tradermonty/sector-analyst

類股分析師

概述

此技能透過從 TraderMonty 的公開 CSV 資料集擷取上升趨勢比率數據，實現對類股輪動和市場週期定位的全面分析。它能對類股進行排名、計算週期性與防禦性風險狀態分數、識別超買/超賣條件，並估算當前市場週期階段。圖表影像可選用，以提供產業層級的詳細資訊來補充數據驅動的分析。

何時使用此技能

在以下情況使用此技能：

• 使用者要求類股輪動分析（不需要圖表影像）
• 使用者詢問有關週期性與防禦性配置的問題
• 使用者想知道哪些類股處於超買或超賣狀態
• 使用者要求估算市場週期階段
• 使用者提供類股績效圖表以供補充分析
• 使用者要求進行基於類股的情境分析或預測

範例使用者請求：

• "執行類股輪動分析"
• "哪些類股領漲——週期性還是防禦性？"
• "目前有類股處於超買狀態嗎？"
• "我們處於市場週期的哪個階段？"
• "分析這些類股績效圖表，並告訴我們在市場週期中的位置"

先決條件

• Python 3.9+；無需第三方函式庫（CSV 透過標準函式庫 urllib 擷取）
• 無需 API 金鑰——數據從公開的 GitHub 儲存庫擷取
• 可選：用於補充分析的類股績效圖表影像

數據來源

類股上升趨勢比率從 TraderMonty 的公開 GitHub 儲存庫擷取（無需 API 金鑰）：

• 類股摘要：sector_summary.csv——每個類股的上升趨勢比率、趨勢、斜率和狀態
• 新鮮度檢查：uptrend_ratio_timeseries.csv——使用 max(date) 驗證數據時效性

執行指令碼

# 預設：擷取 CSV，輸出人類可讀的分析
python3 scripts/analyze_sector_rotation.py

# JSON 輸出
python3 scripts/analyze_sector_rotation.py --json

# 儲存至檔案
python3 scripts/analyze_sector_rotation.py --save --output-dir reports/

分析工作流程

請遵循此結構化工作流程：

步驟 1：CSV 數據收集

1. 執行分析指令碼：python3 scripts/analyze_sector_rotation.py
2. 從輸出中提取：
   • 按上升趨勢比率排列的類股排名
   • 風險狀態（週期性 vs 防禦性）和分數
   • 超買/超賣類股
   • 週期階段估算和信心水準
3. 如果出現數據新鮮度警告，請在分析中註明

步驟 2：市場週期評估

使用指令碼的週期階段估算作為起點：

• 閱讀 references/sector_rotation.md 以了解市場週期和類股輪動框架
• 將指令碼的量化結果與每個週期階段的預期模式進行比較：
  • 早期週期復甦
  • 中期週期擴張
  • 晚期週期
  • 衰退
• 根據知識庫添加質化解讀

如果提供了圖表影像，請使用它們補充產業層級的詳細資訊：

• 從圖表影像中提取產業層級的績效數據
• 比較 1 週和 1 個月的績效以判斷趨勢一致性
• 注意類股中顯示強勢或弱勢的特定產業

步驟 3：當前情況分析

綜合觀察結果形成客觀評估：

• 陳述當前績效最接近哪個市場週期階段
• 強調支持性證據（哪些類股/產業確認此觀點）
• 注意任何矛盾的訊號或異常模式
• 根據訊號一致性評估信心水準

使用數據驅動的語言和具體的績效數據參考。

步驟 4：情境開發

根據類股輪動原則和當前定位，為下一階段開發 2-4 個潛在情境：

對於每個情境：

• 描述市場週期轉變
• 識別可能表現優異的類股
• 識別可能表現不佳的類股
• 指明確認此情境的催化劑或條件
• 賦予機率（請參考 sector_rotation.md 中的機率評估框架）

情境範圍應從最可能（最高機率）到替代/反向情境。

步驟 5：輸出生成

建立包含以下章節的結構化 Markdown 文件：

必要章節：

1. 執行摘要：2-3 句概述主要發現
2. 當前情況：當前績效模式和市場週期定位的詳細分析
3. 支持性證據：支持週期評估的具體類股和產業績效數據
4. 情境分析：2-4 個情境，附描述和機率分配
5. 建議配置：基於情境機率的策略性和戰術性配置建議
6. 主要風險：需監控的顯著風險或矛盾訊號

輸出格式

將分析結果儲存為 Markdown 檔案，命名慣例：sector_analysis_YYYY-MM-DD.md

使用以下結構：

# 類股績效分析 - [日期]

## 執行摘要

[2-3 句總結主要發現]

## 當前情況

### 市場週期評估
[哪個週期階段及其原因]

### 觀察到的績效模式

#### 1 週績效
[近期績效分析]

#### 1 個月績效
[中期趨勢分析]

#### 類股層級分析
[按類股詳細分類]

#### 產業層級分析
[值得注意的產業特定觀察]

## 支持性證據

### 確認訊號
- [支持週期評估的數據點清單]

### 矛盾訊號
- [任何衝突的指標]

## 情境分析

### 情境 1：[名稱]（機率：XX%）
**描述**：[發生什麼事]
**表現優異者**：[類股/產業]
**表現不佳者**：[類股/產業]
**催化劑**：[什麼會確認此情境]

### 情境 2：[名稱]（機率：XX%）
[重複結構]

[根據需要加入其他情境]

## 建議配置

### 策略性配置（中期）
[類股配置建議]

### 戰術性配置（短期）
[具體調整或機會]

## 主要風險與監控要點

[需留意哪些因素可能使分析無效]

---
*分析日期：[日期]*
*數據期間：[所分析圖表的時間範圍]*

主要分析原則

進行分析時：

1. 客觀優先：讓數據引導結論，而非預設想法
2. 機率思維：透過機率範圍表達不確定性
3. 多重時間框架：比較 1 週和 1 個月數據以確認趨勢
4. 相對績效：專注於相對強勢，而非絕對報酬
5. 廣度重要：廣泛的變動比孤立的波動更具意義
6. 沒有絕對：市場很少完全遵循教科書模式
7. 歷史背景：參考典型的輪動模式，但承認獨特性

機率準則

根據證據強度應用以下機率範圍：

• 70-85%：強勁證據，多個類股和時間框架有多個確認訊號
• 50-70%：中等證據，有一些確認訊號但指標混雜
• 30-50%：弱證據，訊號有限或衝突
• 15-30%：推測性情境，與當前指標相反但有可能

所有情境的總機率應約為 100%。

資源

scripts/

• analyze_sector_rotation.py - 擷取類股 CSV 數據並產生類股排名、風險狀態評分、超買/超賣標記和週期階段估算。無需 API 金鑰。

references/

• sector_rotation.md - 涵蓋市場週期階段、典型類股績效模式和機率評估框架的全面知識庫

assets/

展示可選影像分析預期輸入格式的範例圖表：

• sector_performance.jpeg - 範例類股層級績效圖表（1 週和 1 個月）
• industory_performance_1.jpeg - 範例產業績效圖表（表現優異者）
• industory_performance_2.jpeg - 範例產業績效圖表（表現不佳者）

重要說明

• 所有分析思考應以英文進行
• 輸出 Markdown 檔案必須為英文
• 每次分析都應參考類股輪動知識庫
• 保持客觀，避免確認偏誤
• 如果有新數據可用，更新機率評估
• 圖表影像為可選；CSV 數據提供主要分析輸入
• 該指令碼使用與 uptrend-analyzer 相同的類股分類以確保一致性