forecast-sector-relative-return-from-yield-spread

<essential_principles>

美國公債利差（Yield Spread）作為領先指標：

spread_t = short_yield_t - long_yield_t
         = US02Y_t - US10Y_t

spread 越高：短端相對更高（曲線更倒掛/更緊） spread 越低（或從負回到 0、轉正）：曲線「回正/變陡」

此 spread 被認為領先反映：

• 經濟週期預期（倒掛 → 衰退預期）
• 風險偏好轉換（曲線變陡 → 風險偏好回升）

相對強弱比率（Ratio）：

ratio_t = risk_asset_t / defensive_asset_t
        = QQQ_t / XLV_t

ratio 上升：成長股（Nasdaq）相對更強 ratio 下降：防禦股（Healthcare）相對更強（XLV 跑贏）

預測目標為「未來 H 個月的對數相對報酬」：

future_rel_return = log(ratio(t+H) / ratio(t))

正值 → Nasdaq 跑贏，負值 → XLV 跑贏

圖表的時間對齊邏輯：

• 把 spread 往前平移 lead_months 個月
• 目標是檢查：spread(t) 是否能解釋 ratio(t + H)

工程化寫法：

X = spread(t)
Y = future_rel_return(t, H) = log(ratio(t+H) / ratio(t))

然後做相關性/迴歸/交叉相關掃描來找「最佳領先期」。

避免直接用 ratio 水平做迴歸（有趨勢/非平穩問題），改用對數報酬。

需回答三件事：

1. 是否真的存在穩定領先關係？

   • 掃描多個 lead（6, 12, 18, 24, 30 個月）
   • 看哪個 lead 下 corr(spread, future_rel_return) 最穩、顯著
   • 跨子樣本驗證（前半段 vs 後半段）

2. 目前情境對應的預測方向

   • 最近 spread 水準、變化率
   • 模型預測 E[future_rel_return]
   • 分位數區間（如 80% 信心區間）

3. 把預測翻譯成直覺語句

   • 由 future_rel_return 轉回百分比：exp(future_rel_return) - 1
   • 「未來 24 個月 XLV 相對 QQQ 勝率 X%、中位數報酬 Y%」

• 頻率選擇：週頻（weekly）降低雜訊，建議 1wk
• 平滑視窗：可選 13 週或 26 週移動平均
• 回測長度：至少涵蓋 1-2 次完整景氣循環（如 2007-present）

殖利率來源：FRED（DGS2, DGS10） 資產價格來源：Yahoo Finance（QQQ, XLV）

</essential_principles>

1. 數據整合：取得殖利率（FRED）與資產價格（yfinance）
2. 利差計算：計算 spread = short_yield - long_yield
3. 相對報酬計算：計算 future_rel_return = log(ratio(t+H) / ratio(t))
4. 領先關係驗證：掃描多個 lead 找最佳相關性與穩定性
5. 情境預測：基於當前 spread 產出未來相對報酬預測區間
6. 輸出報告：驗證結論、預測方向、風險提示

輸出：領先關係驗證、當前預測、區間估計、歷史類比、風險提示。

<quick_start>

最快的方式：執行預設情境分析

cd skills/forecast-sector-relative-return-from-yield-spread
pip install pandas numpy yfinance matplotlib statsmodels requests  # 首次使用
python scripts/spread_forecaster.py --quick

完整分析（含領先掃描與穩定性驗證）

python scripts/spread_forecaster.py \
  --risk-ticker QQQ \
  --defensive-ticker XLV \
  --lead-months 24 \
  --lookback-years 12 \
  --output result.json

生成 Bloomberg 風格視覺化圖表

python scripts/plot_bloomberg_style.py --quick --output output/yield_spread_forecast_$(date +%Y-%m-%d).png

完整版圖表（自訂參數）

python scripts/plot_bloomberg_style.py \
  --lookback-years 18 \
  --lead-months 24 \
  --risk-ticker QQQ \
  --defensive-ticker XLV \
  --output output/yield_spread_analysis.png

輸出範例：

{
  "skill": "forecast_sector_relative_return_from_yield_spread",
  "signal_name": "US02Y_minus_US10Y_leads_QQQ_over_XLV",
  "lead_months": 24,
  "current_spread": -0.35,
  "model": {
    "type": "lagged_regression",
    "alpha": 0.02,
    "beta": -0.45,
    "corr_x_y": -0.32
  },
  "forecast": {
    "future_24m_relative_return_pct": -0.077,
    "interval_pct_80": [-0.22, 0.04],
    "interpretation": "若此關係維持，未來24個月QQQ相對XLV期望報酬為-7.7%，XLV較可能跑贏。"
  }
}

</quick_start>

1. 快速分析 - 使用預設參數（QQQ/XLV, 24 個月領先）計算當前預測
2. 完整分析 - 自訂參數進行領先關係驗證與情境預測
3. 領先掃描 - 掃描多個領先期（6-30 個月）找最佳相關性
4. 視覺化圖表 - 生成利差與相對報酬對齊圖
5. 穩定性驗證 - 檢查領先關係在不同子樣本的一致性
6. 方法論學習 - 了解領先關係邏輯與計算方式

請選擇或直接提供分析參數。