How do I install the Analyze Retail Inverse Etf Allocation skill?

Run npx skillmds@latest add fatfingererr/analyze-retail-inverse-etf-allocation in your terminal (requires Node.js), paste this page's agent-chat prompt into Claude, Cursor, or any MCP-connected agent, or download the SKILL.md file and copy it into your agent's skills directory.

What does the Analyze Retail Inverse Etf Allocation skill do?

以槓桿反向 ETF（做空）相對槓桿正向 ETF（做多）的交易占比，作為散戶風險偏好代理指標，評估 SPX 後續下行風險。 It is listed under Coding & Dev Tools on SkillMD.

Is Analyze Retail Inverse Etf Allocation safe to use?

This skill has not completed SkillMD's automated safety review yet. Capability flags: executes scripts. SkillMD never runs a skill's scripts for you; review the SKILL.md before installing.

Which AI agents work with Analyze Retail Inverse Etf Allocation?

This skill is tagged as working with Claude Code, Claude.ai, OpenAI Codex. SKILL.md is an open format, so most agents that read a skills directory can load it too.

Is Analyze Retail Inverse Etf Allocation free to use?

Yes. Installing skills from SkillMD is free, and the skill stays under its author's original license.

Who published Analyze Retail Inverse Etf Allocation?

fatfingererr (@fatfingererr) published this skill. Their other Agent Skills are listed on their SkillMD profile.

Analyze Retail Inverse Etf Allocation by fatfingererr

Name: Analyze Retail Inverse Etf Allocation
Rating: 4.2 (5 reviews)
Author: fatfingererr

File contents

步驟：

下載反向/正向槓桿 ETF 與基準指數的 OHLCV 資料
計算美元成交量比率（或 AUM proxy）作為做空配置指標
以滾動分位數標準化，偵測極低做空配置事件
找出歷史類比事件，計算前瞻風險統計
產生結論與圖表

不適用情境：

非美股市場（ETF 標的不同）
極短期日內交易擇時
機構級避險策略監控（本指標偏散戶行為）

# 安裝依賴
pip install yfinance pandas numpy matplotlib

# 完整分析（預設參數）
python scripts/inverse_etf_analyzer.py --start 2012-01-01 --end 2026-02-01

# 快速檢查當前狀態
python scripts/inverse_etf_analyzer.py --start 2012-01-01 --end 2026-02-01 --quick

# 自訂 ETF 清單
python scripts/inverse_etf_analyzer.py --start 2012-01-01 --end 2026-02-01 \
  --inverse SPXU SDS SH --long UPRO SSO SPY

完整分析 - 計算做空配置比率、偵測極端值、事件研究、前瞻風險統計
視覺化 - 產生 SPX + 做空配置 + 事件標記圖表
歷史事件對照 - 列出歷史上做空配置極低的事件及後續市場表現
快速檢查 - 僅查看當前做空配置狀態與分位數

等待回應後再繼續。

讀取工作流程後，請完全遵循其步驟。

文件	內容
methodology.md	做空配置比率計算方法、分位數標準化、事件研究框架
data-sources.md	資料來源說明（Yahoo Finance ETF OHLCV）、fallback、授權
input-schema.md	所有輸入參數定義、型別、預設值、驗證規則

Script	Purpose
inverse_etf_analyzer.py	主分析腳本：資料取得、指標計算、事件偵測、風險統計
visualize_allocation.py	視覺化腳本：雙軸圖表生成

文件	內容
sample_output.json	完整分析的 JSON 範例輸出

---name: analyze-retail-inverse-etf-allocationdescription: 以槓桿反向 ETF（做空）相對槓桿正向 ETF（做多）的交易占比，作為散戶風險偏好代理指標，評估 SPX 後續下行風險。--- <essential_principles> **散戶槓桿反向 ETF 做空配置分析核心原則** <principle name="dollar_volume_ratio_as_proxy"> **以美元成交量比率作為散戶做空配置代理** 槓桿 ETF 交易以短線散戶為主，反向群組（SPXU/SDS/SH）的美元成交量占比越低，代表散戶避險/看空參與度越低，市場越自滿（complacency）。公式：`short_alloc = inv_dollar_vol / (inv_dollar_vol + long_dollar_vol)`。 </principle> <principle name="percentile_normalization"> **分位數標準化** 將做空配置比率以滾動分位數標準化（預設回看 260 週 ≈ 5 年），轉為 0~1 的分位數。分位數 ≤ 5% 為「極低做空配置」觸發條件，代表自滿程度極高。 </principle> <principle name="event_study_forward_risk"> **事件研究與前瞻風險評估** 找出歷史上做空配置極低的事件日期，計算每次事件後的前瞻報酬、最大回撤、波動率。彙總命中率（如 63 天內最大回撤 ≤ -8% 的比例）與中位數風險，作為當前風險分布的參考。 </principle> <principle name="analog_matching"> **歷史類比匹配** 取最近 N 次（預設 4 次）歷史觸發事件作為類比案例，比較當前狀態與歷史情境的相似度，評估前瞻下行風險的一致性。 </principle> <principle name="signal_not_timing"> **風險分布訊號，非精準擇時** 此指標反映「散戶自滿程度偏高時，下行風險的條件分布偏差」，不是精準的頂部擇時工具。結論必須附帶 caveat：proxy 可能混入機構對沖/做市流量。 </principle> <principle name="data_transparency"> **資料透明度** 所有資料來源為公開市場行情（Yahoo Finance），使用美元成交量（Close × Volume）重建。若使用 AUM proxy 需額外資料。明確標示資料覆蓋率與 ETF 上市日期限制。 </principle> </essential_principles> <objective> **目標**：量化散戶透過槓桿反向 ETF 的做空參與度，偵測「自滿」極端值，並以事件研究法評估 SPX 後續下行風險。 **步驟**： 1. 下載反向/正向槓桿 ETF 與基準指數的 OHLCV 資料 2. 計算美元成交量比率（或 AUM proxy）作為做空配置指標 3. 以滾動分位數標準化，偵測極低做空配置事件 4. 找出歷史類比事件，計算前瞻風險統計 5. 產生結論與圖表 **不適用情境**： - 非美股市場（ETF 標的不同） - 極短期日內交易擇時 - 機構級避險策略監控（本指標偏散戶行為） </objective> <quick_start> **快速開始** ```bash # 安裝依賴 pip install yfinance pandas numpy matplotlib # 完整分析（預設參數） python scripts/inverse_etf_analyzer.py --start 2012-01-01 --end 2026-02-01 # 快速檢查當前狀態 python scripts/inverse_etf_analyzer.py --start 2012-01-01 --end 2026-02-01 --quick # 自訂 ETF 清單 python scripts/inverse_etf_analyzer.py --start 2012-01-01 --end 2026-02-01 \ --inverse SPXU SDS SH --long UPRO SSO SPY ``` </quick_start> <intake> **您想要執行什麼分析？** 1. **完整分析** - 計算做空配置比率、偵測極端值、事件研究、前瞻風險統計 2. **視覺化** - 產生 SPX + 做空配置 + 事件標記圖表 3. **歷史事件對照** - 列出歷史上做空配置極低的事件及後續市場表現 4. **快速檢查** - 僅查看當前做空配置狀態與分位數 **等待回應後再繼續。** </intake> <routing> | Response | Workflow | Description | |---------------------------------------|-----------------------------------|------------------------------------------| | 1, "完整分析", "full", "analyze" | workflows/analyze.md | 完整分析流程：資料→指標→事件→風險→結論 | | 2, "視覺化", "chart", "visualize" | workflows/visualize.md | 產生圖表：SPX + 做空配置 + 事件標記 | | 3, "歷史", "episodes", "history" | workflows/historical-episodes.md | 歷史事件對照與前瞻表現統計 | | 4, "快速", "quick", "check" | workflows/analyze.md | 快速模式：僅當前狀態 | **讀取工作流程後，請完全遵循其步驟。** </routing> <reference_index> **參考文件** (`references/`) | 文件 | 內容 | |------|------| | methodology.md | 做空配置比率計算方法、分位數標準化、事件研究框架 | | data-sources.md | 資料來源說明（Yahoo Finance ETF OHLCV）、fallback、授權 | | input-schema.md | 所有輸入參數定義、型別、預設值、驗證規則 | </reference_index> <workflows_index> | Workflow | Purpose | |----------|---------| | analyze.md | 完整分析工作流（資料取得→指標計算→事件偵測→風險統計→結論生成） | | visualize.md | 圖表生成工作流（SPX + 做空配置雙軸圖 + 事件垂直線） | | historical-episodes.md | 歷史事件對照工作流（列出過去觸發事件與後續表現） | </workflows_index> <templates_index> | Template | Purpose | |----------|---------| | output-json.md | JSON 輸出模板（程式/儀表板消費） | | output-markdown.md | Markdown 輸出模板（人類閱讀/社群分享） | </templates_index> <scripts_index> | Script | Purpose | |--------|---------| | inverse_etf_analyzer.py | 主分析腳本：資料取得、指標計算、事件偵測、風險統計 | | visualize_allocation.py | 視覺化腳本：雙軸圖表生成 | </scripts_index> <success_criteria> Skill 成功執行時： - [ ] 成功下載所有指定 ETF 的 OHLCV 資料 - [ ] 計算出做空配置比率（short_alloc）與分位數 - [ ] 偵測出歷史觸發事件（若存在） - [ ] 計算每次事件的前瞻風險統計 - [ ] 產生 JSON + Markdown 結論輸出 - [ ] 結論包含 caveat（風險分布訊號，非擇時工具） </success_criteria> <examples_index> **範例輸出** (`examples/`) | 文件 | 內容 | |------|------| | sample_output.json | 完整分析的 JSON 範例輸出 | </examples_index>

Frequently asked questions

Analyze Retail Inverse Etf Allocation