Skills
skills/fatfingererr/macro-skills/analyze-high-unemployment-high-gdp-growth-fiscal-deficit-scenarios

analyze-high-unemployment-high-gdp-growth-fiscal-deficit-scenarios

SKILL.md

<essential_principles>

本技能聚焦於一個特殊的宏觀情境：勞動市場明顯轉弱，但 GDP 仍處高位。這種組合歷史上常伴隨：

  • 財政赤字/GDP 的階躍式上升（自動穩定器 + 反週期支出）
  • 長天期國債供給壓力增加
  • 期限溢酬的潛在上升

關鍵洞察：「30 年歷史顯示，當 jobs 夠軟，赤字/GDP 會從 6–7% 跳到 12–17%」

核心度量方式：

  • UJO = Unemployed_Level / Job_Openings_Level（失業人數/職缺比）
    • 能捕捉「職缺掉很快、失業還沒上來」的早期轉弱階段
  • ΔUR = Unemployment_Rate(t) - Unemployment_Rate(t-6M)（半年變化）
  • 薩姆規則 = 3M_MA(UR) - min(UR over last 12M)（觸發式警報，≥0.5 為衰退警示）

這些指標用於定義「勞動轉弱事件」的觸發與分級（輕/中/重）。

基於 2000-2025 年歷史回歸分析的核心經濟彈性：

係數 數值 意涵
β_UR 0.59 失業率每↑1ppt → 赤字/GDP↑0.59ppt
β_UJO 0.69 UJO每↑1 → 赤字/GDP↑0.69ppt
β_JOLTS -0.07 職缺每↑1M → 赤字/GDP↓0.07ppt
Lag 4Q 勞動指標領先赤字約4季

這些彈性係數用於：

  • 情境投影的定量推演
  • 驗證事件分組區間法的結果一致性
  • 敏感度分析

詳細方法論見 references/methodology.md。

「高 GDP」量化為：

  • GDP_level_percentile：GDP 水平在回看期間的分位數（例如 > 70% 視為高位）
  • GDP_growth_regime：成長仍為正、或僅小幅趨緩
  • （進階）產出缺口/趨勢偏離

只有同時滿足「勞動轉弱」+「高 GDP」條件的樣本，才納入情境分析。

模型 用途 輸出形式
event_study_banding 事件分組區間法 「12–17%」範圍型敘事，歷史事件清單
quantile_mapping 分位數映射 「現在落在歷史哪個角落」的條件分布
robust_regression 穩健迴歸推演 連續型情境路徑與區間

預設使用 event_study_banding，最貼近「歷史顯示…」的敘事方式。

本技能支援生成三軸圖表：

  • 左軸：失業人數（紅色）、職缺數（藍色）— 千人
  • 右軸：財政赤字/GDP（綠色）— 百分比
  • 標註：歷史 crossover 事件（失業 > 職缺）及對應的赤字跳升幅度
  • 情境投影：虛線顯示未來可能的路徑（mild/moderate/severe）

圖表基於 FRED 公開數據繪製，便於追蹤勞動-財政關聯的歷史演變。

本技能使用無需 API key 的公開資料來源：

  • FRED CSV: https://fred.stlouisfed.org/graph/fredgraph.csv?id={SERIES_ID}
    • 勞動：UNRATE, UNEMPLOY, JTSJOL, ICSA
    • 宏觀：GDP, GDPC1
    • 財政：FYFSGDA188S（聯邦盈餘/赤字占 GDP）
  • BEA: 備用的 GDP/財政數據源

腳本位於 scripts/ 目錄，可直接執行。

</essential_principles>

  1. 建構勞動鬆緊指標：從 FRED 數據計算 UJO、薩姆規則 等
  2. 定義背離事件：識別「勞動轉弱 + GDP 高位」的歷史樣本
  3. 推估赤字區間：使用三種模型估算 Deficit/GDP 的可能跳升區間
  4. 生成情境解讀：產出對長天期 UST 的供給/利率風險解讀
  5. 視覺化輸出：生成三軸圖表與情境投影

輸出：診斷資訊、赤字區間投影、歷史事件樣本、UST 風險解讀、視覺化圖表。

<quick_start>

最快的方式：執行預設情境分析

cd skills/analyze-high-unemployment-high-gdp-growth-fiscal-deficit-scenarios
pip install pandas numpy requests matplotlib  # 首次使用
python scripts/analyzer.py --quick

生成視覺化圖表（推薦）：

python scripts/analyzer.py --visualize --scenario-type moderate

或直接使用視覺化腳本：

python scripts/visualizer.py --scenario moderate --years 25

輸出範例：

{
  "skill": "analyze_high_unemployment_fiscal_deficit_scenarios",
  "as_of": "2026-01-21",
  "diagnostics": {
    "current_slack_percentile": 0.28,
    "high_gdp_condition": true,
    "triggered_labor_softening": false
  },
  "deficit_gdp_projection": {
    "baseline_deficit_gdp": 0.062,
    "conditional_range_next_8q": {
      "p25": 0.11, "p50": 0.135, "p75": 0.16
    },
    "n_episodes": 3
  }
}

完整情境分析 + 圖表：

python scripts/analyzer.py --lookback 30 --horizon 8 --model event_study_banding --visualize --scenario-type severe --output result.json --chart-output chart.png

</quick_start>

  1. 快速診斷 - 查看目前的勞動/GDP 狀態與赤字風險判定
  2. 完整情境分析 - 執行完整的歷史事件研究與赤字區間推估
  3. 視覺化圖表 - 生成三軸圖表與情境投影
  4. 自訂情境推演 - 輸入自訂的失業衝擊情境進行推演
  5. 方法論學習 - 了解勞動-財政連結的邏輯與模型
  6. UST 風險解讀 - 生成長天期美債的供給/利率風險報告

請選擇或直接提供分析參數。

路由後，閱讀對應文件並執行。

<directory_structure>

analyze-high-unemployment-high-gdp-growth-fiscal-deficit-scenarios/
├── 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/
│   ├── analyze.md                     # 完整情境分析工作流
│   ├── visualize.md                   # 視覺化圖表工作流
│   ├── scenario.md                    # 自訂情境推演工作流
│   └── ust-risk.md                    # UST 風險解讀工作流
├── references/
│   ├── data-sources.md                # FRED 系列代碼與資料來源
│   ├── methodology.md                 # 勞動-財政連結方法論
│   └── 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/
│   ├── analyzer.py                    # 主分析腳本（含視覺化整合）
│   ├── visualizer.py                  # 視覺化專用腳本
│   └── fetch_data.py                  # 數據抓取工具
└── output/                            # 圖表輸出目錄
    └── (generated charts)

</directory_structure>

<reference_index>

方法論: references/methodology.md

  • 勞動-財政連結邏輯
  • 三種分析模型詳解
  • 事件分組與門檻定義

資料來源: references/data-sources.md

  • FRED 系列代碼（勞動/GDP/財政）
  • 數據頻率與對齊方法

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
analyze.md 完整情境分析 需要歷史事件研究時
visualize.md 視覺化圖表 需要生成圖表時
scenario.md 自訂情境推演 輸入自訂失業衝擊時
ust-risk.md UST 風險解讀 需要債市風險報告時
</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
analyzer.py --quick 快速診斷當前狀態
analyzer.py --lookback 30 --horizon 8 完整情境分析
analyzer.py --visualize --scenario-type moderate 分析 + 視覺化圖表
visualizer.py --scenario moderate --years 25 單獨生成視覺化圖表
visualizer.py --scenario severe --output chart.png 指定輸出路徑
fetch_data.py --series UNRATE,JTSJOL,GDP 抓取 FRED 資料
</scripts_index>

<input_schema_summary>

核心參數

參數 類型 預設值 說明
country string US 國家代碼
lookback_years int 30 回看年數
frequency string quarterly 資料頻率
horizon_quarters int 8 推演季度數
model string event_study_banding 分析模型
output_format string json 輸出格式

勞動指標設定

參數 類型 預設值 說明
use_jolts bool true 使用 JOLTS
use_unemployment bool true 使用失業率
use_sahm_rule bool true 計算 薩姆規則
slack_metric string unemployed_to_job_openings_ratio 鬆緊度量

視覺化參數

參數 類型 預設值 說明
visualize bool false 是否生成視覺化圖表
scenario_type string moderate 情境類型 (mild/moderate/severe)
chart_output string auto 圖表輸出路徑
no_show bool false 不顯示圖表（僅保存）

情境假設

參數 類型 預設值 說明
gdp_path string high_gdp_sticky GDP 路徑假設
unemployment_shock object {type, size, speed} 失業衝擊設定

完整參數定義見 references/input-schema.md。

</input_schema_summary>

<output_schema_summary>

{
  "skill": "analyze_high_unemployment_fiscal_deficit_scenarios",
  "inputs": {
    "country": "US",
    "lookback_years": 30,
    "slack_metric": "unemployed_to_job_openings_ratio",
    "model": "event_study_banding"
  },
  "diagnostics": {
    "current_slack_percentile": 0.28,
    "high_gdp_condition": true,
    "triggered_labor_softening": false
  },
  "elasticity_model": {
    "parameters": {
      "beta_ur": 0.59,
      "beta_ujo": 0.69,
      "beta_jolts": -0.07,
      "lag_quarters": 4
    },
    "interpretation": {
      "ur_effect": "每 1ppt 失業率上升 → 赤字/GDP 上升 0.59 ppt",
      "ujo_effect": "UJO 每上升 1 → 赤字/GDP 上升 0.69 ppt",
      "lag_effect": "勞動指標領先赤字約 4 季"
    },
    "conditional_means": {
      "deficit_when_loose": 5.6,
      "deficit_when_tight": 5.2
    }
  },
  "deficit_gdp_projection": {
    "baseline_deficit_gdp": 0.062,
    "conditional_range_next_8q": {
      "p25": 0.11, "p50": 0.135, "p75": 0.16, "min": 0.095, "max": 0.175
    },
    "n_episodes": 3,
    "episode_years": ["2001-2003", "2008-2010", "2020-2021"]
  },
  "interpretation": {
    "macro_story": "...",
    "ust_duration_implications": [...],
    "watchlist_switch_indicators": [...]
  },
  "visualization": {
    "chart_path": "output/fiscal_deficit_scenario_20260121.png",
    "scenario_type": "moderate",
    "projected_deficit_jump_bps": 600
  }
}

完整輸出結構見 templates/output-json.md。 </output_schema_summary>

<success_criteria> 執行成功時應產出：

數據分析

  • 當前勞動鬆緊狀態（分位數、是否觸發轉弱）
  • 高 GDP 條件判定結果
  • Deficit/GDP 的條件分布區間（p25/p50/p75）
  • 歷史樣本事件清單（年份、指標數值）
  • UST 供給壓力通道解讀
  • 風險偏好通道解讀（避險 vs 供給兩股力量）
  • 監控切換指標清單
  • 診斷資訊（當前指標數值）

視覺化（若啟用）

  • 三軸圖表（職缺/失業/赤字GDP）
  • 歷史 crossover 事件標註
  • 情境投影虛線（mild/moderate/severe）
  • 衰退期灰色陰影
  • JSON 摘要檔案 </success_criteria>
Weekly Installs
13
Repository
fatfingererr/ma…o-skills
GitHub Stars
2
First Seen
Jan 24, 2026
Security Audits
Gen Agent Trust HubPass
SocketPass
SnykPass
Installed on
gemini-cli10
opencode10
codex9
cursor8
cline8
github-copilot8