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)
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:
- 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;
- 任务类型:市场周期定位、板块轮动分析、战略性仓位建议;
- 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:
- 板块级表现:哪些板块(Technology、Financials、Consumer Discretionary 等)在跑赢/跑输;
- 行业级表现:具体哪些行业显示强度或弱势;
- 时间窗对比:1 周 vs 1 个月,判断趋势是一致还是背离;
- 变动幅度(Magnitude):相对表现差异有多大;
- 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:
- 明确当前表现最接近哪个周期阶段;
- 列出支持证据(哪些板块/行业印证该判断);
- 记录矛盾信号或异常模式;
- 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:
- Objectivity First——让数据引导结论,而不是让预设引导数据;
- Probabilistic Thinking——用概率区间表达不确定性;
- Multiple Timeframes——1 周与 1 个月互证;
- Relative Performance——看相对强弱,不看绝对收益;
- Breadth Matters——普遍性移动比孤立移动更重要;
- No Absolutes——市场很少严格照教科书走;
- 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:
- 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。 - 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:
- 按
ratio降序,取前n//2 + 1为top_half、后n//2为bottom_half; - 领涨命中率(预期领涨落在上半区)权重 0.4;
- 落后命中率(预期落后落在下半区)权重 0.3;
- 趋势对齐率(领涨板块
Trend=up且落后板块Trend=down)权重 0.3; - 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
- 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。 - 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。
- 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。
- 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。
- 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。 - 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。