detect-us-equity-valuation-percentile-extreme

name	detect-us-equity-valuation-percentile-extreme
description	把多個股票估值指標統一轉成在過去百年歷史中的分位數，再合成一個總分，判斷目前是否處於歷史極端高估區間，並用歷史類比（如 1929、1965、1999）給出風險解讀。

<essential_principles>

**分位數標準化核心**

將不同單位的估值指標（PE、PB、CAPE 等）統一成「0-100 的歷史分位數」：

• 分位數 = 100 × (歷史中 ≤ 當前值的樣本數 / 總樣本數)
• 例：CAPE 位於歷史第 98 分位 → 過去 130 年只有 2% 的時間比現在更貴
• 統一單位後，可跨指標合成「綜合估值分位數」

**多指標合成邏輯**

合成公式：composite_percentile = 加權平均(各指標分位數)

支援三種合成方式：

方式	公式	適用場景
mean	算術平均	各指標同等重要
median	中位數	抵抗單一指標異常拉升
trimmed_mean	去極端平均	穩健估計

重要：各指標可能有不同歷史長度，預設使用「各自歷史」計算分位數再合成。

**極端高估偵測邏輯**

if composite_percentile >= extreme_threshold (預設 95):
    → 判定「歷史極端高估」
    → 觸發風險解讀流程

歷史類比事件識別：

1. 找出合成分位數超過門檻的峰值
2. 用 episode_min_gap_days 去重（預設 10 年內只保留最高點）
3. 輸出：1929、1965、1999、2021、當前...

**風險解讀框架**

「估值極端高」≠「明天崩盤」，但歷史特徵是：

• 風險分布不對稱：下跌尾巴變厚
• 未來中期報酬壓縮：估值均值回歸壓低長期報酬上限
• 波動先升後跌：事件後 6-12 月波動率通常上升

輸出事後統計：

• 未來 180/365/1095 天報酬分布
• 最大回撤中位數與尾部風險
• 波動率變化機率

**資料來源與限制揭露**

本 skill 使用公開替代資料，非彭博原始數據：

• Shiller CAPE: Robert Shiller 公開資料集（可回溯至 1871 年）
• 市值/GDP: FRED 公開數據（可回溯至 1950 年代）
• PE/PB/PS: 公開金融資料（歷史較短，約 30-50 年）

必須揭露：

• 各指標可得期間不同
• 合成分位數為「近似重建」，非精確複製

</essential_principles>

偵測美股估值是否處於歷史極端區間：

1. 收集估值指標：從公開數據源取得 PE、CAPE、PB、PS、市值/GDP 等
2. 計算分位數：將各指標轉換為歷史分位數（0-100）
3. 合成總分：加權平均（或中位數）得到綜合估值分位數
4. 判定極端：若總分 ≥ 門檻（預設 95），觸發極端高估警報
5. 歷史類比：找出歷史上的類似事件（1929、1965、1999 等）
6. 事後統計：計算這些事件後的報酬、回撤、波動變化

輸出：當前狀態、各指標分位數、歷史類比事件、風險解讀。

<quick_start>

最快的方式：執行視覺化分析

cd skills/detect-us-equity-valuation-percentile-extreme
pip install pandas numpy yfinance requests matplotlib openpyxl xlrd  # 首次使用
python scripts/visualize_valuation.py -o output

輸出：

• output/us_valuation_percentile_YYYY-MM-DD.png - 歷史走勢圖（類似 @ekwufinance 風格）
• output/us_valuation_breakdown_YYYY-MM-DD.png - 各指標分位數分解圖
• output/us_valuation_analysis_YYYY-MM-DD.json - JSON 結果

圖表特色：

• 多指標合成分位數的歷史走勢（非單一時間點）
• 歷史峰值標記：1929、1965、1999、2021
• S&P 500 指數疊加（對數刻度）
• 當前「新高」標註

快速檢查（純 JSON）：

python scripts/valuation_percentile.py --quick

完整分析：

python scripts/valuation_percentile.py \
  --as_of_date 2026-01-21 \
  --universe "^GSPC" \
  --metrics "cape,mktcap_to_gdp,trailing_pe,pb" \
  --output result.json

</quick_start>

需要進行什麼操作？

1. 視覺化分析（推薦） - 生成歷史走勢圖表，標記歷史峰值
2. 快速檢查 - 查看目前的估值分位數與極端狀態
3. 完整分析 - 執行完整的歷史分位數分析與風險解讀
4. 歷史類比 - 深入分析歷史極端高估事件與事後表現
5. 方法論學習 - 了解估值分位數模型的邏輯
6. 自訂參數 - 指定估值指標、門檻、合成方式等

請選擇或直接提供分析參數。

| Response | Action | |----------------------------------|----------------------------------------------| | 1, "視覺化", "圖表", "chart" | 執行 `python scripts/visualize_valuation.py -o output` | | 2, "快速", "quick", "check" | 執行 `python scripts/valuation_percentile.py --quick` | | 3, "完整", "full", "analysis" | 閱讀 `workflows/execute-analysis.md` 並執行 | | 4, "歷史", "類比", "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-us-equity-valuation-percentile-extreme/
├── 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         # 歷史類比分析工作流
├── references/
│   ├── methodology.md                 # 估值分位數方法論
│   ├── data-sources.md                # 資料來源與代碼
│   ├── valuation-metrics.md           # 估值指標定義
│   └── 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/
│   ├── valuation_percentile.py        # 主分析腳本
│   ├── visualize_valuation.py         # 視覺化腳本（歷史走勢圖）
│   └── fetch_valuation_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

• 分位數標準化原理
• 多指標合成邏輯
• 極端偵測與歷史類比

資料來源: references/data-sources.md

• Shiller CAPE 資料集
• FRED 系列代碼
• 公開替代資料說明

估值指標: references/valuation-metrics.md

• PE、Forward PE、CAPE 定義
• PB、PS、EV/EBITDA 定義
• Q Ratio、市值/GDP 定義

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
execute-analysis.md	完整估值分析	需要完整報告時
historical-episodes.md	歷史事件深度分析	理解歷史類比與事後統計
</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
visualize_valuation.py	-o output	視覺化分析（推薦）
valuation_percentile.py	--quick	快速檢查當前狀態
valuation_percentile.py	--as_of_date DATE --output FILE	完整分析
fetch_valuation_data.py	--metrics cape,pe	抓取估值資料
</scripts_index>

<input_schema_summary>

核心參數

參數	類型	預設值	說明
as_of_date	string	today	評估日期
universe	string	^GSPC	市場代碼
history_start	string	1900-01-01	歷史起算日
metrics	array	[cape, ...]	估值指標清單
aggregation	string	mean	合成方法

門檻參數

參數	類型	預設值	說明
extreme_threshold	number	95	極端高估門檻（分位數）
episode_min_gap_days	int	3650	歷史事件去重間隔
forward_windows_days	array	[180, 365, 1095]	事後統計視窗

完整參數定義見 references/input-schema.md。

</input_schema_summary>

<output_schema_summary>

{
  "skill": "detect-us-equity-valuation-percentile-extreme",
  "as_of_date": "2026-01-21",
  "universe": "^GSPC",
  "composite_percentile": 97.3,
  "extreme_threshold": 95,
  "is_extreme": true,
  "metric_percentiles": {
    "cape": 98.2,
    "mktcap_to_gdp": 96.5,
    "trailing_pe": 94.1
  },
  "historical_episodes": [
    {"date": "1929-09-01", "composite_percentile": 97.8},
    {"date":   
  
   
          
        
  
   
    
    
    
  

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

<success_criteria> 執行成功時應產出：

• 當前綜合估值分位數（0-100）
• 各指標個別分位數
• 極端高估判定（是/否）
• 歷史類比事件清單（日期、分位數）
• 事後統計（報酬、回撤、波動）
• 資料品質說明（各指標可得期間）
• 風險解讀框架（可選，輸出至 Markdown）

視覺化輸出（使用 visualize_valuation.py）：

• 歷史走勢圖（us_valuation_percentile_YYYY-MM-DD.png）
  • 多指標合成分位數時間序列
  • 歷史峰值標記（1929、1965、1999、2021）
  • S&P 500 指數疊加（對數刻度）
  • 當前位置標註
• 指標分解圖（us_valuation_breakdown_YYYY-MM-DD.png）
  • 各指標分位數橫向條形圖
  • 極端門檻參考線
• JSON 結果檔（us_valuation_analysis_YYYY-MM-DD.json） </success_criteria>