把多個股票估值指標統一轉成在過去百年歷史中的分位數，再合成一個總分，判斷目前是否處於歷史極端高估區間，並用歷史類比（如 1929、1965、1999）給出風險解讀。
Scanned 2/12/2026
Install to Claude Code
Skills Directorynpx -y skills add majiayu000/claude-skill-registry --skill detect-us-equity-valuation-percentile-extreme --agent claude-codeInstalls into .claude/skills of the current project.
Are you the author of Detect Us Equity Valuation Percentile Extreme?
Add the live security badge to your README — it updates automatically with every re-scan.
[](https://www.skillsdirectory.com/skills/majiayu000-detect-us-equity-valuation-percentile-extreme)More formats (shields.io, HTML) on the badges page.
---
name: detect-us-equity-valuation-percentile-extreme
description: 把多個股票估值指標統一轉成在過去百年歷史中的分位數，再合成一個總分，判斷目前是否處於歷史極端高估區間，並用歷史類比（如 1929、1965、1999）給出風險解讀。
---
<essential_principles>
<principle name="percentile_normalization">
**分位數標準化核心**
將不同單位的估值指標（PE、PB、CAPE 等）統一成「0-100 的歷史分位數」：
- **分位數 = 100 × (歷史中 ≤ 當前值的樣本數 / 總樣本數)**
- 例：CAPE 位於歷史第 98 分位 → 過去 130 年只有 2% 的時間比現在更貴
- 統一單位後，可跨指標合成「綜合估值分位數」
</principle>
<principle name="composite_aggregation">
**多指標合成邏輯**
合成公式：`composite_percentile = 加權平均(各指標分位數)`
支援三種合成方式：
| 方式 | 公式 | 適用場景 |
|------|------|----------|
| mean | 算術平均 | 各指標同等重要 |
| median | 中位數 | 抵抗單一指標異常拉升 |
| trimmed_mean | 去極端平均 | 穩健估計 |
**重要**：各指標可能有不同歷史長度，預設使用「各自歷史」計算分位數再合成。
</principle>
<principle name="extreme_detection">
**極端高估偵測邏輯**
```
if composite_percentile >= extreme_threshold (預設 95):
→ 判定「歷史極端高估」
→ 觸發風險解讀流程
```
歷史類比事件識別：
1. 找出合成分位數超過門檻的峰值
2. 用 `episode_min_gap_days` 去重（預設 10 年內只保留最高點）
3. 輸出：1929、1965、1999、2021、當前...
</principle>
<principle name="risk_interpretation">
**風險解讀框架**
「估值極端高」≠「明天崩盤」，但歷史特徵是：
- **風險分布不對稱**：下跌尾巴變厚
- **未來中期報酬壓縮**：估值均值回歸壓低長期報酬上限
- **波動先升後跌**：事件後 6-12 月波動率通常上升
輸出事後統計：
- 未來 180/365/1095 天報酬分布
- 最大回撤中位數與尾部風險
- 波動率變化機率
</principle>
<principle name="data_transparency">
**資料來源與限制揭露**
本 skill 使用**公開替代資料**，非彭博原始數據：
- **Shiller CAPE**: Robert Shiller 公開資料集（可回溯至 1871 年）
- **市值/GDP**: FRED 公開數據（可回溯至 1950 年代）
- **PE/PB/PS**: 公開金融資料（歷史較短，約 30-50 年）
**必須揭露**：
- 各指標可得期間不同
- 合成分位數為「近似重建」，非精確複製
</principle>
</essential_principles>
<objective>
偵測美股估值是否處於歷史極端區間：
1. **收集估值指標**：從公開數據源取得 PE、CAPE、PB、PS、市值/GDP 等
2. **計算分位數**：將各指標轉換為歷史分位數（0-100）
3. **合成總分**：加權平均（或中位數）得到綜合估值分位數
4. **判定極端**：若總分 ≥ 門檻（預設 95），觸發極端高估警報
5. **歷史類比**：找出歷史上的類似事件（1929、1965、1999 等）
6. **事後統計**：計算這些事件後的報酬、回撤、波動變化
輸出：當前狀態、各指標分位數、歷史類比事件、風險解讀。
</objective>
<quick_start>
**最快的方式：執行視覺化分析**
```bash
cd skills/detect-us-equity-valuation-percentile-extreme
pip install pandas numpy yfinance requests matplotlib openpyxl xlrd # 首次使用
python scripts/visualize_valuation.py -o output
```
輸出：
- `output/us_valuation_percentile_YYYY-MM-DD.png` - 歷史走勢圖（類似 @ekwufinance 風格）
- `output/us_valuation_breakdown_YYYY-MM-DD.png` - 各指標分位數分解圖
- `output/us_valuation_analysis_YYYY-MM-DD.json` - JSON 結果
**圖表特色**：
- 多指標合成分位數的**歷史走勢**（非單一時間點）
- **歷史峰值標記**：1929、1965、1999、2021
- S&P 500 指數疊加（對數刻度）
- 當前「新高」標註
**快速檢查（純 JSON）**：
```bash
python scripts/valuation_percentile.py --quick
```
**完整分析**：
```bash
python scripts/valuation_percentile.py \
--as_of_date 2026-01-21 \
--universe "^GSPC" \
--metrics "cape,mktcap_to_gdp,trailing_pe,pb" \
--output result.json
```
</quick_start>
<intake>
需要進行什麼操作？
1. **視覺化分析（推薦）** - 生成歷史走勢圖表，標記歷史峰值
2. **快速檢查** - 查看目前的估值分位數與極端狀態
3. **完整分析** - 執行完整的歷史分位數分析與風險解讀
4. **歷史類比** - 深入分析歷史極端高估事件與事後表現
5. **方法論學習** - 了解估值分位數模型的邏輯
6. **自訂參數** - 指定估值指標、門檻、合成方式等
**請選擇或直接提供分析參數。**
</intake>
<routing>
| Response | Action |
|----------------------------------|----------------------------------------------|
| 1, "視覺化", "圖表", "chart" | 執行 `python scripts/visualize_valuation.py -o output` |
| 2, "快速", "quick", "check" | 執行 `python scripts/valuation_percentile.py --quick` |
| 3, "完整", "full", "analysis" | 閱讀 `workflows/execute-analysis.md` 並執行 |
| 4, "歷史", "類比", "episodes" | 閱讀 `workflows/historical-episodes.md` 並執行 |
| 5, "學習", "方法論", "why" | 閱讀 `references/methodology.md` |
| 6, "自訂", "custom", 提供參數 | 閱讀 `workflows/execute-analysis.md` 並使用參數執行 |
**路由後，閱讀對應文件並執行。**
</routing>
<directory_structure>
```
detect-us-equity-valuation-percentile-extreme/
├── SKILL.md # 本文件（路由器）
├── skill.yaml # 前端展示元數據
├── manifest.json # 技能元數據
├── workflows/
│ ├── execute-analysis.md # 完整分析工作流
│ ├── visualize-analysis.md # 視覺化分析工作流
│ └── historical-episodes.md # 歷史類比分析工作流
├── references/
│ ├── methodology.md # 估值分位數方法論
│ ├── data-sources.md # 資料來源與代碼
│ ├── valuation-metrics.md # 估值指標定義
│ └── input-schema.md # 完整輸入參數定義
├── templates/
│ ├── output-json.md # JSON 輸出模板
│ └── output-markdown.md # Markdown 報告模板
├── scripts/
│ ├── valuation_percentile.py # 主分析腳本
│ ├── visualize_valuation.py # 視覺化腳本（歷史走勢圖）
│ └── fetch_valuation_data.py # 資料抓取工具
└── examples/
└── sample_output.json # 範例輸出
```
</directory_structure>
<reference_index>
**方法論**: references/methodology.md
- 分位數標準化原理
- 多指標合成邏輯
- 極端偵測與歷史類比
**資料來源**: references/data-sources.md
- Shiller CAPE 資料集
- FRED 系列代碼
- 公開替代資料說明
**估值指標**: references/valuation-metrics.md
- PE、Forward PE、CAPE 定義
- PB、PS、EV/EBITDA 定義
- Q Ratio、市值/GDP 定義
**輸入參數**: references/input-schema.md
- 完整參數定義
- 預設值與建議範圍
</reference_index>
<workflows_index>
| Workflow | Purpose | 使用時機 |
|-------------------------|------------------|------------------------|
| execute-analysis.md | 完整估值分析 | 需要完整報告時 |
| historical-episodes.md | 歷史事件深度分析 | 理解歷史類比與事後統計 |
</workflows_index>
<templates_index>
| Template | Purpose |
|--------------------|----------------------|
| output-json.md | JSON 輸出結構定義 |
| output-markdown.md | Markdown 報告模板 |
</templates_index>
<scripts_index>
| Script | Command | Purpose |
|---------------------------|-----------------------------------|----------------------|
| visualize_valuation.py | `-o output` | **視覺化分析（推薦）** |
| valuation_percentile.py | `--quick` | 快速檢查當前狀態 |
| valuation_percentile.py | `--as_of_date DATE --output FILE` | 完整分析 |
| fetch_valuation_data.py | `--metrics cape,pe` | 抓取估值資料 |
</scripts_index>
<input_schema_summary>
**核心參數**
| 參數 | 類型 | 預設值 | 說明 |
|----------------|--------|--------------|------------------|
| as_of_date | string | today | 評估日期 |
| universe | string | ^GSPC | 市場代碼 |
| history_start | string | 1900-01-01 | 歷史起算日 |
| metrics | array | [cape, ...] | 估值指標清單 |
| aggregation | string | mean | 合成方法 |
**門檻參數**
| 參數 | 類型 | 預設值 | 說明 |
|-----------------------|--------|--------|------------------------|
| extreme_threshold | number | 95 | 極端高估門檻（分位數） |
| episode_min_gap_days | int | 3650 | 歷史事件去重間隔 |
| forward_windows_days | array | [180, 365, 1095] | 事後統計視窗 |
完整參數定義見 `references/input-schema.md`。
</input_schema_summary>
<output_schema_summary>
```json
{
"skill": "detect-us-equity-valuation-percentile-extreme",
"as_of_date": "2026-01-21",
"universe": "^GSPC",
"composite_percentile": 97.3,
"extreme_threshold": 95,
"is_extreme": true,
"metric_percentiles": {
"cape": 98.2,
"mktcap_to_gdp": 96.5,
"trailing_pe": 94.1
},
"historical_episodes": [
{"date": "1929-09-01", "composite_percentile": 97.8},
{"date": "1999-12-01", "composite_percentile": 98.5}
],
"forward_stats": {
"365d_forward_return": {"median": -8.2, "p25": -22.1, "p10": -38.5},
"1095d_max_drawdown": {"median": -28.4, "p75": -42.1}
},
"data_quality_notes": [
"CAPE 資料可回溯至 1871 年",
"市值/GDP 資料可回溯至 1950 年代",
"合成分位數使用各指標自身歷史分布"
]
}
```
完整輸出結構見 `templates/output-json.md`。
</output_schema_summary>
<success_criteria>
執行成功時應產出：
- [ ] 當前綜合估值分位數（0-100）
- [ ] 各指標個別分位數
- [ ] 極端高估判定（是/否）
- [ ] 歷史類比事件清單（日期、分位數）
- [ ] 事後統計（報酬、回撤、波動）
- [ ] 資料品質說明（各指標可得期間）
- [ ] 風險解讀框架（可選，輸出至 Markdown）
**視覺化輸出**（使用 visualize_valuation.py）：
- [ ] 歷史走勢圖（`us_valuation_percentile_YYYY-MM-DD.png`）
- 多指標合成分位數時間序列
- 歷史峰值標記（1929、1965、1999、2021）
- S&P 500 指數疊加（對數刻度）
- 當前位置標註
- [ ] 指標分解圖（`us_valuation_breakdown_YYYY-MM-DD.png`）
- 各指標分位數橫向條形圖
- 極端門檻參考線
- [ ] JSON 結果檔（`us_valuation_analysis_YYYY-MM-DD.json`）
</success_criteria>
Is this your skill, or is something wrong with this listing? Request removal or report an issue. Author removals are honored within 72 hours.
No comments yet. Be the first to comment!
