Sector Analyst 技能实战:用板块轮动与市场周期框架构建可证伪的板块情景分析(claude-trading-skills)

原创2026-11-14 22:36:341,932 阅读
文章标签:金融科技AI 技能人工智能数据分析

Sector Analyst 技能实战:用板块轮动与市场周期框架构建可证伪的板块情景分析(claude-trading-skills)

本文以 claude-trading-skills 仓库中 examples/weekly-trade-strategy 示例工程的板块分析技能定义为主线,完整拆解一份"把板块表现图表转成概率化情景"的 SKILL 规范:它的触发条件、五步分析工作流、四阶段市场周期知识库、固定输出模板与概率标尺,并结合仓库主版本 skills/sector-analyst 的脚本实现,说明同一套方法论如何被工程化为可复现的 CSV 驱动分析。读完你可以直接把这个技能接入自己的周度策略流程,也能理解其每一项结论背后的计算与证据边界。

一、技能定位:它解决的是什么问题

关联文档 SKILL.md 的 frontmatter 只声明了两件事:

---
name: sector-analyst
description: This skill should be used when analyzing sector and industry performance charts to assess market positioning and rotation patterns. Use this skill when the user provides performance chart images (1-week or 1-month timeframes) for sectors or industries and requests market cycle assessment, sector rotation analysis, or strategic positioning recommendations based on performance data. All analysis and output are conducted in English.
---

这段 description 实际上定义了技能的三个边界,也决定了 Claude 何时会自动加载它:

  1. 输入形态:用户提供的板块/行业表现图表图片,典型时间窗是 1 周与 1 个月;
  2. 任务类型:市场周期定位、板块轮动分析、战略性仓位建议;
  3. 输出语言:全部推理与产出均为英文(文档正文 Important Notes 中再次强调"All analysis thinking should be conducted in English / Output Markdown files must be in English")。

技能的核心目标写在 Overview 里:把观察到的表现数据与既有的板块轮动原则结合,产出客观的市场评估与概率化情景预测,而不是给出确定性判断。这一点是理解全文的关键——它是一套分析框架,不是选股器。

何时使用 / 何时不该使用

文档列出了明确的触发清单:

  • 用户提供板块表现图表(通常 1 周 + 1 个月)
  • 用户提供展示相对表现的行业表现图表
  • 用户请求分析"当前处于周期哪个位置"
  • 用户请求板块轮动评估或预测
  • 用户需要概率加权的仓位情景

对应的典型自然语言请求(原文示例)包括:

  • "Analyze these sector performance charts and tell me where we are in the market cycle"
  • "Based on these performance charts, what sectors should outperform next?"
  • "What's the probability of a defensive rotation based on this data?"
  • "Review these sector and industry charts and provide scenario analysis"

反过来,从这份文档的输入约束可以推断:如果用户没有图表、也不想讨论周期与轮动(例如只想查某个板块的成分股名单),就不应触发该技能——这与仓库主版本中"无图表也可跑 CSV"的设计形成了明确分工,后文第七节会展开。

二、输入数据:三张示例图表与四个观察维度

文档 Resources 一节把输入规格固化到了三张样例图上,它们位于技能目录的 assets/ 下:

样例文件 说明 观察对象
sector_performance.jpeg 板块级表现图(1 周与 1 个月) 11 个板块的相对强弱
industory_performance_1.jpeg 行业表现图(领涨侧) 走强的细分行业
industory_performance_2.jpeg 行业表现图(落后侧) 走弱的细分行业

可直接查看这些样例:sector_performance.jpeg、industory_performance_1.jpeg、industory_performance_2.jpeg(注意文件名中的 industory 是仓库原始拼写,引用时不要改写,否则路径失效)。

文档同时声明:"User-provided charts may vary in format but should contain similar relative performance information." 也就是说,格式自由,但必须包含相对表现信息。

Step 1:数据采集与观察(Data Collection and Observation)

第一步不做任何结论,只做结构化提取,文档要求逐项记录五个维度:

  1. 板块级表现:哪些板块(Technology、Financials、Consumer Discretionary 等)在跑赢/跑输;
  2. 行业级表现:具体哪些行业显示强度或弱势;
  3. 时间窗对比:1 周 vs 1 个月,判断趋势是一致还是背离;
  4. 变动幅度(Magnitude):相对表现差异有多大;
  5. 变动广度(Breadth):是集中少数板块,还是普遍性移动。

文档还要求:"Think in English while analyzing the charts. Document specific numerical performance figures for key sectors and industries."——即必须落到具体数值,而不是"科技板块较强"这类模糊描述。这条约束在后面 Step 3 被再次强调:"Use data-driven language and specific references to performance figures."

从实践角度看,第三步(1 周 vs 1 个月)是整个方法论的支点:单一时间窗很容易把噪声当趋势,双时间窗的一致/背离本身就是置信度输入。第四、五维度则对应文档 Key Analysis Principles 中的 "Relative Performance" 与 "Breadth Matters"。

三、Step 2:用四阶段市场周期知识库做定位

定位阶段要求先加载知识库 sector_rotation.md,再把观察到的表现模式与每个阶段的理论模式对照:

  • Early Cycle Recovery(早期复苏)
  • Mid Cycle Expansion(中期扩张)
  • Late Cycle(周期后段)
  • Recession(衰退)

匹配手段被拆成四个可操作动作:

  • 把领涨板块映射到该阶段的典型领先板块;
  • 把落后板块映射到该阶段的典型滞后板块;
  • 检验多板块之间的一致性(而非单点命中);
  • 评估防御 vs 周期两端的对齐程度。

知识库内容:四阶段的完整对照

下面的表格完整继承了 sector_rotation.md 中四阶段的经济特征与板块表现预期,这是该技能唯一的"理论先验",也是后续所有判断的基准。

Early Cycle Recovery(早期复苏)

维度 内容
经济特征 从衰退中开始恢复;GDP 由负/低转正并加速;利率仍低;央行维持宽松;信用条件开始放松;消费者与企业信心改善
预期领涨 Technology、Consumer Cyclical/Discretionary、Industrials、Financials(收益率曲线陡峭化 + 信用改善)、Real Estate(低利率支撑估值)
预期落后 Utilities、Consumer Defensive/Staples、Healthcare

Mid Cycle Expansion(中期扩张)

维度 内容
经济特征 GDP 强劲增长延续;企业盈利增长稳健;就业加速;利率自低位上行;信用利差收窄;通胀温和
预期领涨 Technology、Industrials(资本开支与经济活动高峰)、Consumer Discretionary、Materials(建筑与制造需求)、Energy(经济活动推升能源需求)
预期落后 Utilities(利率上行压制估值)、Consumer Staples、Telecommunications

Late Cycle(周期后段)

维度 内容
经济特征 GDP 增速开始减速但仍为正;利率见顶或高位平台;通胀压力累积;劳动力市场紧张、工资压力上升;信用条件开始收紧;经济指标显示放缓
预期领涨 Energy(通胀与商品价格)、Materials(通胀对冲)、Financials(高利率支撑净息差)、Healthcare(防御属性)、Consumer Staples
预期落后 Technology(高估值受利率压制)、Consumer Discretionary、Real Estate、Industrials(资本开支放缓)

Recession(衰退)

维度 内容
经济特征 GDP 收缩为负;失业上升;央行降息;信用利差显著走阔;企业盈利下滑;信心恶化
预期领涨 Utilities、Consumer Staples、Healthcare、Telecommunications/Communication Services
预期落后 Financials(信用损失)、Consumer Discretionary、Industrials、Materials、Energy、Real Estate

周期之外的三个辅助维度

知识库还提供了三组"横切"分类,用于解释阶段之间的模糊地带:

  • 周期性板块(早期/中期占优):Technology、Consumer Discretionary、Industrials、Materials、Financials(时点有差异)、Energy(中期/后段更强);
  • 防御性板块(后段/衰退占优):Utilities、Consumer Staples、Healthcare、Communication Services;
  • 利率敏感板块:受益于利率上行的是 Financials(银行);受压制的是 Utilities、Real Estate、Technology(高成长)。

Industry-Level Nuances 一节进一步下沉到行业粒度,这也是为什么技能要求"行业级图表"作为补充输入:

板块 周期/早期领涨 相对防御或后期属性
Technology Software、Semiconductors、Hardware IT Services、Enterprise Software(订阅收入模型)
Consumer Discretionary Auto Manufacturers、Homebuilders、Retail、Leisure Education、Entertainment(流媒体)更抗压
Financials Diversified Banks、Investment Banks(早期) Insurance、Asset Managers(中后期);Regional Banks、Consumer Finance 在衰退中最脆弱
Industrials Construction、Machinery、Transportation Aerospace & Defense、Waste Management 更防御
Healthcare Elective procedures、Medical Devices(偏周期) Pharmaceuticals、Healthcare Plans、Hospitals(偏防御)
Materials Construction Materials、Chemicals Precious Metals(Gold、Silver)作为后段/通胀对冲

实务提示:同一板块内部的行业分化常常是"跨阶段信号"。例如 Technology 领涨但领涨的是 IT Services 而非 Semis,往往意味着周期位置比表面看起来更靠后。文档在 Step 2 中特意要求"Note specific industries showing strength or weakness within sectors",正是为此。

四、Step 3:当前状况的客观陈述

第三步是把观察压成一份可被反驳的现状判断,文档给出四个必答项:

  1. 明确当前表现最接近哪个周期阶段;
  2. 列出支持证据(哪些板块/行业印证该判断);
  3. 记录矛盾信号或异常模式;
  4. 基于信号一致性给出置信度。

这里有两处措辞值得注意:Note any contradictory signals or unusual patterns 与 Assess confidence level based on consistency of signals。它们把"反证"提升为一等公民——不是为了唱空,而是为了让后续概率分配有据可依。这也呼应了 Important Notes 中的 "Maintain objectivity and avoid confirmation bias"。

五、Step 4:情景开发与概率标尺

情景阶段要求产出 2–4 个下一阶段的可能性,每个情景必须包含五个字段:

字段 要求
周期转换描述 市场从当前阶段转向何处
预期跑赢板块 该情景下的领涨板块/行业
预期跑输板块 该情景下的落后板块/行业
催化剂/确认条件 什么事件或数据会确认该情景
概率 依据 sector_rotation.md 的概率评估框架

排列顺序也有明确规定:"Scenarios should range from most likely (highest probability) to alternative/contrarian scenarios."——即从基准情景递减到逆向情景,而不是随意罗列。

概率准则(15%–85% 四档)

文档在 Probability Guidelines 与知识库 Probability Assessment Framework 中给出了同一套标尺:

概率区间 证据强度 典型特征
70–85% 强证据 多个板块与多个时间窗同时确认
50–70% 中等证据 部分确认信号,但指标混杂
30–50% 弱证据 信号有限或相互冲突
15–30% 投机性 与当前指标相反但仍有可能

并附带一条硬约束:"Total probabilities across all scenarios should sum to approximately 100%." 知识库进一步说明概率应反映四件事:轮动信号的一致性、表现模式的广度、与经济指标的对齐度、历史先例的强度。

这套区间的价值在于上限被刻意压到 85%:技能框架从不允许"确定"的判断,这与 Key Analysis Principles 中的 "No Absolutes: Markets rarely follow textbook patterns exactly" 完全一致。

六、Step 5:固定输出模板与命名约定

文档把输出固化成一份 Markdown 骨架,文件命名约定为 sector_analysis_YYYY-MM-DD.md。以下完整保留模板结构(标题、分节与占位符),它是该技能可被自动化消费的关键——下游读者/程序可以按固定锚点定位内容:

# Sector Performance Analysis - [Date]

## Executive Summary

[2-3 sentences summarizing key findings]

## Current Situation

### Market Cycle Assessment
[Which cycle phase and why]

### Performance Patterns Observed

#### 1-Week Performance
[Analysis of recent performance]

#### 1-Month Performance
[Analysis of medium-term trends]

#### Sector-Level Analysis
[Detailed breakdown by sector]

#### Industry-Level Analysis
[Notable industry-specific observations]

## Supporting Evidence

### Confirming Signals
- [List data points supporting cycle assessment]

### Contradictory Signals
- [List any conflicting indicators]

## Scenario Analysis

### Scenario 1: [Name] (Probability: XX%)
**Description**: [What happens]
**Outperformers**: [Sectors/industries]
**Underperformers**: [Sectors/industries]
**Catalysts**: [What would confirm this scenario]

### Scenario 2: [Name] (Probability: XX%)
[Repeat structure]

[Additional scenarios as appropriate]

## Recommended Positioning

### Strategic Positioning (Medium-term)
[Sector allocation recommendations]

### Tactical Positioning (Short-term)
[Specific adjustments or opportunities]

## Key Risks and Monitoring Points

[What to watch that could invalidate the analysis]

---
*Analysis Date: [Date]*
*Data Period: [Timeframe of charts analyzed]*

六个必需小节(Executive Summary / Current Situation / Supporting Evidence / Scenario Analysis / Recommended Positioning / Key Risks)在 Step 5 与模板中两处重复声明,属于技能的硬性契约。其中 Recommended Positioning 被明确切成两个时间尺度:

  • Strategic(中期):板块配置层面的建议;
  • Tactical(短期):具体调整或机会。

这种"中期配置 + 短期战术"的双层结构,是为了避免把一张周度图表直接放大成长期配置结论。

七、七条分析原则:技能的"防幻觉"约束

Key Analysis Principles 一节是整个 SKILL 最像"工程护栏"的部分:

  1. Objectivity First——让数据引导结论,而不是让预设引导数据;
  2. Probabilistic Thinking——用概率区间表达不确定性;
  3. Multiple Timeframes——1 周与 1 个月互证;
  4. Relative Performance——看相对强弱,不看绝对收益;
  5. Breadth Matters——普遍性移动比孤立移动更重要;
  6. No Absolutes——市场很少严格照教科书走;
  7. Historical Context——引用典型轮动模式,但承认当下独特性。

知识库 Key Analysis Principles 补了另外七条更偏宏观的补充:没有两个周期完全相同、需结合多个指标、轮动是以月为单位渐进发生的、关注相对表现、区分领先与滞后板块、全球因素会影响板块、政策可加速或延迟轮动。其中"Rotation is Gradual: Transitions between cycles occur over months, not days"对周度工作流尤其重要——它意味着单周图表变化不应触发结论级别的翻转。

八、仓库演进:从"纯图像分析"到"CSV 驱动 + 图像补充"

关联文档是 examples/weekly-trade-strategy 里的图像驱动版本;而仓库主目录下的 skills/sector-analyst/SKILL.md 是该技能的演进形态:它把主输入换成了 TraderMonty 公开 CSV 的板块上升趋势比率(uptrend ratio),图表图片降级为可选补充。两份 SKILL 的 Workflow 五步几乎逐字一致,差异集中在数据来源与前置条件:

对比项 示例版(本文主文档) 主版本
主输入 板块/行业表现图表图片 sector_summary.csv(+ 用 uptrend_ratio_timeseries.csv 做新鲜度校验)
API Key 不需要 不需要(公开 GitHub 仓库,urllib 直接拉取)
运行依赖 图像理解能力 Python 3.9+,仅标准库
图表图片 必需 可选,用于行业级细节补充
是否可离线复现 否(模型读图) 是(同一 CSV → 同一结论)

主版本 Prerequisites 明确写道:"Python 3.9+; no third-party libraries required (CSV fetched via stdlib urllib)",这条约束与 requirements.txt 的实际内容完全一致——该文件只有一行注释:# stdlib-only: packaged scripts use the Python standard library only.

8.1 运行方式与 CLI 参数

# 默认:拉取 CSV,输出人类可读的 Markdown 分析
python3 scripts/analyze_sector_rotation.py

# JSON 输出(便于下游程序消费)
python3 scripts/analyze_sector_rotation.py --json

# 保存到文件
python3 scripts/analyze_sector_rotation.py --save --output-dir reports/

如果你的工作目录在仓库根,路径应写成 python3 skills/sector-analyst/scripts/analyze_sector_rotation.py。

参数定义在 analyze_sector_rotation.py 的 main() 中,共六个:

参数 类型 默认值 作用
--json flag 关闭 输出 JSON 而非 Markdown
--save flag 关闭 将输出写入文件
--output-dir str reports/ 输出目录(不存在会自动 makedirs)
--url str SECTOR_CSV_URL 自定义板块汇总 CSV 地址
--uptrend-url str UPTREND_CSV_URL 自定义时序 CSV(用于新鲜度校验)
--timeout int 30 HTTP 超时秒数

运行时进度与告警都写到 stderr("Checking data freshness…"/"Fetching sector summary…"/"Parsed N sectors"),最终报告走 stdout,便于 shell 管道分离。

九、脚本内部的四个量化模块

主版本的 Overview 声称脚本会做四件事:板块排序、周期/防御风险体制打分、超买超卖识别、周期阶段估计。下面结合源码逐项说明其判据,这也是判断该技能结论"有多硬"的关键。

9.1 板块分组与排序

分组常量位于 analyze_sector_rotation.py:

CYCLICAL_SECTORS = ["Technology", "Consumer Cyclical", "Communication Services",
                    "Financial", "Industrials"]
DEFENSIVE_SECTORS = ["Utilities", "Consumer Defensive", "Healthcare", "Real Estate"]
COMMODITY_SECTORS = ["Energy", "Basic Materials"]

注意与知识库的细微差异:源码把 Communication Services 归入周期组、把 Real Estate 归入防御组,并单列了商品组。注释指明该分组"aligned with uptrend-analyzer's sector_rotation_calculator.py",即与仓库内 uptrend-analyzer 技能的分组保持一致——从源码结构看,这是刻意的跨技能对齐,避免同一套概念在两个技能里给出不同标签。

排序逻辑在 rank_sectors():按 ratio 降序,输出 rank / sector / ratio / ratio_pct / trend / slope / status,其中 ratio_pct 是 round(ratio*100, 1),即把 0–1 的比率转成百分数展示。

CSV 列的要求写死在 validate_columns():

  • 必需列:Sector、Ratio(缺失直接 ValueError 并退出码 1);
  • 期望列:Sector, Ratio, 10MA, Trend, Slope, Status(缺失只打 WARNING,不中断)。

这里有个容易踩的坑:列名是 10MA 而不是 MA_10,测试文件里专门有一条用例 test_ma_10_parsed_from_10MA_column 固定了这个行为。单行数据若 Sector 为空、Ratio 为空或非数值,会被 parse_sector_rows() 静默跳过。

9.2 风险体制打分(cyclical vs defensive)

analyze_groups() 先用三组板块的比率均值算出 difference = cyclical_avg - defensive_avg,再经 _difference_to_score() 映射到 0–100:

difference 区间 分数映射
> 0.15 90 + (diff-0.15)/0.10*10,上限 100
> 0.05 70 + (diff-0.05)/0.10*19
> -0.05 45 + (diff+0.05)/0.10*24
> -0.15 20 + (diff+0.15)/0.10*24
其余 19 + (diff+0.15)/0.10*19,下限 0

随后 _score_to_regime() 把分数映射为五档标签:

分数 体制
≥ 90 strong risk-on
≥ 70 risk-on
≥ 45 balanced
≥ 20 defensive tilt
< 20 strong risk-off

这段映射的注释标注了 "Aligned with sector_rotation_calculator.py L171-189",同样属于跨技能一致性的工程约束。

分数并非最终值,还要叠加两类修正:

  1. 商品修正(late cycle flag):若 commodity_avg 同时高于周期组和防御组均值,置 late_cycle_flag = True,并按超出幅度扣分——超出 > 0.10 扣 10 分,否则扣 5 分。这一步正是知识库"后段由 Energy/Materials 领涨"的量化表达。
  2. 背离修正(divergence):_analyze_group() 对每个组计算标准差、极差与"趋势异议者"。触发条件为三者之一:std_dev > 0.08、spread > 0.20、存在与组内多数趋势相反(trend_dissenters)的板块。一旦触发,再扣 5 分。

最终 score = clamp(base_score + commodity_penalty + divergence_penalty, 0, 100)——min(100, max(0, ...)) 的写法保证不会越界。缺失数据时返回 score: 50 且 regime: "incomplete data",而不是崩掉,这是给不完整 CSV 留的降级路径。

9.3 超买/超卖阈值

阈值常量在 analyze_sector_rotation.py:

OVERBOUGHT_THRESHOLD = 0.37
OVERSOLD_THRESHOLD = 0.097
FRESHNESS_MAX_DAYS = 5

判定使用严格不等号(> 0.37、< 0.097),因此恰好等于阈值的板块不会被标记。测试用例 test_boundary_values 明确固定了这一行为:0.37 与 0.097 均不触发。这两个数值与 skills/uptrend-analyzer/scripts/data_fetcher.py 中的同名常量一致,说明它们是仓库级统一口径,而不是本技能随手设定的。

9.4 周期阶段打分(Step 2 的量化替身)

estimate_cycle_phase() 把关联文档中的"人工对照"变成了加权评分。四个阶段的领涨/落后清单定义在 CYCLE_PHASES:

"early":     leaders=[Technology, Consumer Cyclical, Industrials, Financial]
             laggards=[Utilities, Consumer Defensive, Healthcare]
"mid":       leaders=[Technology, Industrials, Consumer Cyclical, Energy]
             laggards=[Utilities, Consumer Defensive]
"late":      leaders=[Energy, Basic Materials, Healthcare]
             laggards=[Technology, Consumer Cyclical, Industrials]
"recession": leaders=[Utilities, Consumer Defensive, Healthcare]
             laggards=[Technology, Consumer Cyclical, Industrials, Financial]

评分算法:

  1. 按 ratio 降序,取前 n//2 + 1 为 top_half、后 n//2 为 bottom_half;
  2. 领涨命中率(预期领涨落在上半区)权重 0.4;
  3. 落后命中率(预期落后落在下半区)权重 0.3;
  4. 趋势对齐率(领涨板块 Trend=up 且落后板块 Trend=down)权重 0.3;
  5. 各阶段得分 round(total*100, 1),取最高者为 phase。

置信度由**第一名与第二名的分差(gap)**决定:

gap confidence
> 20 high
> 10 moderate
其余 low

这个设计有一个可推断的副作用:当多个阶段得分接近时,confidence 会自动降级为 low,从而在输出层面就提醒读者"这次定位不硬"。这与文档中的概率标尺形成互补——一个管结论强弱,一个管情景概率。

9.5 数据新鲜度校验

check_freshness() 只做一件事:从 uptrend_ratio_timeseries.csv 的 date 列取 max(),与 date.today() 相减,days_old > 5 即产生 Data is N days old (latest: YYYY-MM-DD) 告警。三个细节值得注意:

  • 非致命:抓取失败(URLError/OSError)或解析失败一律返回 None,不打 ERROR 日志,主流程继续。测试用例 test_no_error_log_on_fetch_failure 专门断言 stderr 中不出现 ERROR。
  • 顺序无关:max(dates) 而非"取最后一行",测试 test_order_independent 覆盖了乱序输入。
  • 告警进入正文:format_human() 会把告警渲染成 > **WARNING**: ... 的引用块,或渲染成 > Data as of: <date>,因此新鲜度信息会随报告一起被保存。

十、输出结构与下游集成

10.1 两种输出形态

format_human() 生成的 Markdown 依次包含:# Sector Rotation Analysis — <date>、新鲜度引用块、## Risk Regime、## Cycle Phase Estimate(含各阶段分数与 ← 标记最优阶段)、## Sector Ranking (by uptrend ratio) 表格(Rank/Sector/Ratio/Trend/Status)、## Trend Summary、## Overbought / Oversold(仅在存在时输出)、以及 *Generated: ...* 页脚。

format_json() 则输出七个顶层键:meta(generated_at/date/freshness)、groups、cycle_phase、ranking、overbought、oversold、trends。JSON 形态是给程序消费的——例如 exposure-coach 就把 sector-analyst 的 sector_*.json 作为 --sector 输入之一,edge-signal-aggregator 则声明读取 reports/sector_analyst_*.json。

10.2 命名不一致:接入时必须注意

三处命名并不统一,从源码与文档可以确认:

来源 命名
示例版 SKILL(本文主文档) sector_analysis_YYYY-MM-DD.md
主版本脚本 --save sector_rotation_YYYY-MM-DD.md / .json(由 ext 决定)
下游技能(exposure-coach / edge-signal-aggregator) sector_*.json / sector_analyst_*.json

也就是说,若要让脚本产物被下游技能直接识别,需要自行对齐文件名(例如保存后按下游约定命名),而不能指望默认输出名天然匹配。这是仓库当前状态的客观事实,而不是设计意图的推断。

10.3 在 weekly-trade-strategy 流程中的位置

示例工程的 CLAUDE.md 把 sector-analyst 分配给 technical-market-analyst 代理的技能清单("スキル: technical-analyst, breadth-chart-analyst, sector-analyst"),并在 Step 0 的图表准备清单中要求放入 "セクターパフォーマンス (1週間)"、"セクターパフォーマンス (1ヶ月)"、"インダストリーパフォーマンス (上位/下位)" 三类图,正好对应本文第二节的三张样例输入。

代理侧的调用协议写在 technical-market-analyst.md:当图表类型是"板块轮动/相对强弱/板块领导性"时,用 Skill(sector-analyst) 显式调用,并要求声明"为什么这个技能最适合当前图表"。这条协议把技能选择从隐式猜测变成了可审计的一步。

在仓库级工作流中,sector-analyst 是 multi-asset-opportunity-daily 的 optional_skills 之一(同列表还有 market-news-analyst、market-environment-analysis、scenario-analyzer、stanley-druckenmiller-investment),定位为"主题/板块层面的机会扫描补充",而非必需步骤。

十一、可验证性:测试固定了哪些行为

主版本的测试目录 scripts/tests 包含 conftest.py、helpers.py 与 test_analyze_sector_rotation.py。conftest.py 把 scripts/ 与 tests/ 同时插入 sys.path,因此测试可以 import analyze_sector_rotation 并 from helpers import ...。

helpers.py 提供三个"周期剧本工厂",这是理解评分器行为最直观的入口:

  • make_early_cycle_scenario():周期组 0.35/Up/+0.010,其余 0.10/Down/-0.005;
  • make_late_cycle_scenario():Energy 与 Basic Materials 0.40/Up/+0.012,Technology 与 Consumer Cyclical 0.10/Down/-0.008,其余 0.20;
  • make_recession_scenario():Utilities/Healthcare/Consumer Defensive 0.40,其余 0.08/Down。

关键断言包括:

测试类 断言的关键行为
TestParseSectorRows 10MA 列被正确读入 ma_10;缺失/非数值 Ratio、空 Sector 均跳过;11 个板块全集可解析
TestValidateColumns 缺 Sector 抛 ValueError(消息含 "Sector");缺可选列仅 WARNING;空行不报错
TestAnalyzeGroups 全 0.20 时 difference≈0 且 regime=balanced;周期高/防御低时进入 risk-on 档;防御高时进入 defensive tilt/strong risk-off;后段剧本触发 late_cycle_flag=True;分数恒在 0–100;Technology 0.45 与 Industrials 0.05 的组合触发 divergence_flag
TestOverboughtOversold 0.40 触发超买、0.05 触发超卖、0.20 不触发、恰好 0.37/0.097 不触发
TestEstimateCyclePhase 三个剧本分别判为 early / late / recession;清晰剧本置信度为 high 或 moderate;scores 含四阶段键;evidence 非空
TestCheckFreshness 昨日数据 is_fresh=True;10 天前数据 is_fresh=False 且有 warning;抓取失败返回 None 且不打 ERROR;乱序输入仍取最大日期;空时序返回 None
TestFetchCsv mock 成功解析;URLError 触发 SystemExit;仅表头的 CSV 返回空列表

这些用例的价值在于:它们把"阈值、边界、降级路径"三类最容易在迭代中被悄悄改坏的行为固定下来。若你修改分组名单或阈值,测试会立刻反馈。

需要说明的是,skills-index.yaml 中 sector-analyst 的 verification 各字段当前标注为 not_verified(instruction_contract、unit_tests、workflow_contract 等),而 status 为 production、category 为 market-regime、operational_role.type 为 workflow_step、timeframe 为 weekly。质量看板 quality-dashboard.md 则记录了该技能的测试覆盖率数字。两者的口径差异说明:测试存在且在运行,但"验证状态"是独立的人工/流程元数据,不应混为一谈。

十二、使用边界与常见误用

  1. 它不是买卖信号。文档全篇只允许"概率区间 + 情景",且明确 "No Absolutes"。任何把 strong risk-on 直接翻译成加仓指令的用法,都超出了技能定义。
  2. 单周数据不足以翻转结论。知识库强调轮动以月为单位发生,因此 1 周与 1 个月出现背离时,正确动作是降低置信度,而不是立刻切换情景。
  3. 相对表现不等于绝对收益。"Relative Performance: Focus on relative strength, not absolute returns"——一个板块 ratio 高只代表其内部上升趋势成分占比高,不代表价格一定上涨。
  4. 数据新鲜度必须写进报告。脚本的 5 天阈值告警会渲染进正文,若在 Step 3 中忽略它,整份分析的时间有效性就无法评估。
  5. 图像分析存在主观性。示例版的输入是截图,读数依赖模型对图表的识别;主版本的 CSV 路径提供了可复现的替代方案,两者结论若冲突,应优先采信有明确数据来源的一方,并在 Contradictory Signals 中记录差异。
  6. 命名与路径要对齐。如第 10.2 节所述,默认保存名与下游期望名不同,接入工作流时需显式处理。

十三、快速上手清单

  • 想跑图像版流程:按 SKILL.md 的 Step 1–5 执行;准备 1 周与 1 个月的板块图 + 领涨/落后行业图;产出 sector_analysis_YYYY-MM-DD.md;概率四档、总和≈100%。
  • 想跑可复现版:cd skills/sector-analyst && python3 scripts/analyze_sector_rotation.py --save --output-dir reports/,把生成的 Markdown 作为 Step 1 的观察底稿,再叠加 Step 2–5 的定性判断。
  • 想接入自动化:用 --json 取得结构化结果,交给 exposure-coach 或 edge-signal-aggregator,并注意文件名对齐。
  • 想扩展知识库:直接编辑 sector_rotation.md;若要同步改变脚本判据,则需同时修改 CYCLE_PHASES、分组常量与阈值,并补充/调整 测试。

一句话总结:这个技能真正的产出不是"哪个板块会涨",而是一份结构固定、概率受限、证据与反证并列、可被后续数据证伪的板块分析文档。理解了这一点,你就能既用好它的模板,也不越过它的边界。

登录后查看全文
claude-trading-skills