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
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.mdto 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:
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:
- 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。 - 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。
- 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。
