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.

2026-01-283

track-agri-hedge-fund-positioning

fatfingererr/macro-skills

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。

2026-01-273

name	detect-shanghai-silver-stock-drain
description	以公開交易所庫存資料為核心，量化上海白銀庫存耗盡的方向、速度與加速度，並將其轉成可交易的供給緊縮訊號。

<essential_principles>

**庫存耗盡三維度量化**

庫存分析的三維框架：

方向（Direction）：庫存是上升還是下降
速度（Speed）：每週流出量 drain_rate(t) = -Δ1(t)
加速度（Acceleration）：流出速度的變化 Δ2(t) = drain_rate(t) - drain_rate(t-1)

當 drain_rate > 0 且 Δ2 > 0 時，表示「庫存正在流出，且流出速度在加快」——這是晚期供給訊號的核心特徵。

**Z 分數標準化判斷**

使用歷史視窗（建議 3~5 年）計算 Z 分數：

z_drain(t) = (drain_rate(t) - mean) / std
z_accel(t) = (Δ2(t) - mean) / std

門檻判定：

指標	門檻	意義
z_drain	≤ -1.5	流出速度顯著大於常態
z_accel	≥ +1.0	流出正在加速
level_percentile	≤ 0.20	庫存處於歷史低檔

**三段式晚期訊號判定**

把推文敘事轉為可執行規則：

條件	描述	單獨成立	組合效果
A. Level	庫存水位 < 20% 歷史分位	WATCH	-
B. Speed	z_drain ≤ -1.5	WATCH	B+C → MEDIUM
C. Acceleration	z_accel ≥ +1.0	WATCH	A+B+C → HIGH

訊號分級：

HIGH_LATE_STAGE_SUPPLY_SIGNAL：A+B+C 同時成立
MEDIUM_SUPPLY_TIGHTENING：(B+C) 或 (A+B) 成立
WATCH：任一條件成立
NO_SIGNAL：無異常

**資料來源與口徑**

主要數據來源：

CEIC Data：上海期貨交易所白銀倉單數據
- URL: https://www.ceicdata.com/zh-hans/china/shanghai-futures-exchange-commodity-futures-stock/cn-warehouse-stock-shanghai-future-exchange-silver
- 數據範圍：2012-07-02 至今（約 3,300+ 觀測值）
- 更新頻率：每日
- 歷史最高：3,091 噸 (2021-01-12)

重要提醒：

這是「交易所可交割/倉單」口徑，不等於全中國社會庫存
單週跳動可能反映倉儲規則變動或搬倉，需平滑處理
使用 Selenium 模擬人類瀏覽器抓取 SVG 圖表，遵循反偵測策略

</essential_principles>

監控上海白銀庫存（SGE + SHFE）的耗盡狀態：

數據採集：抓取 SGE/SHFE 週報庫存數據
三維量化：計算方向、速度、加速度
標準化判斷：使用 Z 分數判定異常
訊號生成：輸出晚期供給訊號分級
市場交叉驗證（選配）：COMEX、ETF、現貨溢價

輸出：庫存水位、耗盡速度、加速度、Z 分數、訊號分級、敘事解讀。

<quick_start>

最快的方式：檢查上海白銀庫存耗盡狀態

cd skills/detect-shanghai-silver-stock-drain

# 首次使用：安裝依賴
pip install pandas numpy selenium webdriver-manager matplotlib

# 1. 抓取最新數據（5 年歷史，約 200+ 週）
python scripts/fetch_shfe_stock.py --force-update

# 2. 執行快速檢查
python scripts/drain_detector.py --quick

輸出範例：

{
  "as_of": "2026-01-16",
  "signal": "MEDIUM_SUPPLY_TIGHTENING",
  "latest_combined_stock_tonnes": 1133.3,
  "level_percentile": 0.12,
  "z_drain_rate": -2.1,
  "z_acceleration": 1.4
}

完整分析 + 視覺化報告：

# 1. 執行完整分析
python scripts/drain_detector.py \
  --start 2020-01-01 \
  --end 2026-01-16 \
  --output result.json

# 2. 生成視覺化報告
python scripts/visualize_drain.py \
  --result result.json \
  --output ../../../output/

</quick_start>

需要進行什麼操作？

快速檢查 - 查看目前上海白銀庫存耗盡狀態與訊號
完整分析 - 執行完整的歷史庫存分析與趨勢計算
數據更新 - 抓取最新的 SGE/SHFE 庫存數據
交叉驗證 - 使用 COMEX、ETF 等指標交叉驗證
方法論學習 - 了解三維度量化與訊號判定邏輯

請選擇或直接提供分析參數。

| Response | Action | |--------------------------------|--------------------------------------------| | 1, "快速", "quick", "check" | 執行 `scripts/drain_detector.py --quick` | | 2, "分析", "analyze", "full" | 閱讀 `workflows/analyze.md` 並執行 | | 3, "更新", "fetch", "data" | 閱讀 `workflows/fetch-data.md` 並執行 | | 4, "驗證", "validate", "cross" | 閱讀 `workflows/cross-validate.md` 並執行 | | 5, "學習", "方法論", "why" | 閱讀 `references/methodology.md` | | 提供日期參數 | 閱讀 `workflows/analyze.md` 並使用參數執行 |

路由後，閱讀對應文件並執行。

<directory_structure>

detect-shanghai-silver-stock-drain/
├── 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/
│   ├── analyze.md                     # 完整庫存分析工作流
│   ├── fetch-data.md                  # 數據抓取工作流
│   └── cross-validate.md              # 交叉驗證工作流
├── references/
│   ├── data-sources.md                # SGE/SHFE 資料來源說明
│   ├── methodology.md                 # 三維度量化方法論
│   └── 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/
    ├── drain_detector.py              # 主偵測腳本
    ├── fetch_sge_stock.py             # SGE 庫存抓取（PDF）
    ├── fetch_shfe_stock.py            # SHFE 庫存抓取
    └── visualize_drain.py             # 視覺化報告生成

</directory_structure>

<reference_index>

方法論: references/methodology.md

三維度量化邏輯（方向、速度、加速度）
Z 分數標準化
三段式訊號判定

資料來源: references/data-sources.md

SGE 行情周報 PDF 抓取
SHFE 倉單/庫存周報抓取
Selenium 反偵測策略

輸入參數: references/input-schema.md

完整參數定義
預設值與建議範圍

</reference_index>

<workflows_index>

Workflow	Purpose	使用時機
analyze.md	完整庫存分析	需要完整歷史分析時
fetch-data.md	數據抓取	更新 SGE/SHFE 庫存數據
cross-validate.md	交叉驗證訊號	確認供給緊縮訊號真實性時
</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
drain_detector.py	`--quick`	快速檢查耗盡狀態
drain_detector.py	`--start DATE --end DATE --output FILE`	完整歷史分析
fetch_sge_stock.py	`--output sge_stock.csv`	抓取 SGE 庫存
fetch_shfe_stock.py	`--output shfe_stock.csv`	抓取 SHFE 庫存
visualize_drain.py	`--result result.json --output DIR`	生成視覺化報告
</scripts_index>

<input_schema_summary>

核心參數

參數	類型	預設值	說明
start_date	string	3Y 前	分析起始日 (YYYY-MM-DD)
end_date	string	today	分析結束日 (YYYY-MM-DD)
frequency	string	weekly	數據頻率 (weekly/daily)
include_sources	array	["SGE","SHFE"]	納入的庫存來源
unit	string	tonnes	單位 (tonnes/kg/troy_oz)

分析參數

參數	類型	預設值	說明
smoothing_window_weeks	int	4	平滑視窗（週）
drain_threshold_z	float	-1.5	異常耗盡 Z 分數門檻
accel_threshold_z	float	+1.0	耗盡加速 Z 分數門檻
confirm_with_markets	bool	true	是否做市場側交叉驗證

完整參數定義見 references/input-schema.md。

</input_schema_summary>

<output_schema_summary>

{
  "skill": "detect_shanghai_silver_stock_drain",
  "as_of": "2026-01-16",
  "unit": "tonnes",
  "sources": ["SGE", "SHFE"],
  "latest_combined_stock": 1133.3,
  "level_percentile": 0.12,
  "recent_4w_avg_drawdown": 58.4,
  "drawdown_acceleration": 9.7,
  "z_scores": {
    "z_drain_rate": -2.1,
    "z_acceleration": 1.4
  },
  "signal": "HIGH_LATE_STAGE_SUPPLY_SIGNAL",
  "narrative": [...],
  "caveats": [...]
}

完整輸出結構見 templates/output-json.md。 </output_schema_summary>

<success_criteria> 執行成功時應產出：

上海合併庫存水位（SGE + SHFE）
庫存水位歷史分位數
近 N 週平均流出速度
流出加速度
z_drain_rate 與 z_acceleration
訊號分級（HIGH/MEDIUM/WATCH/NO_SIGNAL）
敘事解讀（中文）
數據口徑與限制說明 </success_criteria>