sector-analyst

行业分析师

概述

此技能通过获取 TraderMonty 公共 CSV 数据集中的上行比例数据，全面分析行业轮动和市场周期定位。它会对行业进行排名，计算周期性与防御性风险状态评分，识别超买／超卖状况，并估算当前市场周期阶段。图表图片可作为补充，为数据分析提供行业层面的细节。

何时使用此技能

在以下情况下使用此技能：

• 用户请求分析行业轮动（无需图表图片）
• 用户询问周期性与防御性配置
• 用户想了解哪些行业处于超买或超卖状态
• 用户请求估算市场周期阶段
• 用户提供行业表现图表，以供补充分析
• 用户请求基于行业的情景分析或预测

用户请求示例：

• “进行行业轮动分析”
• “哪些行业表现领先——周期性还是防御性行业？”
• “目前有行业处于超买状态吗？”
• “我们处于市场周期的哪个阶段？”
• “分析这些行业表现图表，并告诉我目前处于市场周期的哪个阶段”

前提条件

• Python 3.8+，并安装 requests 库（用于获取 CSV）
• 无需 API 密钥——数据从公开的 GitHub 仓库获取
• 可选：行业表现图表图片，用于补充分析

数据来源

行业上行比例数据从 TraderMonty 的公开 GitHub 仓库获取（无需 API 密钥）：

• 行业摘要：sector_summary.csv——每个行业的上行比例、趋势、斜率和状态
• 数据时效性检查：uptrend_ratio_timeseries.csv——使用 max(date) 验证数据是否为最新

运行脚本

# Default: fetch CSV, print human-readable analysis
python3 scripts/analyze_sector_rotation.py

# JSON output
python3 scripts/analyze_sector_rotation.py --json

# Save to file
python3 scripts/analyze_sector_rotation.py --save --output-dir reports/

分析工作流

按以下结构化工作流进行：

第 1 步：收集 CSV 数据

1. 运行分析脚本：python3 scripts/analyze_sector_rotation.py
2. 从输出中提取：
   • 按上行比例排列的行业排名
   • 风险状态（周期性与防御性）及评分
   • 超买／超卖行业
   • 周期阶段估计和置信度
3. 如果出现数据时效性警告，请在分析中注明

第 2 步：评估市场周期

将脚本给出的周期阶段估计作为起点：

• 阅读 references/sector_rotation.md，了解市场周期和行业轮动框架
• 将脚本的定量分析结果与各周期阶段的预期模式进行比较：
  • 周期初期复苏
  • 周期中期扩张
  • 周期后期
  • 衰退
• 结合知识库进行定性解读

如果提供了图表图片，可将其作为补充，分析行业层面的细节：

• 从图表图片中提取行业层面的表现数据
• 比较 1 周与 1 个月的表现，判断趋势是否一致
• 指出行业中表现强劲或疲弱的具体细分行业

第 3 步：分析当前情况

综合各项观察，形成客观评估：

• 说明当前表现最接近哪个市场周期阶段
• 突出支持这一判断的证据（哪些行业／细分行业印证了这一观点）
• 指出相互矛盾的信号或异常模式
• 根据各项信号的一致性评估置信度

使用数据驱动的措辞，并具体引用表现数据。

第 4 步：制定情景

根据行业轮动原理和当前配置，为下一阶段制定 2-4 个可能情景：

对于每个情景：

• 描述市场周期的转变
• 指出可能表现优异的行业
• 指出可能表现落后的行业
• 说明可确认该情景的催化因素或条件
• 分配一个概率（参见 sector_rotation.md 中的概率评估框架）

情景应按可能性从高到低排列，涵盖最可能的情景及其他替代／逆向情景。

步骤 5：生成输出

创建一份结构化的 Markdown 文档，包含以下部分：

必需部分：

1. 执行摘要：用 2-3 句话概述关键发现
2. 当前状况：详细分析当前表现模式及市场周期所处阶段
3. 支持证据：提供具体的行业板块和行业表现数据，支持周期评估
4. 情景分析：列出 2-4 种情景，并附上描述和概率
5. 建议配置：根据情景概率提出战略和战术配置建议
6. 主要风险：指出值得关注的风险或矛盾信号

输出格式

将分析结果保存为 Markdown 文件，命名格式为：sector_analysis_YYYY-MM-DD.md

采用以下结构：

# Sector Performance Analysis - [Date]

## Executive Summary

[2-3 sentences summarizing key findings]

## Current Situation

### Market Cycle Assessment
[Which cycle phase and why]

### Performance Patterns Observed

#### 1-Week Performance
[Analysis of recent performance]

#### 1-Month Performance
[Analysis of medium-term trends]

#### Sector-Level Analysis
[Detailed breakdown by sector]

#### Industry-Level Analysis
[Notable industry-specific observations]

## Supporting Evidence

### Confirming Signals
- [List data points supporting cycle assessment]

### Contradictory Signals
- [List any conflicting indicators]

## Scenario Analysis

### Scenario 1: [Name] (Probability: XX%)
**Description**: [What happens]
**Outperformers**: [Sectors/industries]
**Underperformers**: [Sectors/industries]
**Catalysts**: [What would confirm this scenario]

### Scenario 2: [Name] (Probability: XX%)
[Repeat structure]

[Additional scenarios as appropriate]

## Recommended Positioning

### Strategic Positioning (Medium-term)
[Sector allocation recommendations]

### Tactical Positioning (Short-term)
[Specific adjustments or opportunities]

## Key Risks and Monitoring Points

[What to watch that could invalidate the analysis]

---
*Analysis Date: [Date]*
*Data Period: [Timeframe of charts analyzed]*

关键分析原则

进行分析时：

1. 客观为先：让数据引导结论，而非先入为主
2. 概率思维：通过概率范围表达不确定性
3. 多时间周期：比较 1 周和 1 个月的数据，以确认趋势
4. 相对表现：关注相对强势，而非绝对回报
5. 市场广度很重要：广泛普涨或普跌比个别波动更重要
6. 避免绝对化：市场很少会完全遵循教科书式的模式
7. 历史背景：参考典型的轮动模式，同时承认其独特性

概率指南

根据证据强度应用以下概率范围：

• 70-85%：有多项强有力证据，且不同行业板块和时间周期的数据相互印证
• 50-70%：证据中等，部分信号相互印证，但指标不一致
• 30-50%：证据薄弱，信号有限或相互矛盾
• 15-30%：与当前指标相悖、但仍有可能发生的推测性情景

所有情景的概率总和应约为 100%。

资源

scripts/

• analyze_sector_rotation.py - 获取行业板块 CSV 数据，并生成行业板块排名、风险环境评分、超买/超卖标记和周期阶段估算。无需 API 密钥。

references/

• sector_rotation.md - 全面的知识库，涵盖市场周期阶段、典型行业板块表现模式和概率评估框架

assets/

展示可选图像分析预期输入格式的示例图表：

• sector_performance.jpeg - 行业板块表现图示例（1 周和 1 个月）
• industory_performance_1.jpeg - 行业表现图示例（表现较强者）
• industory_performance_2.jpeg - 行业表现图示例（表现较弱者）

重要说明

• 所有分析思考均应以英语进行
• 输出的 Markdown 文件必须使用英语
• 每次分析都应参考行业板块轮动知识库
• 保持客观，避免确认偏误
• 如果有新数据，应更新概率评估
• 图表为可选项；CSV 数据是主要分析输入
• 该脚本使用与 uptrend-analyzer 相同的行业板块分类，以确保一致性