行业分析师 是做什么的？
概述
此技能通过从 TraderMonty 的公共 CSV 数据集中获取上涨趋势比率数据，实现对板块轮动和市场周期定位的全面分析。它对板块进行排名，计算周期性与防御性风险敞口评分，识别超买/超卖状况，并估计当前市场周期阶段。可选地，图表图像可以补充数据驱动分析，提供行业级细节。
何时使用此技能
在以下情况下使用此技能：
- 用户请求板块轮动分析（无需图表图像）
- 用户询问周期性 vs 防御性定位
- 用户想知道哪些板块超买或超卖
- 用户请求市场周期阶段估计
- 用户提供板块表现图表以供补充分析
- 用户请求基于板块的情景分析或预测
示例用户请求：
- "进行板块轮动分析"
- "哪些板块领先——周期性的还是防御性的？"
- "现在有板块超买了吗？"
- "我们处于市场周期的哪个阶段？"
- "分析这些板块表现图表，告诉我我们在市场周期中的位置"
前提条件
- Python 3.9+；无需第三方库（通过 stdlib
urllib获取 CSV） - 无需 API 密钥 — 数据从公共 GitHub 存储库获取
- 可选：用于补充分析的板块表现图表图像
数据源
板块上涨趋势比率从 TraderMonty 的公共 GitHub 存储库获取（无需 API 密钥）：
- 板块摘要：
sector_summary.csv— 每个板块的上涨趋势比率、趋势、斜率和状态 - 新鲜度检查：
uptrend_ratio_timeseries.csv— 使用 max(date) 验证数据的新鲜度
运行脚本
# 默认：获取 CSV，打印人类可读的分析结果
python3 scripts/analyze_sector_rotation.py
# JSON 输出
python3 scripts/analyze_sector_rotation.py --json
# 保存到文件
python3 scripts/analyze_sector_rotation.py --save --output-dir reports/
分析工作流
遵循此结构化工作流：
步骤 1：CSV 数据收集
- 运行分析脚本：
python3 scripts/analyze_sector_rotation.py - 从输出中提取：
- 按上涨趋势比率排序的板块排名
- 风险敞口（周期性 vs 防御性）和评分
- 超买/超卖板块
- 周期阶段估计和置信水平
- 如果出现数据新鲜度警告，请在分析中注明
步骤 2：市场周期评估
使用脚本的周期阶段估计作为起点：
- 阅读
references/sector_rotation.md以访问市场周期和板块轮动框架 - 将脚本的定量发现与每个周期阶段的预期模式进行比较：
- 早期周期复苏
- 中期周期扩张
- 晚期周期
- 衰退
- 结合知识库进行定性解释
如果提供了图表图像，请使用它们补充行业级细节：
- 从图表图像中提取行业级表现数据
- 比较 1 周与 1 个月的表现以检查趋势一致性
- 注意行业内部表现出强势或弱势的特定行业
步骤 3：当前形势分析
综合观察结果，形成客观评估：
- 说明当前表现最接近哪个市场周期阶段
- 突出支持证据（哪些板块/行业确认了此观点）
- 注意任何矛盾的信号或异常模式
- 根据信号一致性评估置信水平
使用数据驱动的语言，并具体引用表现数据。
步骤 4：情景开发
基于板块轮动原则和当前定位，为下一阶段制定 2-4 个潜在情景：
对于每个情景：
- 描述市场周期过渡
- 确定哪些板块可能表现优于大盘
- 确定哪些板块可能表现劣于大盘
- 指定确认此情景的催化剂或条件
- 分配概率（参见 sector_rotation.md 中的概率评估框架）
情景范围应从最可能（最高概率）到替代/反向情景。
步骤 5：输出生成
创建结构化的 Markdown 文档，包含以下部分：
必需部分：
- 执行摘要：2-3 句关键发现概述
- 当前形势：当前表现模式和周期定位的详细分析
- 支持证据：支持周期评估的特定板块和行业表现数据
- 情景分析：2-4 个情景，附带描述和概率分配
- 建议定位：基于情景概率的战略和战术定位建议
- 关键风险：需要监控的显著风险或矛盾信号
输出格式
将分析结果保存为 Markdown 文件，命名约定为：sector_analysis_YYYY-MM-DD.md
使用此结构：
# 板块表现分析 - [日期]
## 执行摘要
[2-3 句总结关键发现]
## 当前形势
### 市场周期评估
[哪个周期阶段以及原因]
### 观察到的表现模式
#### 1 周表现
[近期表现分析]
#### 1 个月表现
[中期趋势分析]
#### 板块级分析
[按板块详细分解]
#### 行业级分析
[值得注意的行业特定观察]
## 支持证据
### 确认信号
- [支持周期评估的数据点列表]
### 矛盾信号
- [任何冲突指标列表]
## 情景分析
### 情景 1：[名称]（概率：XX%）
**描述**：[发生了什么]
**表现优异者**：[板块/行业]
**表现不佳者**：[板块/行业]
**催化剂**：[什么会确认此情景]
### 情景 2：[名称]（概率：XX%）
[重复结构]
[适当情况下添加其他情景]
## 建议定位
### 战略定位（中期）
[板块配置建议]
### 战术定位（短期）
[具体调整或机会]
## 关键风险和监控点
[可能使分析失效的需关注事项]
---
*分析日期：[日期]*
*数据期间：[所分析图表的时间范围]*
关键分析原则
进行分析时：
- 客观优先：让数据引导结论，而非先入为主的观念
- 概率思维：通过概率范围表达不确定性
- 多时间框架：比较 1 周和 1 个月数据以确认趋势
- 相对表现：关注相对强度，而非绝对回报
- 广度重要：广泛的基础变动比孤立变动更重要
- 无绝对：市场很少完全遵循教科书模式
- 历史背景：参考典型轮动模式，但承认独特性
概率指南
根据证据强度应用这些概率范围：
- 70-85%：有强烈证据，跨板块和时间框架有多个确认信号
- 50-70%：有中等证据，部分确认信号但存在混合指标
- 30-50%：证据薄弱，信号有限或矛盾
- 15-30%：与当前指标相反但可能存在的推测情景
所有情景的总概率应大致等于 100%。
资源
scripts/
analyze_sector_rotation.py- 获取板块 CSV 数据并生成板块排名、风险敞口评分、超买/超卖标志和周期阶段估计。无需 API 密钥。
references/
sector_rotation.md- 涵盖市场周期阶段、典型板块表现模式和概率评估框架的综合知识库
assets/
示例图表，展示可选图像分析预期的输入格式：
sector_performance.jpeg- 示例板块级表现图表（1 周和 1 个月）industory_performance_1.jpeg- 示例行业表现图表（表现优异者）industory_performance_2.jpeg- 示例行业表现图表（表现不佳者）
重要提示
- 所有分析思维应以英文进行
- 输出 Markdown 文件必须使用英文
- 每次分析都应参考板块轮动知识库
- 保持客观，避免确认偏差
- 如果获得新数据，更新概率评估
- 图表图像是可选的；CSV 数据提供主要分析输入
- 该脚本使用与 uptrend-analyzer 相同的板块分类以确保一致性