analyze-platinum-to-brazil-equities-transmission

<essential_principles>

**傳導驗證而非預測**

本技能專注於「用數據驗證敘事」：

• 輸入：社群/新聞宣稱「白金走勢可能領先或驅動巴西股市」
• 輸出：長週期時間序列上的傳導假說檢驗結果

不做價格預測，只回答：「白金→巴西股市的傳導結構在數據上是否存在？」

**交叉相關判斷領先落後**

使用 Cross-Correlation 掃描 [-lead_lag_max, +lead_lag_max] 範圍：

• corr(r_ewz, r_platinum.shift(lag))
• lag > 0：白金領先 EWZ（platinum leads）
• lag < 0：EWZ 領先白金
• lag ≈ 0：同步移動

典型設定：週頻 lag max = 52（一年），找 |corr| 最大的 lag。

**Regime-Dependent 關聯**

白金與巴西股市的關聯具有週期性特徵：

• linked_upcycle：兩者趨勢同向上行，傳導結構穩固
• decoupled：關聯斷裂，各走各的
• brazil_idiosyncratic：巴西特有風險（政治/匯率/商品結構）主導

長期 regime 判斷使用 regime_window（預設 104 週 ≈ 2 年）內的趨勢一致性。

**傳導強度分數（0–100）**

綜合三個維度量化傳導可信度：

維度	權重	說明
best_lead_lag_corr	30%	最佳領先落後相關係數
rolling_corr_stability	30%	rolling corr > 0 的佔比與連續性
trend_agreement	40%	長期趨勢一致程度

分數解讀：≥70 強傳導、50-69 中等、<50 弱/不穩定。

**資料來源**

主要使用 Yahoo Finance（免費、無需 API key）：

• 白金期貨：PL=F
• 巴西股市 ETF：EWZ

頻率建議：1wk（週頻）用於長週期分析，避免日頻噪音干擾。 對齊方式：inner join（只保留共同交易日），避免補值造成假相關。

</essential_principles>

量化驗證「白金（Platinum）→ 巴西股市（EWZ）」的長週期傳導關係：

1. 數據取得：從 Yahoo Finance 取得白金期貨與 EWZ 歷史價格
2. 雙軸圖與正規化圖：Bloomberg 風格原值雙軸圖 + 正規化同軸對比
3. 領先落後分析：交叉相關找出白金是否領先 EWZ 及滯後期數
4. Rolling Correlation：滾動相關觀察關聯的時變結構
5. Regime 判斷：長期趨勢一致性判斷當前處於哪種傳導體制
6. 傳導強度分數：綜合評分（0-100）量化傳導可信度

輸出：傳導強度分數、領先落後判定、regime label、監控清單、Bloomberg 風格圖表。

<quick_start>

Step 1：安裝依賴

pip install yfinance pandas numpy matplotlib scipy

Step 2：執行完整分析

cd scripts
python analyze.py --start 2003-01-01

Step 3：生成 Bloomberg 風格視覺化圖表

python visualize.py --start 2003-01-01
# 輸出到: output/platinum_vs_ewz_YYYY-MM-DD.png

輸出範例：

{
  "signal": "transmission_moderate",
  "confidence": "medium",
  "transmission_strength_score": 74,
  "best_lead_lag": {
    "lag_weeks": 12,
    "meaning": "Platinum leads EWZ by ~12 weeks",
    "corr": 0.52
  },
  "rolling_corr": {
    "window": 52,
    "latest": 0.41,
    "positive_share_5y": 0.68
  },
  "regime_label": "linked_upcycle",
  "monitoring_notes": [
    "若 PL=F 突破長期區間，觀察 EWZ 在 8-16 週內是否趨勢翻多",
    "要求 52 週 rolling corr 維持正值至少 26 週作為確認",
    "若白金大漲而 EWZ 不動且 corr 轉負，視為 regime break"
  ]
}

</quick_start>

需要進行什麼分析？

1. 快速檢查 - 查看白金與巴西股市目前的傳導狀態
2. 完整分析 - 執行完整傳導檢驗並生成報告
3. 視覺化圖表 - 生成 Bloomberg 風格雙軸圖與相關分析圖表
4. 方法論學習 - 了解傳導分析、交叉相關與 regime 判斷的原理

請選擇或直接提供分析參數。

| Response | Action | |------------------------------|----------------------------------------------| | 1, "快速", "quick", "check" | 閱讀 `workflows/analyze.md` 並以預設參數執行 | | 2, "完整", "full", "analyze" | 閱讀 `workflows/analyze.md` 並執行 | | 3, "視覺化", "chart", "plot" | 閱讀 `workflows/visualize.md` 並執行 | | 4, "學習", "方法論", "why" | 閱讀 `references/methodology.md` | | 提供參數 (如日期/ticker) | 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>

analyze-platinum-to-brazil-equities-transmission/
├── SKILL.md                           # 本文件（路由器）
├── skill.yaml                         # 前端展示元數據
├── manifest.json                      # 技能元資料
├── workflows/
│   ├── analyze.md                     # 完整傳導分析工作流
│   └── visualize.md                   # 視覺化工作流
├── references/
│   ├── data-sources.md                # 資料來源與替代方案
│   ├── methodology.md                 # 傳導分析方法論
│   └── 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/
│   ├── analyze.py                     # 主分析腳本
│   ├── fetch_data.py                  # 數據抓取工具（Yahoo Finance）
│   └── visualize.py                   # Bloomberg 風格視覺化
└── examples/
    └── sample_output.json             # 範例輸出

</directory_structure>

<reference_index>

方法論: references/methodology.md

• 交叉相關領先落後分析
• Rolling Correlation 時變結構
• Regime 判斷邏輯
• 傳導強度分數計算

資料來源: references/data-sources.md

• Yahoo Finance（PL=F, EWZ）
• 頻率處理與對齊
• 備援數據源

輸入參數: references/input-schema.md

• 完整參數定義與預設值
• start_date, frequency, corr_window, lead_lag_max 等

</reference_index>

<workflows_index>

Workflow	Purpose	使用時機
analyze.md	完整傳導分析	需要驗證傳導敘事時
visualize.md	生成視覺化圖表	需要 Bloomberg 風格圖表時
</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
analyze.py	--start DATE [--end DATE] [--freq 1wk]	完整傳導分析
fetch_data.py	--start DATE [--end DATE] [--freq 1wk]	數據抓取與快取
visualize.py	--start DATE [--end DATE]	Bloomberg 風格視覺化
</scripts_index>

<input_schema>

**Type**: string (ISO YYYY-MM-DD) **Description**: 分析起始日期 **Example**: "2003-01-01" **Note**: EWZ 上市於 2000 年 7 月，建議不早於 2000-07-01 **Type**: string (ISO YYYY-MM-DD) **Description**: 分析結束日期（預設今日） **Example**: "2026-01-28" **Type**: string **Default**: "1wk" **Options**: "1d" / "1wk" / "1mo" **Description**: 資料頻率。建議 1wk 或 1mo 用於長週期分析 **Type**: string **Default**: "PL=F" **Description**: 白金價格 ticker **Type**: string **Default**: "EWZ" **Description**: 巴西股市 proxy ticker **Type**: number **Default**: 100 **Description**: 正規化基準 **Type**: int **Default**: 52 **Description**: Rolling correlation 視窗（以 frequency 單位） **Type**: int **Default**: 52 **Description**: 領先/落後最大掃描期數 **Type**: int **Default**: 104 **Description**: 長期 regime 判斷窗口 **Type**: string **Default**: "both" **Options**: "markdown" / "json" / "both"

</input_schema>

<output_schema> 參見 templates/output-json.md 的完整結構定義。

摘要：

{
  "signal": "transmission_strong | transmission_moderate | transmission_weak | inconclusive",
  "confidence": "high | medium | low",
  "transmission_strength_score": 74,
  "best_lead_lag": {
    "lag_weeks": 12,
    "corr": 0.52,
    "meaning": "Platinum leads EWZ by ~12 weeks"
  },
  "rolling_corr": {
    "window": 52,
    "latest": 0.41,
    "positive_share_5y": 0.68
  },
  "regime_label": "linked_upcycle | decoupled | brazil_idiosyncratic",
  "monitoring_notes": ["..."],
  "artifacts": {
    "charts": ["output/platinum_vs_ewz_YYYY-MM-DD.png"]
  }
}

</output_schema>

<success_criteria> 分析成功時應產出：

• 白金與 EWZ 的領先落後天（週）數與相關係數
• 52 週 Rolling Correlation 最新值與正值佔比
• 傳導強度分數（0-100）
• 當前 Regime Label（linked_upcycle / decoupled / brazil_idiosyncratic）
• 傳導結論與替代解釋
• 監控清單（非短線）
• Bloomberg 風格雙軸圖（output/platinum_vs_ewz_YYYY-MM-DD.png）
• 明確標註資料限制與假設 </success_criteria>