# Macro Event Analysis

> 对关税政策、央行加息/降息、地缘冲突、大选、汇率剧变、大宗商品冲击等宏观事件进行六步结构化深度分析，输出机构级投研框架报告。当用户提到宏观事件分析、宏观冲击、关税影响、央行决议、地缘冲突、汇率变动、大宗商品冲击、情景推演、宏观交易时使用此技能。

- Skill: `wanxingai/macro-event-analysis` (Agent Skill)
- Install (CLI): `npx skillmds@latest add wanxingai/macro-event-analysis`
- Raw SKILL.md: https://api.skillmd.com/api/skills/wanxingai/macro-event-analysis/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: wanxingai (https://skillmd.com/u/wanxingai)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/wanxingai/macro-event-analysis

---


# 宏观事件分析 Skill

## 定位

对重大宏观事件进行六步结构化深度分析，输出机构级投研框架报告，帮助投资者快速理解事件影响、推演传导路径、制定交易策略。

## 适用场景

- 重大宏观事件发生后，需要快速梳理市场影响和交易应对
- 系统推演一个宏观冲击的传导路径（如：关税升级会如何影响A股、美债、人民币）
- 对比历史上的类似事件，找到可参照的资产表现规律
- 对某个宏观场景进行情景推演，评估基准/乐观/悲观三种路径的概率和资产方向
- 将宏观判断落地成具体的交易组合和止损规则

## 触发方式

- `[事件描述] 宏观事件分析`
- `分析 [事件] 对市场的影响`
- `@skill://macro-event-analysis [事件描述]`

**参数说明：**
- **宏观事件描述**：必填，如"美联储意外加息50bp"、"中美关税升至145%"、"俄乌停火谈判"
- **关注的资产类别**：选填，如"A股、人民币、黄金"；不填则覆盖主要大类资产
- **地域范围**：选填，如"重点看中国市场"；不填则全球视角

## 数据来源

yiyanxuangu MCP、万行新闻（太一数据/万行数据MCP）

## 输出要求

**输出格式**：Markdown (.md)
**文件命名**：`[事件简称]_宏观分析_[YYYYMMDD].md`

## 报告框架（6模块）

### 模块1：关键变量

> 驱动事件演化的 3-7 个核心变量，含当前读数与关键阈值

**表格格式：**

| 变量名称 | 当前读数 | 关键阈值 | 变量含义 | 数据来源 |
|---------|---------|---------|---------|---------|
| [变量1] | [数值] | [阈值] | [说明该变量如何影响事件演化] | [来源] |
| [变量2] | [数值] | [阈值] | [说明] | [来源] |
| ... | ... | ... | ... | ... |

**要求：**
- 每个变量必须有明确的"当前读数"（具体数值或状态）
- 标注"关键阈值"（突破该阈值将触发事件方向变化）
- 变量应覆盖：政策变量、市场变量、情绪变量、基本面变量

---

### 模块2：传导路径

> 从事件冲击到资产定价的因果链，标注传导时滞与放大/衰减机制

**格式要求：**
- 使用箭头图展示传导链条：`事件冲击 → 中间变量1 → 中间变量2 → 资产价格`
- 每个环节标注：
  - **传导时滞**：即时/1-3天/1-4周/1-3月/3月以上
  - **放大/衰减机制**：如"杠杆效应放大"、"市场预期提前消化衰减"
- 区分直接传导和间接传导

**示例：**
```
关税升级 → 出口企业盈利预期下调（1-4周） → A股出口链估值下修（即时）
                    ↓
              人民币贬值压力（1-3天） → 外资流出（1-4周） → A股整体承压
                    ↓
              避险情绪升温（即时） → 黄金上涨（即时） → 美债收益率下行（1-3天）
```

---

### 模块3：历史类似案例

> 2-4 个可比历史案例，含量化资产回报数据与本次异同分析

**表格格式：**

| 案例 | 时间 | 事件描述 | 持续时间 | A股表现 | 汇率表现 | 黄金表现 | 美债表现 | 与本次异同 |
|------|------|---------|---------|---------|---------|---------|---------|-----------|
| [案例1] | [时间] | [简述] | [X天/月] | [涨跌幅] | [涨跌幅] | [涨跌幅] | [涨跌幅] | [相同点/不同点] |
| [案例2] | ... | ... | ... | ... | ... | ... | ... | ... |

**要求：**
- 每个案例必须有量化的资产回报数据（事件后1周/1月/3月）
- 明确标注"与本次异同"（宏观环境、政策空间、市场结构的差异）
- 优先选择近10年内的案例（宏观框架更可比）

---

### 模块4：情景推演

> 基准/乐观/悲观三情景及概率权重，各情景下主要资产的方向判断

**表格格式：**

| 情景 | 概率 | 触发条件 | 核心假设 | A股方向 | 汇率方向 | 黄金方向 | 美债方向 | 商品方向 |
|------|------|---------|---------|---------|---------|---------|---------|---------|
| 乐观 | X% | [条件] | [假设] | [上涨/下跌/震荡] | [升值/贬值] | [上涨/下跌] | [收益率上行/下行] | [上涨/下跌] |
| 基准 | X% | [条件] | [假设] | ... | ... | ... | ... | ... |
| 悲观 | X% | [条件] | [假设] | ... | ... | ... | ... | ... |

**要求：**
- 三个情景概率之和为100%
- 每个情景必须有明确的"触发条件"（什么情况下会进入该情景）
- 资产方向判断需具体（如"沪深300下跌5-10%"而非简单"下跌"）
- 标注各情景的时间窗口（如"未来1-3个月"）

---

### 模块5：交易表达

> 可执行的交易组合，含标的、方向、仓位比例、入场条件与止损

**表格格式：**

| 交易编号 | 标的 | 方向 | 仓位比例 | 入场条件 | 目标价位 | 止损价位 | 持有周期 | 逻辑 |
|---------|------|------|---------|---------|---------|---------|---------|------|
| Trade 1 | [具体标的] | 多/空 | X% | [什么条件下入场] | [目标] | [止损] | [X天/周] | [交易逻辑] |
| Trade 2 | ... | ... | ... | ... | ... | ... | ... | ... |

**要求：**
- 交易标的必须具体（如"沪深300ETF(510300)"而非"A股"）
- 仓位比例建议（基于风险平价或凯利公式思路）
- 入场条件必须可量化（如"沪深300跌破3500点"而非"市场大跌时"）
- 止损必须明确（具体点位或百分比）
- 区分核心交易（高确定性）和卫星交易（高弹性）

---

### 模块6：失效条件

> 3-5 个可量化的框架失效信号，附止损/退出规则

**表格格式：**

| 失效信号 | 量化阈值 | 含义 | 应对措施 |
|---------|---------|------|---------|
| [信号1] | [具体数值] | [说明该信号为何意味着框架失效] | [平仓/减仓/对冲/反转] |
| [信号2] | [具体数值] | ... | ... |
| ... | ... | ... | ... |

**要求：**
- 失效信号必须可量化（如"10年期美债收益率突破5%"而非"利率大幅上升"）
- 明确应对措施（不是"观察"，而是具体的操作指令）
- 覆盖：政策转向信号、市场结构变化、流动性枯竭、黑天鹅事件

---

## 执行步骤（6步法）

### Step 1: 事件锚定与信息收集

```python
1. 解析用户输入的宏观事件描述
2. 确定事件类型：
   - 关税/贸易政策
   - 央行货币政策（加息/降息/QE/QT）
   - 地缘冲突/战争
   - 大选/政治事件
   - 汇率剧变
   - 大宗商品冲击（油价暴涨/暴跌）
   - 其他（疫情、自然灾害、技术封锁等）

3. 多维度信息收集（至少6轮搜索）：
   - 事件本身：web_search(query="[事件] 最新进展 详情 2026", count=10, freshness="oneweek")
   - 市场反应：web_search(query="[事件] 市场影响 股市 债市 汇率 2026", count=10, freshness="oneweek")
   - 历史案例：web_search(query="[事件类型] 历史类似事件 资产表现 回顾", count=10, freshness="nolimit")
   - 机构观点：web_search(query="[事件] 券商 投行 分析师 点评 展望", count=10, freshness="oneweek")
   - 政策应对：web_search(query="[事件] 政策应对 政府 央行 回应", count=10, freshness="oneweek")
   - 数据验证：web_search(query="[事件相关经济指标] 最新数据 GDP CPI 就业", count=10, freshness="onemonth")

4. 数据源轮换：万行数据 和 太一数据 交替使用
```

### Step 2: 关键变量识别

```python
从搜索结果中提取3-7个核心变量：
1. 政策变量：关税税率、利率水平、财政刺激规模等
2. 市场变量：汇率、股指、债券收益率、商品价格等
3. 情绪变量：VIX指数、资金流向、期权隐含波动率等
4. 基本面变量：GDP增速、CPI、就业数据、企业盈利等

对每个变量：
- 查找当前读数（最新数据）
- 确定关键阈值（历史经验或市场共识）
- 说明变量如何影响事件演化
```

### Step 3: 传导路径构建

```python
构建从事件到资产的因果链：
1. 直接传导：事件→第一层影响（如关税→出口企业盈利）
2. 间接传导：第一层→第二层→资产价格（如盈利→估值→股价）
3. 反馈回路：资产价格→实体经济→事件演化（如股市下跌→消费萎缩→经济放缓）

标注每个环节：
- 传导时滞（即时/短/中/长）
- 放大/衰减机制（杠杆、预期、流动性等）
```

### Step 4: 历史案例对比

```python
搜索2-4个可比历史案例：
1. 确定筛选标准：事件类型相似、宏观环境可比、数据可得
2. 收集各案例的资产表现数据：
   - 事件后1周/1月/3月/6月的资产回报
   - A股、汇率、黄金、美债、原油
3. 分析异同：
   - 相同点：传导机制、市场反应模式
   - 不同点：政策空间、估值起点、全球环境
```

### Step 5: 情景推演与概率赋值

```python
构建三情景框架：
1. 乐观情景（X%概率）：事件缓和/政策超预期/市场快速消化
2. 基准情景（Y%概率）：事件按当前路径演化/市场逐步定价
3. 悲观情景（Z%概率）：事件升级/政策失误/市场恐慌

概率赋值原则：
- 基于当前信息和历史经验
- 三个概率之和为100%
- 基准情景通常概率最高（50-60%）

各情景下资产方向判断：
- 必须具体（涨跌幅区间而非简单方向）
- 区分短期（1-4周）和中期（1-3月）
```

### Step 6: 交易表达与失效条件

```python
1. 交易表达：
   - 核心交易（高确定性）：1-2个，仓位30-50%
   - 卫星交易（高弹性）：2-3个，仓位10-20%
   - 每个交易必须包含：标的、方向、仓位、入场、目标、止损、周期

2. 失效条件：
   - 3-5个可量化信号
   - 每个信号对应明确的应对措施
   - 覆盖政策、市场、流动性、黑天鹅等维度
```

## 质量红线

1. **数据必须可验证**：所有引用的数据（汇率、利率、股指等）必须有明确来源和时间点
2. **历史案例必须量化**：不能只说"历史上类似事件后股市上涨"，必须给出具体涨跌幅和时间窗口
3. **情景概率必须合理**：不能随意赋值，需基于当前信息和历史经验说明理由
4. **交易表达必须可执行**：标的具体、入场条件可量化、止损明确，不能是模糊建议
5. **失效条件必须可监测**：信号必须可量化，不能是"市场情绪恶化"等主观判断
6. **传导路径必须有逻辑**：每个环节必须有经济学逻辑支撑，不能跳跃

## 踩坑经验

- 宏观事件搜索时，事件名称可能有多种表述（如"中美贸易战"vs"中美关税冲突"），需尝试多种关键词
- 历史案例数据可能分散在不同来源，需交叉验证（如A股表现可同时查上证指数和沪深300）
- 机构观点可能有偏向性（多头/空头），需平衡呈现，不可只引用单方观点
- 汇率和利率数据需注意标价方式（如USD/CNY vs CNY/USD方向相反）
- 情景推演的概率赋值需动态调整，报告中应注明"基于当前信息，概率可能随事件演化调整"
- 交易表达中的仓位比例需考虑用户实际风险承受能力，建议给出范围而非固定值