detect-fed-unamortized-discount-pattern

<essential_principles>

核心認知：把「肉眼類比」轉成可量化的「形狀比對」，但「像」不等於「會發生」：

• 相關係數 (corr)：近期窗口 vs. 基準窗口的線性形狀相似
• 動態時間校正 (DTW)：允許「快一點/慢一點」但形狀相似
• 形狀特徵 (shape_features)：趨勢斜率、拐點結構、波動擴張

輸出「pattern_similarity_score」只回答「像不像」，不回答「會不會發生」。

把「形狀相似」與「壓力驗證」拆開：

1. pattern_similarity_score：只測量形狀相似度
2. stress_confirmation_score：測量交叉驗證指標是否同步惡化
3. composite_risk_score：加權合成，但必須附上「哪些指標支持/反對」

反直覺檢查：

• 若相似度很高，但交叉驗證指標沒有壓力訊號 → 可能只是利率/持有結構/會計攤銷造成的圖形相似
• 若相似度中等，但多數壓力指標同步惡化 → 反而要提高警覺

WUDSHO（Unamortized Discounts）成因：

• 聯準會購買債券時，若買入價低於面值，差額計為「未攤銷折價」
• 利率上升期：市價下跌 → 購入債券折價增加 → WUDSHO 上升
• 利率下降期：市價上升 → 購入債券溢價增加 → WUDSHO 下降

重要：WUDSHO 變動可能反映：

1. 利率環境變化（最常見）
2. 持有債券久期結構
3. 會計攤銷時程
4. 真正的金融壓力（需交叉驗證才能確認）

社群常見的「圖形類比敘事」往往缺乏反證：

• ❌「這條線複製 COVID，60 天內黑天鵝」→ 只有類比，沒有驗證
• ✅ 本技能輸出：「形狀相似度 0.88，但信用利差中性、股市波動偏低 → 不支持系統性壓力假說」

必須輸出的反證項目：

1. 「形狀相似」的替代解釋（利率效果、會計效果）
2. 「壓力指標」的現況（支持/反對風險假說）
3. 「歷史後續」的條件分布（不是預測）

本技能使用 FRED 公開週資料：

• WUDSHO: Fed 持有證券的未攤銷折價
• 交叉驗證指標：信用利差、波動率、短端利差等

必須揭露：

• FRED 週資料可能有 T+1 ~ T+3 延遲
• 部分指標（如窗口工具用量）需要替代代理
• 形狀比對結果受 resample 頻率影響

</essential_principles>

1. 取得目標序列：從 FRED 取得 WUDSHO（或指定序列）的週資料
2. 窗口比對：將近期窗口與歷史基準窗口（如 COVID 2020）做形狀比對
3. 相似度計算：使用相關係數、DTW、形狀特徵等多種方法
4. 交叉驗證：檢查信用利差、波動率、流動性指標是否同步惡化
5. 風險分數合成：輸出可量化的風險分數與反證分析
6. 情境敘事：描述歷史類比後續發展（非預測）

輸出：形狀相似度、壓力驗證分數、合成風險分數、反證分析、情境推演。

<quick_start>

最快的方式：執行完整分析

cd skills/detect-fed-unamortized-discount-pattern
pip install pandas numpy requests scipy matplotlib  # 首次使用
python scripts/pattern_detector.py --quick

輸出：

• output/pattern_analysis_YYYY-MM-DD.json - JSON 結果

完整分析（指定參數）：

python scripts/pattern_detector.py \
  --target_series WUDSHO \
  --baseline_windows "COVID_2020:2020-01-01:2020-06-30" \
  --recent_window_days 120 \
  --output result.json

Bloomberg 風格視覺化（輸出至專案根目錄 output/）：

python scripts/visualize_pattern.py

使用現有分析結果生成圖表：

python scripts/visualize_pattern.py --json output/pattern_analysis_YYYY-MM-DD.json

輸出圖表：

• output/fed_unamortized_discount_pattern_YYYY-MM-DD.png - 形狀比對與壓力儀表板
• output/fed_unamortized_discount_history_YYYY-MM-DD.png - 歷史走勢總覽

</quick_start>

1. 快速檢查（推薦） - 查看目前的形狀相似度與壓力分數
2. 完整分析 - 執行完整的形狀比對與交叉驗證
3. 視覺化分析 - 生成形狀比對圖表
4. 歷史事件對照 - 深入了解歷史基準窗口的後續發展
5. 方法論學習 - 了解形狀比對與交叉驗證的邏輯
6. 自訂參數 - 指定序列、窗口、門檻等參數

請選擇或直接提供分析參數。

路由後，閱讀對應文件並執行。

<directory_structure>

detect-fed-unamortized-discount-pattern/
├── SKILL.md                           # 本文件（路由器）
├── skill.yaml                         # 前端展示元數據
├── manifest.json                      # 技能元數據
├── workflows/
│   ├── execute-analysis.md            # 完整分析工作流
│   ├── visualize-analysis.md          # 視覺化分析工作流
│   └── historical-episodes.md         # 歷史事件對照工作流
├── references/
│   ├── methodology.md                 # 形狀比對與交叉驗證方法論
│   ├── data-sources.md                # 資料來源與 FRED 系列代碼
│   ├── wudsho-mechanism.md            # WUDSHO 指標機制說明
│   └── input-schema.md                # 完整輸入參數定義
├── templates/
│   ├── output-json.md                 # JSON 輸出模板
│   └── output-markdown.md             # Markdown 報告模板
├── scripts/
│   ├── pattern_detector.py            # 主分析腳本
│   ├── visualize_pattern.py           # 視覺化腳本
│   └── fetch_data.py                  # 資料抓取工具
└── examples/
    └── sample_output.json             # 範例輸出

</directory_structure>