净仓位', '瑞郎-...', '日元-...', '欧元-...', ...] |
| 国家/地区 | akshare 函数 |
|---|---|
| 美国 | macro_bank_usa_interest_rate() |
| 欧元区 | macro_bank_euro_interest_rate() |
| 日本 | macro_bank_japan_interest_rate() |
| 英国 | macro_bank_english_interest_rate() |
| 澳大利亚 | macro_bank_australia_interest_rate() |
| 印度 | macro_bank_india_interest_rate() |
| 俄罗斯 | macro_bank_russia_interest_rate() |
| 巴西 | macro_bank_brazil_interest_rate() |
| 瑞士 | macro_bank_switzerland_interest_rate() |
| 新西兰 | macro_bank_newzealand_interest_rate() |
| 指标 | akshare 函数 | 返回列 | 说明 |
|---|---|---|---|
| BDI | macro_shipping_bdi() | ['日期', '最新值', '涨跌幅', '近3月涨跌幅', ...] | 波罗的海干散货指数（日频） |
| BCI | macro_shipping_bci() | 同上 | 波罗的海海岬型指数 |
| BPI | macro_shipping_bpi() | 同上 | 波罗的海巴拿马型指数 |
| BCTI | macro_shipping_bcti() | 同上 | 波罗的海清洁油轮指数 |
| SOX | macro_global_sox_index() | 同上 | 费城半导体指数（日频） |
| 黄金 | macro_cons_gold() | ['商品', '日期', '总库存', '增持/减持', '总价值'] | SPDR黄金ETF持仓（非金价） |
| 白银 | macro_cons_silver() | 同上 | iShares白银ETF持仓（非银价） |
| OPEC | macro_cons_opec_month() | ['日期', '阿尔及利亚', ..., '沙特', ..., '欧佩克产量'] | OPEC各国月度产量 |
| LME库存 | macro_euro_lme_stock() | ['日期', '铜-库存', '铜-注册仓单', '铜-注销仓单', '锡-...', '铅-...', '锌-...', '铝-...', '镍-...'] | |
| LME持仓 | macro_euro_lme_holding() | ['日期', '铜-多头仓位', '铜-空头仓位', '铜-净仓位', '锌-...', '镍-...', ...] |
| 指标 | akshare 函数 |
|---|---|
| GDP | macro_euro_gdp_yoy() |
| CPI(月) | macro_euro_cpi_mom() |
| CPI(年) | macro_euro_cpi_yoy() |
| PPI | macro_euro_ppi_mom() |
| 制造业PMI | macro_euro_manufacturing_pmi() |
| 服务业PMI | macro_euro_services_pmi() |
| 失业率 | macro_euro_unemployment_rate_mom() |
| 贸易帐 | macro_euro_trade_balance() |
| 零售销售 | macro_euro_retail_sales_mom() |
| ZEW经济景气 | macro_euro_zew_economic_sentiment() |
| Sentix投资信心 | macro_euro_sentix_investor_confidence() |
用户询问某个具体宏观指标时使用。
Step 1: 识别指标 — 匹配上方速查表中的函数。
Step 2: 获取数据
import akshare as ak
# 示例：获取中国CPI（统计局源，倒序）
df = ak.macro_china_cpi()
print(df.columns.tolist())
print(df.head(3)) # 倒序，head=最新
latest = df.iloc[0]
print(f"最新CPI: {latest['月份']}, 同比 {latest['全国-同比增长']}%, 环比 {latest['全国-环比增长']}%")
Step 3: 呈现结果 — 表格展示最近数据，标注趋势判断。
import akshare as ak
# 增长
gdp = ak.macro_china_gdp() # 倒序
industrial = ak.macro_china_gyzjz() # 正序！
# 物价
cpi = ak.macro_china_cpi() # 倒序
ppi = ak.macro_china_ppi() # 倒序
# 景气
pmi = ak.macro_china_pmi() # 倒序
# 货币与信用
m2 = ak.macro_china_money_supply() # 倒序
new_credit = ak.macro_china_new_financial_credit() # 倒序
lpr = ak.macro_china_lpr() # 正序
# 外贸
trade = ak.macro_china_hgjck() # 倒序
# 就业与消费
unemployment = ak.macro_china_urban_unemployment()
retail = ak.macro_china_consumer_goods_retail() # 倒序
# 取最新值
print(f"GDP: {gdp.iloc[0]['季度']}, 同比 {gdp.iloc[0]['国内生产总值-同比增长']}%")
print(f"CPI: {cpi.iloc[0]['月份']}, 同比 {cpi.iloc[0]['全国-同比增长']}%")
print(f"PPI: {ppi.iloc[0]['月份']}, 同比 {ppi.iloc[0]['当月同比增长']}%")
print(f"PMI: {pmi.iloc[0]['月份']}, 制造业 {pmi.iloc[0]['制造业-指数']}, 非制造业 {pmi.iloc[0]['非制造业-指数']}")
print(f"M2: {m2.iloc[0]['月份']}, 同比 {m2.iloc[0]['货币和准货币(M2)-同比增长']}%")
print(f"LPR: 1Y={lpr.iloc[-1]['LPR1Y']}%, 5Y={lpr.iloc[-1]['LPR5Y']}%")
print(f"工业: {industrial.iloc[-1]['月份']}, 同比 {industrial.iloc[-1]['同比增长']}%") # 正序用iloc[-1]
美林投资时钟 + 中国信用周期：
| 阶段 | GDP | CPI | 货币政策 | 信用 | 利好资产 |
|---|---|---|---|---|---|
| 衰退期 | ↓ | ↓ | 宽松 | 收缩→企稳 | 债券 |
| 复苏期 | ↑ | ↓ | 宽松 | 扩张 | 股票 |
| 过热期 | ↑ | ↑ | 收紧 | 扩张 | 商品 |
| 滞胀期 | ↓ | ↑ | 收紧 | 收缩 | 现金 |
获取GDP/CPI/PPI/PMI/M2/LPR/信贷数据，判断当前所处阶段，给出资产配置建议。
import akshare as ak
def latest_a(df):
"""从格式A取最新已发布数据"""
return df[df['今值'].notna()].iloc[-1]
# 中国（统计局源）
cn_cpi = ak.macro_china_cpi()
cn_pmi = ak.macro_china_pmi()
cn_lpr = ak.macro_china_lpr()
# 美国（格式A）
us_gdp = ak.macro_usa_gdp_monthly()
us_cpi = ak.macro_usa_cpi_monthly()
us_pmi = ak.macro_usa_ism_pmi()
us_rate = ak.macro_bank_usa_interest_rate()
# 利差
cn_rate = cn_lpr.iloc[-1]['LPR1Y']
us_rate_val = latest_a(us_rate)['今值']
print(f"中美利差: {cn_rate - us_rate_val:.2f}%")
import akshare as ak
lpr = ak.macro_china_lpr()
rrr = ak.macro_china_reserve_requirement_ratio()
shibor = ak.macro_china_shibor_all() # 正序，日频
m2 = ak.macro_china_money_supply() # 倒序
new_credit = ak.macro_china_new_financial_credit() # 倒序
rmb_loan = ak.macro_rmb_loan()
rmb_deposit = ak.macro_rmb_deposit()
central_bank = ak.macro_china_central_bank_balance()
akshare 部分接口有频率限制。如果报错，等待几秒后重试，或分批获取。
部分指标更新有滞后（GDP季度更新、PMI月度更新等）。获取数据后检查最新日期，告知用户数据时效性。
macro_china_shrzgm() — SSL连接失败（商务部数据源），用 macro_china_new_financial_credit() 替代macro_china_rmb() — akshare内部TypeError，汇率数据暂不可用iloc[0]=最新），但 macro_china_gyzjz()（工业增加值）是正序（iloc[-1]=最新），macro_china_lpr() 和 macro_china_shibor_all() 也是正序