板块轮动与市场周期定位实战:claude-trading-skills sector-analyst 的周期框架、评分逻辑与代码实现

原创2026-11-15 18:29:501,915 阅读
文章标签:金融科技AI 技能人工智能数据分析

板块轮动与市场周期定位实战:claude-trading-skills sector-analyst 的周期框架、评分逻辑与代码实现

本篇技术指南以 claude-trading-skills 仓库中 sector-analyst 技能的板块轮动知识库为核心,系统梳理市场周期四阶段的宏观经济特征与板块表现规律、板块三分类与行业级细分、七条分析原则与概率评估框架,并把这份"纸面知识库"与仓库中真实的量化脚本 analyze_sector_rotation.py 逐项对齐。读完后你将掌握:如何把周期判断落成可复现的评分、如何用 uptrend ratio 数据区分 cyclical 与 defensive 风险偏好、以及如何基于相位置信度输出带概率的场景分析报告。

知识库在技能中的位置:从定性框架到定量输出

sector-analyst 的结构非常清晰:<a href="https://link.gitcode.com/i/c7ec17e3ad3982e3176e39ee0a6f871a" target="_blank">sector_rotation.md</a> 提供定性判断的知识底座,<a href="https://link.gitcode.com/i/2cea0ff5ad805ad1cb22537c0481c526" target="_blank">analyze_sector_rotation.py</a> 提供定量计算的执行层,而 <a href="https://link.gitcode.com/i/84c419ac6fddaf78f11930c3af183336" target="_blank">SKILL.md</a> 规定了两者如何在一个五步工作流中汇合。

按照 <a href="https://link.gitcode.com/i/84c419ac6fddaf78f11930c3af183336" target="_blank">SKILL.md</a> 的描述,知识库的调用时机被明确定义在工作流第 2 步:

Read references/sector_rotation.md to access market cycle and sector rotation frameworks

也就是说,脚本先给出"客观读数"(排名、风险区制、超买超卖、相位估计),知识库随后负责"解释与校验"——把量化结果对照四个阶段的典型形态,补充行业级细节,并最终支撑场景概率的赋值。这种"先算后释"的分工,避免了直接用叙事去反推数据。

下图是该技能附带的标准输入格式示例,展示了板块级 1 周与 1 个月表现的分组条形图结构:

板块 1 周与 1 个月表现对比条形图示例,用于 sector-analyst 的可选图像补充分析

市场周期四阶段框架

知识库把经济周期划分为四个主阶段,每个阶段都从宏观经济特征、跑赢板块、跑输板块三个维度描述。这是整份文档的骨架,也是后续所有评分逻辑的理论来源。

阶段一:Early Cycle Recovery(早期复苏)

宏观经济特征:

  • 经济开始从衰退中恢复
  • GDP 增速由负值/低位转为正值并加速
  • 利率仍处低位
  • 央行维持宽松政策
  • 信贷条件开始放松
  • 消费者与企业信心开始改善

跑赢板块:

  • Technology(科技):受益于经济前景改善与资本开支回升
  • Consumer Cyclical / Discretionary(可选消费):消费者信心回归后率先反弹
  • Industrials(工业):经济复苏与资本开支的早期受益者
  • Financials(金融):收益率曲线陡峭化与信贷条件改善带来利好
  • Real Estate(房地产):低利率支撑物业估值

跑输板块:

  • Utilities(公用事业):低增长属性吸引力下降
  • Consumer Defensive / Staples(必需消费):复苏期防御属性被低估
  • Healthcare(医疗保健):稳定增长画像在早期复苏中缺乏弹性

阶段二:Mid Cycle Expansion(中期扩张)

宏观经济特征:

  • GDP 保持强劲增长
  • 企业盈利增长稳健
  • 就业改善加速
  • 利率自低位开始上行
  • 信用利差收窄
  • 通胀仍属温和

跑赢板块:

  • Technology:盈利增长延续
  • Industrials:资本开支与经济 activity 达到峰值区间
  • Consumer Discretionary:消费支出保持强劲
  • Materials(材料):建筑与制造业需求旺盛
  • Energy(能源):经济活动升温推升能源需求

跑输板块:

  • Utilities:利率上行压制估值
  • Consumer Staples:增长加速期更有利于周期暴露
  • Telecommunications(电信):低增长画像缺乏吸引力

阶段三:Late Cycle(周期后段)

宏观经济特征:

  • GDP 增速开始减速但仍为正
  • 利率在高位见顶或进入平台期
  • 通胀压力累积
  • 劳动力市场紧张,工资压力上升
  • 信贷条件开始收紧
  • 经济指标出现放缓迹象

跑赢板块:

  • Energy:受益于通胀与商品价格强势
  • Materials:具备通胀对冲属性
  • Financials:更高利率支撑净息差
  • Healthcare:增长放缓时防御属性变得有吸引力
  • Consumer Staples:不确定性上升时的防御配置

跑输板块:

  • Technology:高估值在高利率下承压
  • Consumer Discretionary:消费者信心走弱
  • Real Estate:高利率压制估值
  • Industrials:资本开支开始放缓

阶段四:Recession(衰退)

宏观经济特征:

  • GDP 收缩(负增长)
  • 失业率上行
  • 央行降息
  • 信用利差显著走阔
  • 企业盈利下滑
  • 消费者与企业信心恶化

跑赢板块:

  • Utilities:防御属性、稳定现金流具备吸引力
  • Consumer Staples:必需品需求保持稳定
  • Healthcare:非可选支出,防御特征明显
  • Telecommunications / Communication Services:收入流稳定

跑输板块:

  • Financials:信用损失与经济压力
  • Consumer Discretionary:可选支出被削减
  • Industrials:资本开支急剧下滑
  • Materials:需求破坏
  • Energy:经济疲弱压制需求
  • Real Estate:经济压力与潜在违约风险

四阶段速查表

阶段 核心宏观特征 典型领涨 典型落后
Early Cycle Recovery GDP 转正、利率低位、信贷放松 Technology、Consumer Cyclical、Industrials、Financials、Real Estate Utilities、Consumer Staples、Healthcare
Mid Cycle Expansion 增长强劲、利率上行、利差收窄 Technology、Industrials、Consumer Discretionary、Materials、Energy Utilities、Consumer Staples、Telecom
Late Cycle 增长减速、利率高位、通胀压力 Energy、Materials、Financials、Healthcare、Consumer Staples Technology、Consumer Discretionary、Real Estate、Industrials
Recession GDP 收缩、失业上行、降息 Utilities、Consumer Staples、Healthcare、Telecom Financials、Consumer Discretionary、Industrials、Materials、Energy、Real Estate

值得注意的是,Healthcare 与 Consumer Staples 在三个阶段都出现在同一侧(Late Cycle 领涨、Early Cycle 落后),而 Technology 则从 Early/Mid 的领涨直接翻转到 Late/Recession 的落后。这两条"稳定轴"和"翻转轴",正是脚本判定相位时最主要的区分信号来源。

板块属性三分法:Cyclical、Defensive 与 Commodity

知识库在四阶段之上又抽取了一层属性分类,这是把定性判断转成单一标量的关键。

知识库的二分法表述

Cyclical Sectors(Early/Mid Cycle 跑赢)

  • Technology
  • Consumer Discretionary
  • Industrials
  • Materials
  • Financials(时点存在差异)
  • Energy(在 Mid/Late Cycle 更强)

Defensive Sectors(Late Cycle / Recession 跑赢)

  • Utilities
  • Consumer Staples
  • Healthcare
  • Communication Services

利率敏感型板块

  • 受益于利率上行:Financials(银行)
  • 受利率上行伤害:Utilities、Real Estate、Technology(高成长)

脚本的三分法实现

从源码结构看,<a href="https://link.gitcode.com/i/8de903e182d3cb837c014229f3ab8bf8" target="_blank">analyze_sector_rotation.py</a> 把 11 个板块划为三组,而不是两组:

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

多出的 Commodity 组(Energy + Basic Materials) 是刻意的设计:这两个板块在周期后段的领涨往往源于通胀与商品价格,而不是"风险偏好上升",如果混入 cyclical 组会污染风险偏好读数。因此脚本把它们单列,并用于单独触发下面会讲到的 late-cycle 惩罚项。

源码注释还说明这套分类"与 uptrend-analyzer 的 sector_rotation_calculator.py (L31-47) 对齐",实测在 <a href="https://link.gitcode.com/i/378f4415780f4d36448f0465b0545ba0" target="_blank">skills/uptrend-analyzer/scripts/calculators/sector_rotation_calculator.py</a> 中确实存在完全相同的三个列表,这保证了两套技能在同一份 CSV 上给出可比的分数。

行业级细分:同一板块内部的温差

知识库特别强调"板块内部行业级表现可以分化",并为六个主要板块给出了内部层级:

Technology

  • Early/Mid Cycle 领跑者:Software、Semiconductors、Hardware
  • Late Cycle / 防御性:IT Services、Enterprise Software(订阅收入模型)

Consumer Discretionary

  • Early/Mid Cycle 领跑者:Auto Manufacturers、Homebuilders、Retail、Leisure
  • 更具韧性:Education、Entertainment(streaming)

Financials

  • Early Cycle:Diversified Banks、Investment Banks
  • Mid/Late Cycle:Insurance、Asset Managers
  • 衰退脆弱:Regional Banks、Consumer Finance

Industrials

  • Early/Mid Cycle:Construction、Machinery、Transportation
  • 更防御:Aerospace & Defense、Waste Management

Healthcare

  • 周期成分:Elective procedures、Medical Devices
  • 防御成分:Pharmaceuticals、Healthcare Plans、Hospitals

Materials

  • Early/Mid Cycle:Construction Materials、Chemicals
  • Late Cycle / 通胀对冲:Precious Metals(Gold、Silver)

这一节解释了为什么 CSV 级别的板块读数只能作为第一层证据。<a href="https://link.gitcode.com/i/84c419ac6fddaf78f11930c3af183336" target="_blank">SKILL.md</a> 因此把图像分析定位为"补充行业级细节"的手段,并要求对比 1 周与 1 个月的持续性:

Extract industry-level performance data from chart images / Compare 1-week vs 1-month performance for trend consistency

在上方的示例图中可以直观看到这种"两层验证"的价值:1 周维度 Technology(+2.21)与 Consumer Cyclical(+1.52)领先、Consumer Defensive(-3.71)垫底,看起来是典型 risk-on;但 1 个月维度 Utilities(+1.97)跃居第二,说明中期资金并未完全放弃防御端。这种"短周期强、中周期不一致"的组合,恰恰是知识库中"Rotation is Gradual"原则的实证。

七条分析原则:从文本规定到代码行为

知识库列出的七条原则不是修辞,每一条都能在脚本或工作流里找到对应落点:

# 原则 含义 代码/流程中的对应
1 No Cycle is Identical 形态会重复,但时点与幅度不同 相位判定使用打分而非硬规则,输出 confidence 而非单一结论
2 Multiple Indicators 板块表现需与经济指标结合 脚本输出 5 类读数(排名、区制、趋势、超买超卖、相位)供交叉验证
3 Rotation is Gradual 周期切换以月计而非以日计 check_freshness() 以 5 天为新鲜度窗口,配合 10MA/Slope 平滑读数
4 Relative Performance 关注相对强度而非绝对收益 ratio 为板块内上升趋势个股占比,天然是相对指标
5 Leading vs Lagging 部分板块领先切换、部分滞后 CYCLE_PHASES 显式区分 leaders 与 laggards
6 Global Factors 国际条件影响板块表现 属于分析者需人工补充的定性输入(脚本不覆盖)
7 Policy Impact 央行与财政政策可加速或延迟轮动 同上,落在场景分析的 catalysts 字段

第 6、7 条是脚本无法自动处理的部分,SKILL.md 因此把 "catalysts or conditions that would confirm this scenario" 作为场景开发的必填项,把政策与国际因素留给分析师显式声明。

概率评估框架

知识库给出的概率分档是整份文档中最具操作性的部分之一:

证据强度 概率区间 判定依据
Strong Evidence 70-85% 多个跨板块的确认性指标
Moderate Evidence 50-70% 存在部分确认信号,但数据混杂
Weak Evidence 30-50% 信号有限或相互冲突
Speculative 15-30% 与当前指标相反但仍有可能

概率赋值需反映四个维度:

  • 板块轮动信号的一致性
  • 表现模式的广度
  • 与经济指标的契合度
  • 历史先例的强度

<a href="https://link.gitcode.com/i/84c419ac6fddaf78f11930c3af183336" target="_blank">SKILL.md</a> 补充了一条硬约束:所有场景的概率之和应约等于 100%。同时规定场景数量为 2-4 个,并按概率从高到低排列,避免只写一个"主 scenario"而失去情景对比的意义。

一个容易忽略的细节是:这套概率分档与脚本的 confidence 字段是两套独立刻度。脚本的 confidence 只衡量"第一名相位领先第二名的分差",而概率分档衡量"证据强度"。二者不可互相替代——高 confidence 的相位估计,仍可能只支撑 60% 的场景概率,因为还需考虑外部政策变量。

可执行的量化管线:脚本做了什么

CLI 与参数

<a href="https://link.gitcode.com/i/364c056cc4bc0904b1439e23a0fe236b" target="_blank">analyze_sector_rotation.py</a> 的入口参数如下:

参数 默认值 作用
--json false 输出 JSON 而非 Markdown
--output-dir reports/ 落盘目录
--save false 是否写入文件
--url SECTOR_CSV_URL 自定义 sector summary CSV 地址
--uptrend-url UPTREND_CSV_URL 自定义新鲜度校验用时间序列 CSV 地址
--timeout 30 HTTP 超时秒数

从仓库根目录执行的三种典型用法:

# 默认:拉取 CSV 并打印人类可读分析
python3 skills/sector-analyst/scripts/analyze_sector_rotation.py

# JSON 输出,便于下游程序消费
python3 skills/sector-analyst/scripts/analyze_sector_rotation.py --json

# 落盘保存到 reports/
python3 skills/sector-analyst/scripts/analyze_sector_rotation.py --save --output-dir reports/

保存时的文件名由 <a href="https://link.gitcode.com/i/e90e3a9b336c92d4112b59995bab3d1f" target="_blank">L735-L744</a> 生成,格式为 sector_rotation_YYYY-MM-DD.md 或 .json——注意它与 SKILL.md 中分析报告命名约定 sector_analysis_YYYY-MM-DD.md 是两个不同用途的文件:前者是脚本原始读数,后者是包含场景分析的最终报告。

脚本只依赖标准库(urllib、csv、json、argparse、dataclasses),<a href="https://link.gitcode.com/i/84c419ac6fddaf78f11930c3af183336" target="_blank">SKILL.md</a> 明确要求 Python 3.9+ 且无需任何 API key,数据源是公开 GitHub 仓库的 CSV。

数据契约与阈值

CSV 必需列与期望列在源码中被显式区分(<a href="https://link.gitcode.com/i/ff4d366992df85e6da0acf3ceba6ce08" target="_blank">L112-L113</a>):

REQUIRED_COLUMNS = {"Sector", "Ratio"}
EXPECTED_COLUMNS = {"Sector", "Ratio", "10MA", "Trend", "Slope", "Status"}

缺必需列会 raise ValueError 并退出;缺可选列只在 stderr 打警告,解析会继续。真实 CSV 的字段形态可参考提供方契约 <a href="https://link.gitcode.com/i/0a7db9322e4c4e09d03b06ad945f74d6" target="_blank">uptrend-sector-summary.v1.json</a>,它把 10MA 与 Slope 标为可空但禁止全空,并要求 Sector、Ratio、Trend、Status 非空。

阈值常量(<a href="https://link.gitcode.com/i/599af5aded7a9209b4c7d987b9339f58" target="_blank">L62-L66</a>):

OVERBOUGHT_THRESHOLD = 0.37
OVERSOLD_THRESHOLD = 0.097
FRESHNESS_MAX_DAYS = 5

这两个阈值来自上游仪表盘的官方设定,<a href="https://link.gitcode.com/i/de85538936bbde4fe27a45205bb001ea" target="_blank">uptrend_methodology.md</a> 记载了同样的 37% / 9.7% 与判定规则。ratio 本身的含义是"该板块内处于上升趋势的个股占比",其计算链为:

ratio = count / total
ma_10 = ratio.rolling(10).mean()
slope = ma_10.diff()
trend = "up" if slope > 0 else "down"

边界语义需要特别注意:判定使用严格不等号。单元测试 <a href="https://link.gitcode.com/i/95fd9232481b0e640382474264ab1bff" target="_blank">test_analyze_sector_rotation.py</a> 专门锁定了这一点——ratio == 0.37 与 ratio == 0.097 均不触发标记。

风险区制评分:从差值与惩罚到 0-100

核心是把 cyclical 均值与 defensive 均值之差映射为分数,_difference_to_score(<a href="https://link.gitcode.com/i/25c247a1d93cc618c988ef293ab86fa6" target="_blank">L566-L580</a>)采用五段线性插值:

差值区间 分数区间 语义
diff > 0.15 90-100 strong risk-on
0.05 < diff ≤ 0.15 70-89 healthy cyclical lead
-0.05 < diff ≤ 0.05 45-69 balanced
-0.15 < diff ≤ -0.05 20-44 defensive tilt
diff ≤ -0.15 0-19 strong risk-off

举例:diff = 0 时得分为 45 + (0 + 0.05)/0.10 × 24 = 57,落在 balanced 区间——注意平衡态的中心值不是 50 而是 57,这是分段线性插值不完全对称的结果。<a href="https://link.gitcode.com/i/8c1b7ebe90e318d5d50fa1d1308a1e69" target="_blank">skills/uptrend-analyzer/scripts/tests/test_sector_rotation_calculator.py</a> 用 _difference_to_score(0.0) == pytest.approx(57.0, abs=1) 把这个值固定了下来。

在基础分之上还有两类修正:

商品修正(late-cycle 惩罚)——若 commodity 均值同时高于 cyclical 与 defensive,则置 late_cycle_flag = True,并按领先幅度扣 5 或 10 分:

if commodity_avg > cyclical_avg and commodity_avg > defensive_avg:
    late_cycle_flag = True
    excess = commodity_avg - max(cyclical_avg, defensive_avg)
    commodity_penalty = -10 if excess > 0.10 else -5

组内分化惩罚——_analyze_group 计算组内标准差、极差、离群点(偏离均值 > 1.5σ)与趋势异见者,任一条件成立(std_dev > 0.08 或 spread > 0.20 或存在趋势异见者)即扣 5 分。最终分数被裁剪到 [0, 100]:

score = round(min(100, max(0, base_score + commodity_penalty + divergence_penalty)))

随后 _score_to_regime(<a href="https://link.gitcode.com/i/1de7056c8aae736b9552f845ada0b057" target="_blank">L583-L594</a>)把分数映射为五个标签:≥90 strong risk-on、≥70 risk-on、≥45 balanced、≥20 defensive tilt、其余 strong risk-off。

这套惩罚机制的意义在于:它让"分数高"变得难以伪造。如果只有 Energy 一枝独秀而 Technology 与 Industrials 背离,即使 cyclical 均值被拉高,分化惩罚也会把分数压回来。

周期相位估计:三因子加权

estimate_cycle_phase(<a href="https://link.gitcode.com/i/9ef7c3222ec61a09e61a1cebd54fd0fb" target="_blank">L327-L405</a>)对四个相位分别打分,权重在 docstring 中写明:

- Leader match in top ranks: weight 0.4
- Laggard match in bottom ranks: weight 0.3
- Trend direction alignment: weight 0.3

具体做法是把板块按 ratio 降序排列,取 n // 2 + 1 为上半区、n // 2 起为下半区,然后对每个相位定义(<a href="https://link.gitcode.com/i/6bb4dde862aa0cf3126f05504266912a" target="_blank">L69-L86</a>):

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"],
    },
}

三因子分别计算:领涨命中率(预期 leaders 有多少落在上半区)、落后命中率(预期 laggards 有多少落在下半区)、趋势一致率(leaders 是否 trend == "up" 且 laggards 是否 trend == "down")。加权求和后乘以 100,得到每个相位的 0-100 分。

置信度由第一名与第二名的分差决定,而不是绝对分数:

分差 confidence
> 20 high
> 10 moderate
其他 low

这个设计很务实:若 early 得 62 分、mid 得 60 分,虽然最高分不低,但相对优势微弱,报告应呈现为 low confidence 而不是"确认早期复苏"。

数据新鲜度:非致命的旁路检查

check_freshness(<a href="https://link.gitcode.com/i/0634b5b68cdf006f6b5c9fab0b9686a2" target="_blank">L174-L211</a>)单独拉取 uptrend_ratio_timeseries.csv,取 date 列的最大值(与行序无关),与 date.today() 相减,超过 FRESHNESS_MAX_DAYS = 5 天就生成警告文本 Data is N days old (latest: YYYY-MM-DD)。

关键设计是失败不致命:任何 URLError 或 OSError 都返回 None,主流程继续,只在 stderr 打印 WARNING: Could not check data freshness (continuing)。测试 test_no_error_log_on_fetch_failure 专门断言此时 stderr 中不得出现 ERROR 字样——新鲜度是辅助信息,不应阻断主分析。

若该字段为 None,人类可读输出会完全省略数据日期行;若有警告,则输出为引用块:

> **WARNING**: Data is 12 days old (latest: 2026-11-03)

输出结构

format_json 产出五个顶层键:meta(含 generated_at、date、freshness)、groups、cycle_phase、ranking、overbought / oversold、trends。format_human 则渲染为四节:Risk Regime、Cycle Phase Estimate、Sector Ranking(表格,列为 Rank/Sector/Ratio/Trend/Status)、Trend Summary,外加可选的 Overbought/Oversold 段落。

知识库与脚本之间的三处口径差异

把文档与源码并读,会发现几处需要分析者主动留意的口径差异。这里只陈述可验证的观察,不作"谁对谁错"的判断:

1. Communication Services 的归属。 知识库把它列为 recession 的跑赢板块("Telecommunications/Communication Services:收入流稳定"),属于防御端;脚本 CYCLICAL_SECTORS 却把它归入周期组,且 recession 相位的 laggards 也未包含它。实践含义是:当 Communication Services 走强时,脚本会把它计为 risk-on 的正向贡献,而知识库的叙事可能指向防御。

2. Real Estate 的归属。 知识库强调低利率支撑估值,将其列为 Early Cycle 跑赢板块;脚本把 Real Estate 放进 DEFENSIVE_SECTORS。若房地产因利率下行而走强,脚本可能读成"防御占优",与"早期复苏"的叙事相左。

3. late 相位的领涨清单。 知识库的 Late Cycle 领涨包含 Energy、Materials、Financials、Healthcare、Consumer Staples;脚本的 late.leaders 只有 Energy、Basic Materials、Healthcare,未含 Financials 与 Consumer Defensive。

这三处差异并不构成缺陷——脚本的分类需要与上游 uptrend-analyzer 保持一致才能保证分数可比(源码注释已声明这一约束),而知识库面向的是更宽的经济逻辑。正确的使用方式是:当这些板块处于关键位置时,在报告的 "Contradictory Signals" 一节显式记录口径差异,而不是让任一方的结论单独成立。

落入工作流:作为可选增强技能

<a href="https://link.gitcode.com/i/dca58bf5f7a49d36a39c866795cf76c3" target="_blank">workflows/multi-asset-opportunity-daily.yaml</a> 把 sector-analyst 列为 optional_skills(与 scenario-analyzer、market-news-analyst 并列),而 macro-regime-detector 是 required_skills。这一定位与知识库的性质相符:板块轮动是解释层与场景层的输入,而非硬性风控闸门。

上游的量化读数已经在 market-regime-daily 工作流中体现。示例产物 <a href="https://link.gitcode.com/i/59012a04a2cd8ec5d692f998d0606eb8" target="_blank">02_uptrend_report.json</a> 显示 sector_rotation 作为五分量之一,权重 0.15:

"sector_rotation": {
  "label": "Sector Rotation",
  "score": 66,
  "weight": 0.15,
  "weighted_contribution": 9.9
}

同一份产物还展示了分化惩罚在下游的表现——active_warnings 中出现 SECTOR DIVERGENCE WARNING,其 description 明确指出"组内部分板块方向相反,均值之下隐藏风险",并给出 -3 的 warning penalty。这与脚本 divergence_penalty = -5 属同一机制在不同聚合层的体现(下游会对总惩罚再做归一化)。这也印证了知识库第 4 条原则"Relative Performance"的延伸:均值会掩盖分化,因此必须看组内离散度。

一次完整实战:从命令到报告

按 <a href="https://link.gitcode.com/i/84c419ac6fddaf78f11930c3af183336" target="_blank">SKILL.md</a> 的五步工作流,可以这样落地:

第 1 步:取数。 执行 python3 skills/sector-analyst/scripts/analyze_sector_rotation.py --json --save --output-dir reports/,从输出中提取四项:ratio 排名、风险区制与分数、超买/超卖名单、相位估计与置信度。若出现新鲜度警告,必须在报告中记录。

第 2 步:对照知识库。 打开 <a href="https://link.gitcode.com/i/c7ec17e3ad3982e3176e39ee0a6f871a" target="_blank">sector_rotation.md</a>,把脚本的相位估计与四阶段预期逐一比对。若同时提供了图表,则补充行业级细节并检查 1 周 / 1 个月一致性。

第 3 步:现状定性。 明确"当前表现最接近哪个阶段"、列出支持证据(哪些板块/行业确认该判断)、标注矛盾信号(例如脚本归组与知识库叙事不一致之处)、基于信号一致性给出置信度评估。

第 4 步:场景开发(2-4 个)。 每个场景必须包含:周期转换描述、跑赢板块、跑输板块、确认该场景的催化剂或条件、以及按概率框架赋予的概率。概率总和约等于 100%。

第 5 步:成文。 按 SKILL.md 规定的固定结构输出,六个必填小节为 Executive Summary、Current Situation、Supporting Evidence、Scenario Analysis、Recommended Positioning、Key Risks。文件名遵循 sector_analysis_YYYY-MM-DD.md。

一个填好的场景骨架如下(结构与概率分档均取自知识库):

### Scenario 1: Late-Cycle Rotation Confirmed (Probability: 60%)
**Description**: Energy/Materials 相对强度延续,cyclical 均值下移但未破位
**Outperformers**: Energy、Basic Materials、Healthcare、Consumer Staples
**Underperformers**: Technology、Consumer Discretionary、Real Estate
**Catalysts**: 商品价格维持强势、利率高位停留、信贷利差走阔

60% 落在 "Moderate Evidence" 区间,对应"部分确认信号但数据混杂"——这与 divergence_flag 为真时"均值可信度下降"的事实相符。

使用边界与自检清单

这套框架有三条硬边界,写在源码与文档中,不应被忽略:

  1. 数据只有 11 个板块、单一时间切片。 summary CSV 是"每板块最新快照",不含历史序列;历史仅通过 10MA 与 Slope 两个派生量间接体现。要做真正的时序对比,需要另取 timeseries CSV。
  2. 相位判定是启发式加权,不是统计模型。 三个权重(0.4/0.3/0.3)与上下半区切分都是经验设定,源码中以 docstring 明示,不存在训练或回测支撑。
  3. 脚本不覆盖全球因素与政策冲击。 知识库第 6、7 条原则必须由分析者手工补入场景的 catalysts 字段,否则报告会显得比现实更确定。

输出前的自检清单:

  • 是否在报告中同时给出了 ratio 排名、区制分数、相位与置信度四项?
  • 新鲜度警告是否被显式记录,而不是被静默丢弃?
  • 若 late_cycle_flag 或 divergence_flag 为真,是否已在 Key Risks 中讨论?
  • 场景概率是否落在知识库的四档区间内,且总和约 100%?
  • Communication Services / Real Estate 的归组差异是否在当前结论中具有实质影响?若有,是否已标注?

小结

sector_rotation.md 提供的是一套可证伪的周期语汇:四个阶段各自的宏观条件、领涨与落后清单、行业级细分、七条原则、四档概率。analyze_sector_rotation.py 则把这套语汇压缩成三个可计算对象——用 _difference_to_score 把 cyclical 与 defensive 的差值变成 0-100 分,用 CYCLE_PHASES 与三因子加权把相位变成可比分数,用 OVERBOUGHT_THRESHOLD / OVERSOLD_THRESHOLD 把个体板块变成可标记的极端读数。

真正的分析价值出现在两者交汇处:脚本负责让结论可复现,知识库负责让结论可解释,而两者的口径差异恰好是需要写进 "Contradictory Signals" 的那部分诚实。沿着 skills/sector-analyst/SKILL.md 的五步流程、以 scripts/tests/ 中的 fixture 场景(early/late/recession)作为行为基准,你可以在不改动仓库任何文件的前提下,把这份知识库稳定地转成一份结构化、带概率、可复核的板块轮动报告。

登录后查看全文
claude-trading-skills