Macro-skills detect-freight-led-inflation-turn

Name: detect-freight-led-inflation-turn
Author: fatfingererr

displayName: 美國貨運概況判斷通膨趨勢

install

source · Clone the upstream repo

git clone https://github.com/fatfingererr/macro-skills

manifest: skills/detect-freight-led-inflation-turn/skill.yaml

source content

displayName: 美國貨運概況判斷通膨趨勢 emoji: "\U0001F69A" authorUrl: https://github.com/fatfingererr/macro-skills

tools:

claude-code

featured: false installCount: 0

testQuestions:

question: '目前美國貨運量是否顯示通膨放緩訊號？' imagePath: images/cass-freight-yoy-cpi-2026-01-23.png expectedResult: | 根據 CASS Freight Index 數據（截至 2025 年 12 月）與視覺化分析：

關鍵數據

┌───────────────────────┬────────┬────────────────────────────┐ │ 指標 │ 數值 │ 狀態 │ ├───────────────────────┼────────┼────────────────────────────┤ │ CASS Shipments YoY │ -7.46% │ 深度負值，連續多月 < 0 │ ├───────────────────────┼────────┼────────────────────────────┤ │ CASS Expenditures YoY │ -0.60% │ 同步轉負 │ ├───────────────────────┼────────┼────────────────────────────┤ │ US CPI YoY │ 2.65% │ 仍在正值但已從 9% 高峰回落 │ └───────────────────────┴────────┴────────────────────────────┘

圖表（freight_cpi_2026-01-23.png）展示 CASS 6M forward 與 CPI 的疊加：
- 灰線（CASS）突出到 2026 年中：最新數據 -7.46% 顯示在 2026-06 位置
- 藍線（CPI）在 2025-12 結束：目前 2.65%
- 歷史驗證：2008、2020 年兩線走勢高度吻合，確認 6 個月領先關係成立
訊號判讀 ┌────────────┬──────────────────────────────────────┐ │ 項目 │ 評估 │ ├────────────┼──────────────────────────────────────┤ │ 訊號 │ Inflation Easing（通膨放緩） │ ├────────────┼──────────────────────────────────────┤ │ 信心水準 │ High │ ├────────────┼──────────────────────────────────────┤ │ 週期位置 │ 處於 24 個月低位區間 │ ├────────────┼──────────────────────────────────────┤ │ 雙指標驗證 │ Shipments 與 Expenditures 同時為負 ✓ │ └────────────┴──────────────────────────────────────┘

宏觀意涵
1. CASS 領先 CPI 約 6 個月 — 歷史關係穩定
2. 目前 CASS 深度負值（-7.46%）反映終端需求疲軟
3. 預期 2026 年 Q1-Q2：CPI 將持續放緩，可能降至 2% 以下
4. 政策面：支持 Fed 維持或轉向寬鬆政策的市場預期
question: '美國貨運量為什麼能預測通膨走勢？' expectedResult: | 貨運量預測通膨的傳導機制
```
貨運量下降
  ↓
終端需求減弱（商品賣不動） 
  ↓
庫存累積、補庫動能下降
  ↓
```
企業定價能力下降（不敢漲價） ↓ CPI 增速放緩

核心邏輯
1. 貨運 = 實體經濟的「先行者」 - 商品從工廠到消費者，必須先經過運輸 - CASS 追蹤的是「即將被消費」的商品量
2. 時間差產生領先性 - 貨運發生在最終銷售之前 - 庫存調整週期約 3-6 個月 - CPI 統計本身有 2-4 週滯後
3. 需求 → 定價能力 - 運量高 → 需求強 → 企業敢漲價 → CPI 上升 - 運量低 → 需求弱 → 企業不敢漲價 → CPI 下降
歷史驗證

┌───────────────┬───────────────┬───────────────────────────┐ │ 時期 │ CASS 先行訊號 │ CPI 跟隨 │ ├───────────────┼───────────────┼───────────────────────────┤ │ 2008 金融危機 │ CASS 先跌 │ CPI 6 個月後跟跌 │ ├───────────────┼───────────────┼───────────────────────────┤ │ 2020 疫情後 │ CASS 先飆升 │ CPI 6 個月後飆升至 9% │ ├───────────────┼───────────────┼───────────────────────────┤ │ 2025 現在 │ CASS -7.46% │ CPI 預計 2026 H1 持續下降 │ └───────────────┴───────────────┴───────────────────────────┘

為什麼是 6 個月？
- 補庫週期：企業從感知需求變化到調整訂單約 2-3 個月
- 價格傳導：成本變化反映到終端售價約 2-3 個月
- 統計滯後：CPI 數據發布比實際消費滯後約 1 個月

qualityScore: overall: 65 badge: 白銀 evaluatedAt: "2026-01-23"

metrics: problemFit: 75 correctness: 70 dataGovernance: 55 robustness: 50 maintainability: 65 usability: 70

metricDetails: problemFit: score: 75 strengths: - 問題定義精準：「偵測通膨是否正在降溫」 - 有完整的 workflows（analyze.md + quick-check.md） - input-schema 清晰無歧義，所有參數有明確說明 - 三層訊號架構（Freight Status → Lead Alignment → Signal Assessment）設計完整 improvements: - SKILL.md 缺少明確的「不適用情境」section（僅在 methodology 提及方法限制） - 缺資料分支處理可更系統化（目前僅在 troubleshooting） - 可增加不同市場的適用性說明

correctness:
  score: 70
  strengths:
    - 有完整的 methodology.md 說明 CASS 與 CPI 領先關係
    - 週期偵測邏輯清晰（YoY < 0, new_cycle_low）
    - 有 historical-episodes.md 驗證方法論（2008, 2015, 2020, 2022）
    - 有 examples/sample_output.json 作為範例
  improvements:
    - methodology 缺乏明確的數學公式（如 rolling window 精確定義）
    - 無法確認腳本是否能產生一致輸出（缺少自動化回測驗證）
    - 可增加更多 golden case（目前僅 1 個範例）

dataGovernance:
  score: 55
  strengths:
    - data-sources.md 完整記錄來源（MacroMicro + FRED）
    - 有 fallback 替代方案（TSI, TRUCKD11）
    - 有快取機制（12 小時有效期）
    - 更新頻率與延遲有明確標註
  improvements:
    - 缺少獨立的 cross-validate.md 交叉驗證流程
    - 無 explore_*.py 數據探索腳本
    - MacroMicro 爬蟲的授權不明確
    - fetch scripts 可能缺少完整的 metadata（timestamp, hash/etag）
    - 多來源比對僅提及但未實作

robustness:
  score: 50
  strengths:
    - 有 troubleshooting section 說明常見問題
    - 有快取策略避免重複請求
    - 有多個 CASS 指標可選擇
  improvements:
    - 缺少獨立的 failure-modes.md
    - 缺值處理策略不明確（drop/ffill/interpolate）
    - 極端值處理不確定
    - 錯誤邊界處理（try-except）不清楚
    - 無明確的降級輸出機制
    - 部分 fetch 機制（重試、限流、超時）需確認

maintainability:
  score: 65
  strengths:
    - 有 manifest.json 含 semantic version（0.1.0）
    - dependencies 完整（python, pandas, numpy, requests, selenium）
    - templates/ 結構穩定（output-json.md + output-markdown.md）
    - 無文件漂移（無重複定義）
    - 模組化腳本設計（fetch, analyze, visualize 分離）
  improvements:
    - 部分參數可能分散（需集中到 CONFIG 區）
    - 初版，實際維護性需長期觀察
    - 可增加更詳細的版本更新記錄

usability:
  score: 70
  strengths:
    - output-markdown.md 有完整的 TL;DR + 依據 + 風險 + 下一步
    - output-json.md 有 status + confidence + reasons + artifacts
    - 有豐富的 historical-episodes.md（4 個歷史案例）
    - 有 visualize_freight_cpi.py 生成 CASS vs CPI 領先性對比圖
    - 有詳細的解讀說明與交易含義
  improvements:
    - 無專門的 backtest/compare 回測功能
    - 視覺化腳本的使用說明可更詳細

details: | 任務適配度（75/100）— 良好 - 問題定義精準，工作流完整 - 待改進：明確「不適用情境」、系統化缺資料分支

**正確性（70/100）— 中等偏高**
- 方法論清晰，有歷史案例驗證
- 待改進：增加數學公式、自動化回測、更多 golden case

**資料治理（55/100）— 待改進**
- 來源記錄完整，有 fallback
- 待改進：增加 cross-validate.md、explore_*.py、授權說明、metadata 追溯

**穩健性（50/100）— 待改進**
- 有基本的 troubleshooting
- 待改進：增加 failure-modes.md、明確缺值/極端值/錯誤處理、降級機制

**可維護性（65/100）— 中等**
- 版本管理、依賴清單完整，結構良好
- 待改進：集中參數配置、長期維護驗證

**輸出可用性（70/100）— 良好**
- 輸出完整可用，有歷史對照與視覺化
- 待改進：增加回測功能

upgradeNotes: targetBadge: 黃金 requirements: - metric: dataGovernance currentScore: 55 targetScore: 70 suggestion: | 1. 新增 workflows/cross-validate.md（多來源比對流程） 2. 新增 scripts/explore_cass_data.py（數據探索） 3. 完善 fetch scripts 的 metadata 輸出（timestamp, hash, version） 4. 澄清 MacroMicro 爬蟲的授權問題 - metric: robustness currentScore: 50 targetScore: 70 suggestion: | 1. 新增 references/failure-modes.md 2. 在 scripts 中明確缺值處理策略（drop/ffill/interpolate） 3. 增加錯誤邊界處理（try-except with logging） 4. 實作降級輸出機制（部分結果可用） - metric: correctness currentScore: 70 targetScore: 80 suggestion: | 1. methodology.md 增加數學公式（LaTeX 或等效） 2. 實作自動化回測腳本（scripts/backtest.py） 3. 增加更多 golden case（至少 3 個） - metric: usability currentScore: 70 targetScore: 80 suggestion: | 1. 新增 scripts/backtest.py（歷史回測功能） 2. 完善 visualize 腳本的使用說明

bestPractices:

title: 使用多個貨運指標交叉驗證 description: TSI、卡車運量、鐵路貨運可能有不同走勢，多指標一致性更可靠
title: 關注週期轉折而非單月波動 description: 單月數據可能受季節或短期因素干擾，應關注 12-18 個月的週期低點
title: 結合 CPI 數據驗證領先性 description: 確認貨運量的轉折確實領先 CPI 轉折，歷史上約 4-6 個月
title: 區分 disinflation 與 deflation description: 貨運量下降預示通膨「放緩」，不等於進入通縮

pitfalls:

title: 過度依賴單一指標 description: 僅看 TSI 可能錯過卡車或鐵路的差異訊號 consequence: 錯誤判斷整體貨運趨勢
title: 忽略結構性變化 description: 電商興起改變貨運結構，疫情後供應鏈重組 consequence: 歷史領先性可能失真
title: 將週期訊號當作趨勢 description: 短期波動不代表通膨趨勢反轉 consequence: 過早判斷通膨見頂或見底
title: 忽略供給側因素 description: 貨運量下降可能是供給受限而非需求減弱 consequence: 錯誤解讀為需求降溫

faq:

question: 貨運量真的能預測通膨嗎？ answer: | 是的，CASS Freight Index 是經濟活動的「先行者」。學術研究和實證顯示：
1. 傳導機制：貨運量下降 → 終端需求減弱 → 企業定價能力下降 → CPI 放緩
2. 歷史驗證：2008 金融危機、2015 製造業衰退、2020 疫情初期，CASS 均領先 CPI 轉折
3. 領先時間：通常約 4-6 個月，但可能因經濟週期而異
question: CASS Freight Index 有哪些指標？ answer: | CASS Freight Index 包含四個指標：
1. Shipments Index：出貨量指數，衡量實體經濟需求強度
2. Expenditures Index：運費支出指數，衡量物流成本壓力
3. Shipments YoY：出貨量年增率，主要分析指標
4. Expenditures YoY：支出年增率，交叉驗證用
本 skill 從 MacroMicro 抓取這四個指標進行分析。
question: 什麼情況下訊號可能失真？ answer: | 訊號可能失真的情況：
1. 供給側衝擊：如疫情初期的供應鏈中斷，貨運量下降是供給受限而非需求減弱
2. 結構性變化：電商增長改變貨運結構，傳統指標可能低估實際運量
3. 政策干預：大規模財政刺激可能延長通膨週期，削弱貨運的領先性
4. 全球因素：進口通膨可能獨立於北美貨運量

about: repository: https://github.com/fatfingererr/macro-skills branch: main additionalInfo: | ## 數據來源

**MacroMicro（主要）**
- CASS Freight Index 四個指標
- URL: https://en.macromicro.me/charts/46877/cass-freight-index
- 使用 Selenium + Highcharts 爬取

**FRED（輔助）**
- CPIAUCSL: Consumer Price Index for All Urban Consumers
- 使用 CSV endpoint 直接下載（無需 API key）

## 參考文獻

- Stock, J. H., & Watson, M. W. (1999). "Forecasting Inflation"
- Bernanke, B. S., & Blinder, A. S. (1992). "The Federal Funds Rate and the Channels of Monetary Transmission"
- Cass Transportation Index Reports (歷史分析)