From fatfingererr-macro-skills
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。
npx claudepluginhub joshuarweaver/cascade-code-general-misc-1 --plugin fatfingererr-macro-skillsThis skill uses the workspace's default tool permissions.
<essential_principles>
examples/sample_output.jsonmanifest.jsonreferences/data-sources.mdreferences/input-schema.mdreferences/methodology.mdscripts/inverse_etf_analyzer.pyscripts/visualize_allocation.pyskill.yamltemplates/output-json.mdtemplates/output-markdown.mdworkflows/analyze.mdworkflows/historical-episodes.mdworkflows/visualize.mdCreates new Angular apps using Angular CLI with flags for routing, SSR, SCSS, prefixes, and AI config. Follows best practices for modern TypeScript/Angular development. Use when starting Angular projects.
Generates Angular code and provides architectural guidance for projects, components, services, reactivity with signals, forms, dependency injection, routing, SSR, ARIA accessibility, animations, Tailwind styling, testing, and CLI tooling.
Executes ctx7 CLI to fetch up-to-date library documentation, manage AI coding skills (install/search/generate/remove/suggest), and configure Context7 MCP. Useful for current API refs, skill handling, or agent setup.
<essential_principles> 散戶槓桿反向 ETF 做空配置分析 核心原則
**以美元成交量比率作為散戶做空配置代理** 槓桿 ETF 交易以短線散戶為主,反向群組(SPXU/SDS/SH)的美元成交量占比越低,代表散戶避險/看空參與度越低,市場越自滿(complacency)。公式:`short_alloc = inv_dollar_vol / (inv_dollar_vol + long_dollar_vol)`。 **分位數標準化** 將做空配置比率以滾動分位數標準化(預設回看 260 週 ≈ 5 年),轉為 0~1 的分位數。分位數 ≤ 5% 為「極低做空配置」觸發條件,代表自滿程度極高。 **事件研究與前瞻風險評估** 找出歷史上做空配置極低的事件日期,計算每次事件後的前瞻報酬、最大回撤、波動率。彙總命中率(如 63 天內最大回撤 ≤ -8% 的比例)與中位數風險,作為當前風險分布的參考。 **歷史類比匹配** 取最近 N 次(預設 4 次)歷史觸發事件作為類比案例,比較當前狀態與歷史情境的相似度,評估前瞻下行風險的一致性。 **風險分布訊號,非精準擇時** 此指標反映「散戶自滿程度偏高時,下行風險的條件分布偏差」,不是精準的頂部擇時工具。結論必須附帶 caveat:proxy 可能混入機構對沖/做市流量。 **資料透明度** 所有資料來源為公開市場行情(Yahoo Finance),使用美元成交量(Close × Volume)重建。若使用 AUM proxy 需額外資料。明確標示資料覆蓋率與 ETF 上市日期限制。 **目標**:量化散戶透過槓桿反向 ETF 的做空參與度,偵測「自滿」極端值,並以事件研究法評估 SPX 後續下行風險。步驟:
不適用情境:
<quick_start> 快速開始
# 安裝依賴
pip install yfinance pandas numpy matplotlib
# 完整分析(預設參數)
python scripts/inverse_etf_analyzer.py --start 2012-01-01 --end 2026-02-01
# 快速檢查當前狀態
python scripts/inverse_etf_analyzer.py --start 2012-01-01 --end 2026-02-01 --quick
# 自訂 ETF 清單
python scripts/inverse_etf_analyzer.py --start 2012-01-01 --end 2026-02-01 \
--inverse SPXU SDS SH --long UPRO SSO SPY
</quick_start>
**您想要執行什麼分析?**等待回應後再繼續。
| Response | Workflow | Description | |---------------------------------------|-----------------------------------|------------------------------------------| | 1, "完整分析", "full", "analyze" | workflows/analyze.md | 完整分析流程:資料→指標→事件→風險→結論 | | 2, "視覺化", "chart", "visualize" | workflows/visualize.md | 產生圖表:SPX + 做空配置 + 事件標記 | | 3, "歷史", "episodes", "history" | workflows/historical-episodes.md | 歷史事件對照與前瞻表現統計 | | 4, "快速", "quick", "check" | workflows/analyze.md | 快速模式:僅當前狀態 |讀取工作流程後,請完全遵循其步驟。
<reference_index>
參考文件 (references/)
| 文件 | 內容 |
|---|---|
| methodology.md | 做空配置比率計算方法、分位數標準化、事件研究框架 |
| data-sources.md | 資料來源說明(Yahoo Finance ETF OHLCV)、fallback、授權 |
| input-schema.md | 所有輸入參數定義、型別、預設值、驗證規則 |
| </reference_index> |
<workflows_index>
| Workflow | Purpose |
|---|---|
| analyze.md | 完整分析工作流(資料取得→指標計算→事件偵測→風險統計→結論生成) |
| visualize.md | 圖表生成工作流(SPX + 做空配置雙軸圖 + 事件垂直線) |
| historical-episodes.md | 歷史事件對照工作流(列出過去觸發事件與後續表現) |
| </workflows_index> |
<templates_index>
| Template | Purpose |
|---|---|
| output-json.md | JSON 輸出模板(程式/儀表板消費) |
| output-markdown.md | Markdown 輸出模板(人類閱讀/社群分享) |
| </templates_index> |
<scripts_index>
| Script | Purpose |
|---|---|
| inverse_etf_analyzer.py | 主分析腳本:資料取得、指標計算、事件偵測、風險統計 |
| visualize_allocation.py | 視覺化腳本:雙軸圖表生成 |
| </scripts_index> |
<success_criteria> Skill 成功執行時:
<examples_index>
範例輸出 (examples/)
| 文件 | 內容 |
|---|---|
| sample_output.json | 完整分析的 JSON 範例輸出 |
| </examples_index> |