detect-fed-unamortized-discount-pattern

npx skills add majiayu000/claude-skill-registry --skill detect-fed-unamortized-discount-pattern --agent claude-code

Same command for any agent — swap --agent for codex, cursor, copilot.

<essential_principles> <principle name="pattern_matching_not_prediction"> **形狀比對 ≠ 事件預測** 核心認知：把「肉眼類比」轉成可量化的「形狀比對」，但「像」不等於「會發生」： - **相關係數 (corr)**：近期窗口 vs. 基準窗口的線性形狀相似 - **動態時間校正 (DTW)**：允許「快一點/慢一點」但形狀相似 - **形狀特徵 (shape_features)**：趨勢斜率、拐點結構、波動擴張 輸出「pattern_similarity_score」只回答「像不像」，不回答「會不會發生」。 </principle> <principle name="cross_validation_stress"> **壓力驗證才能升級風險判斷** 把「形狀相似」與「壓力驗證」拆開： 1. **pattern_similarity_score**：只測量形狀相似度 2. **stress_confirmation_score**：測量交叉驗證指標是否同步惡化 3. **composite_risk_score**：加權合成，但必須附上「哪些指標支持/反對」 **反直覺檢查**： - 若相似度很高，但交叉驗證指標沒有壓力訊號 → 可能只是利率/持有結構/會計攤銷造成的圖形相似 - 若相似度中等，但多數壓力指標同步惡化 → 反而要提高警覺 </principle> <principle name="data_mechanism_understanding"> **理解指標背後機制** **WUDSHO（Unamortized Discounts）成因**： - 聯準會購買債券時，若買入價低於面值，差額計為「未攤銷折價」 - 利率上升期：市價下跌 → 購入債券折價增加 → WUDSHO 上升 - 利率下降期：市價上升 → 購入債券溢價增加 → WUDSHO 下降 **重要**：WUDSHO 變動可能反映： 1. 利率環境變化（最常見） 2. 持有債券久期結構 3. 會計攤銷時程 4. **真正的金融壓力**（需交叉驗證才能確認） </principle> <principle name="falsification_mindset"> **反證優先的分析框架** 社群常見的「圖形類比敘事」往往缺乏反證： - ❌「這條線複製 COVID，60 天內黑天鵝」→ 只有類比，沒有驗證 - ✅ 本技能輸出：「形狀相似度 0.88，但信用利差中性、股市波動偏低 → 不支持系統性壓力假說」 必須輸出的反證項目： 1. 「形狀相似」的替代解釋（利率效果、會計效果） 2. 「壓力指標」的現況（支持/反對風險假說） 3. 「歷史後續」的條件分布（不是預測） </principle> <principle

cd skills/detect-fed-unamortized-discount-pattern
pip install pandas numpy requests scipy matplotlib  # 首次使用
python scripts/pattern_detector.py --quick
python scripts/pattern_detector.py \
python scripts/visualize_pattern.py
python scripts/visualize_pattern.py --json output/pattern_analysis_YYYY-MM-DD.json