Detect Fed Unamortized Discount Pattern

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

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。

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

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。

方法論: references/methodology.md

• 形狀比對方法（相關係數、DTW、形狀特徵）
• 正規化與窗口對齊
• 相似度分數計算
• 交叉驗證邏輯

資料來源: references/data-sources.md

• FRED 系列代碼清單
• 資料頻率與延遲
• 公開替代資料說明

指標機制: references/wudsho-mechanism.md

• WUDSHO 的成因與解讀
• 利率效果 vs. 壓力效果
• 常見誤讀與反證

輸入參數: references/input-schema.md

• 完整參數定義
• 預設值與建議範圍

核心參數

相似度參數

交叉驗證參數

完整參數定義見 references/input-schema.md。

完整輸出結構見 templates/output-json.md。

• 形狀相似度分數（pattern_similarity_score）
• 最佳匹配的歷史片段（baseline、segment_start/end）
• 多維度相似度（corr、dtw、feature_sim）
• 壓力驗證分數（stress_confirmation_score）
• 各驗證指標詳情（名稱、訊號、z-score）
• 合成風險分數（composite_risk_score）
• 解讀框架（summary、what_to_watch、rebuttal）
• 資料品質說明與風險警語（caveats）

視覺化輸出（使用 visualize_pattern.py，Bloomberg 風格）：

• 形狀比對與壓力儀表板圖（fed_unamortized_discount_pattern_YYYY-MM-DD.png）
  • 上左：近期 vs. 歷史基準窗口的正規化形狀比對
  • 上右：相似度分數面板（corr、DTW、feature_sim、綜合風險）
  • 下左：壓力驗證指標水平條圖（Z-Score）
  • 下右：解讀說明（訊號統計、結論）
• 歷史走勢總覽圖（fed_unamortized_discount_history_YYYY-MM-DD.png）
  • 完整 WUDSHO 歷史走勢
  • 歷史基準窗口標記（COVID_2020、GFC_2008、TAPER_2013、RATE_HIKE_2022）
  • 近期窗口與最佳匹配片段高亮
  • 最新值標註