前端展示專用（元資料從 manifest.json 讀取）

displayName: 散戶槓桿反向 ETF 做空配置分析 emoji: "\U0001F4C9" authorUrl: https://github.com/fatfingererr/macro-skills

tools:

• claude-code

featured: false installCount: 0

testQuestions:

• question: '目前散戶透過槓桿反向 ETF 的做空配置處於什麼水準？是否處於極低（自滿）狀態？' expectedResult: | 預期輸出包含：

  • 當前做空配置比率（short_alloc）數值
  • 相對過去 ~5 年的分位數
  • 訊號判讀（自滿/中性/避險活躍）
  • 最近 4 次歷史類比事件日期

  範例結論：

  散戶槓桿反向 ETF 做空配置目前為 0.07，處於過去 5 年第 2 百分位（極低）。 歷史上類似低配置後，3 個月內中位數最大回撤為 -9.2%，命中率 3/4。

• question: '歷史上散戶做空配置極低後，SPX 的前瞻下行風險有多大？' expectedResult: | 預期輸出包含：

  • 歷史觸發事件清單（日期、當時做空配置、分位數）
  • 每次事件後 21/63/126 天的前瞻報酬與最大回撤
  • 命中率統計（如 3M MDD ≤ -8% 的比例）
  • 中位數/平均前瞻風險

  事件日期	做空配置	分位數	63天MDD	126天MDD
  2024-xx	0.06	3%	-11%	-14%
  2021-xx	0.08	4%	+1%	-3%

qualityScore: overall: 65 badge: 白銀 metrics: problemFit: 75 correctness: 70 dataGovernance: 65 robustness: 60 maintainability: 65 usability: 65 details: | 任務適配度（75/100） - SKILL.md 有清晰的一句話目標與適用/不適用情境 - workflows/ 覆蓋完整主路徑（分析→視覺化→歷史對照） - input-schema.md 參數定義完整，含預設值與驗證規則 - 指標邏輯有明確的經濟直覺支撐

**正確性（70/100）**
- methodology.md 有完整的公式推導與事件研究框架
- 提供 volume_ratio 與 aum_proxy 兩種方法
- 腳本與方法論吻合
- 可增加更多 golden case 做回歸

**資料治理（65/100）**
- 資料來源明確（Yahoo Finance 公開行情）
- ETF 上市日期限制有記錄
- 缺少 fallback 替代方案
- 無 cross-validate 流程

**穩健性（60/100）**
- 有基本的缺值處理（ETF 歷史太短時動態調整）
- 有 min_gap_between_signals 避免重複觸發
- 缺少 API 錯誤重試機制
- 無降級輸出機制

**可維護性（65/100）**
- manifest.json 有 semver 版本
- 參數集中在 defaultParams
- 模板欄位命名穩定
- 可增加 requirements.txt

**輸出可用性（65/100）**
- Markdown 模板有 TL;DR + 依據 + 風險
- JSON 有 status + confidence + reasons
- 有歷史事件對照
- 可增加更多視覺化說明

bestPractices:

• title: 使用多 ETF 群組而非單一 ETF description: 單一 ETF 的成交量可能受特殊事件影響（如基金清算、做市商調整），使用群組（如 SPXU+SDS+SH）可降低個別 ETF 雜訊。
• title: 搭配其他情緒指標交叉驗證 description: 做空配置僅反映槓桿 ETF 交易行為，建議搭配 VIX、Put/Call Ratio、AAII 調查等指標交叉驗證，避免單一指標偏誤。
• title: 注意 ETF 上市日期限制 description: SPXU/UPRO 於 2009 年上市，SDS/SSO 於 2006 年上市。分析起始日應考慮 ETF 可用性，過早的日期會導致覆蓋率不足。
• title: 風險分布訊號而非擇時工具 description: 此指標反映條件風險分布偏差，不應作為精準進出場依據。低做空配置可能持續數月才觸發修正。

pitfalls:

• title: 誤將交易量等同資產配置 description: 美元成交量比率反映「交易強度」而非「持倉配置」。高頻交易者和做市商的交易量可能扭曲訊號。 consequence: 過度信賴單一 proxy 可能錯判實際散戶避險水準。
• title: 忽略市場結構變遷 description: 槓桿 ETF 市場結構隨時間演變（新 ETF 上市、規模變化、監管調整），歷史分位數的可比性會下降。 consequence: 用 2012 年的分位數門檻直接套用 2026 年可能不適當。
• title: 樣本量不足下過度推論 description: 極低做空配置事件（≤5% 分位）本身就很少，4 次類比的統計顯著性有限。 consequence: 命中率 3/4 聽起來很高，但 N=4 的信賴區間非常寬。

faq:

• question: 為什麼用美元成交量而不是股數成交量？ answer: | 美元成交量（Close × Volume）更能反映實際資金流向。不同 ETF 股價差異大（如 SPY ~$500 vs SH ~$15）， 單純用股數成交量會嚴重偏向低價 ETF。

• question: volume_ratio 和 aum_proxy 有什麼差異？ answer: |

  • volume_ratio：反映「交易偏好」，資料完全公開可重建，但混入做市商/高頻交易
  • aum_proxy：更接近「配置」概念，但需要 Shares Outstanding 資料（通常需付費或手動收集） 建議兩者一致時才給高信心等級。

• question: 為什麼預設用週頻率而非日頻率？ answer: | 週頻率可過濾日內雜訊（如期權到期日的異常成交量），且與多數宏觀指標頻率一致。 若需更即時的監控，可切換為日頻率並調整平滑窗口（smooth_window=20）。

• question: 可以用於非 SPX 的市場嗎？ answer: | 理論上可以，但需要替換 ETF 清單。例如 QQQ 生態系有 SQQQ（反向）和 TQQQ（正向）。 不同市場的槓桿 ETF 流動性差異大，需確認成交量足夠才有統計意義。

about: repository: https://github.com/fatfingererr/macro-skills branch: master additionalInfo: | ## 背景

此 Skill 源自社群觀察：當散戶透過槓桿反向 ETF 的做空參與度極低時，
常伴隨市場自滿情緒，後續出現較大回撤的機率偏高。

## 方法論參考

- 槓桿 ETF 交易行為作為散戶情緒代理（Leveraged ETF flow as retail sentiment proxy）
- 事件研究法（Event Study Methodology）用於前瞻風險評估
- 分位數標準化用於跨時期可比性