evaluate-exponential-trend-deviation-regimes

npx skills add majiayu000/claude-skill-registry --skill evaluate-exponential-trend-deviation-regimes --agent claude-code

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

<essential_principles> **資產趨勢偏離度分析 核心原則** <principle name="exponential_trend_fitting"> **指數趨勢線擬合** 多數資產在長期（數十年）尺度上遵循指數成長路徑。透過對數價格線性回歸（y = a + b*t where y = log(price)）擬合趨勢線，trend = exp(a + b*t)。偏離度 = (price / trend - 1) × 100%。 </principle> <principle name="historical_context"> **歷史極端對照** 透過計算當前偏離度在歷史分布中的分位數，以及與歷史峰值/谷值的比較，提供市場位置的脈絡。使用者可指定特定日期作為參考點，或由系統自動識別歷史極端值。 </principle> <principle name="regime_classification"> **行情體質判定（選用）** 針對特定資產（如黃金、股指），可結合宏觀因子進行行情體質分析。不同資產有不同的體質分類框架，使用者可自定義判定規則與因子權重。 </principle> <principle name="universal_applicability"> **通用適用性** 本技能適用於任何具有長期指數成長特性的資產：商品（黃金、原油）、股票指數、加密貨幣、房地產等。核心邏輯不預設特定資產或歷史峰值。 </principle> </essential_principles> <intake> **您想要執行什麼操作？** 1. **單資產偵測** - 計算單一資產的趨勢偏離度與歷史分位數 2. **歷史對照分析** - 將當前偏離度與使用者指定的歷史日期或自動識別的極端值進行比較 3. **宏觀因子分解** - 詳細拆解各宏觀代理指標對行情體質判定的貢獻（適用於支援的資產類別） **等待回應後再繼續。** </intake> <routing> | Response | Workflow | Description | |------------------------------------|-----------------------|-------------| | 1, "detect", "single", "偵測" | workflows/detect.md | 單資產趨勢偏離度偵測與體質判定 | | 2, "compare", "historical", "對照" | workflows/compare.md | 歷史峰值詳細對照分析 | | 3, "macro", "breakdown", "因子" | workflows/macro.md | 宏觀因子分解與貢獻度分析 | **讀取工作流程後，請完全遵循

pip install pandas numpy yfinance pandas-datareader statsmodels
cd skills/evaluate-exponential-trend-deviation-regimes
python scripts/trend_deviation.py --symbol GC=F --quick
python scripts/trend_deviation.py --symbol ^GSPC --start 1950-01-01
python scripts/trend_deviation.py --symbol GC=F --start 1970-01-01 --include-macro
python scripts/trend_deviation.py --symbol GC=F --compare-peaks "2011-09-06,2020-08-07"
python scripts/generate_chart.py --output ./output/