AgentSkillsCN

us-cpi-pce-comparator

自動比較美國 CPI（固定權重）與 PCE（動態權重）的通膨訊號，識別低波動高權重桶位的 PCE 上行風險。用於分析 Fed 關注的 PCE 是否正在 re-accelerate，即使 CPI 看似降溫。

中文原作
SKILL.md
--- frontmatter
name: us-cpi-pce-comparator
description: 自動比較美國 CPI（固定權重）與 PCE（動態權重）的通膨訊號，識別低波動高權重桶位的 PCE 上行風險。用於分析 Fed 關注的 PCE 是否正在 re-accelerate，即使 CPI 看似降溫。

<essential_principles>

<principle name="weight_difference"> **CPI vs PCE 權重差異是核心**
  • •CPI（固定權重）: BLS Relative Importance，每年或每兩年更新，反映「固定籃子」
  • •PCE（動態/鏈結權重）: BEA 名目支出占比，每月隨實際消費行為調整

關鍵洞見：當消費者把錢花在「價格較不波動」的品項時，若這些品項的通膨走高，PCE 會比 CPI 更敏感地反映這個上行壓力。 </principle>

<principle name="volatility_matters"> **低波動 + 高權重 = PCE 上行風險訊號**

識別邏輯：

  1. •找出 PCE 權重較高的消費桶（consumer spending buckets）
  2. •在這些桶中，篩選價格波動度較低者
  3. •若這些桶的通膨近期轉正或加速，標記為 PCE upside risk </principle>
<principle name="scope_difference"> **CPI 與 PCE 的範圍差異**

PCE 涵蓋項目比 CPI 更廣：

  • •第三方支付的醫療費用（employer-paid healthcare）
  • •非營利機構對家庭的服務
  • •某些金融服務的隱含費用

這些 scope 差異也會造成 CPI/PCE 分歧。詳見 references/cpi-pce-methodology.md。 </principle>

<principle name="data_access"> **資料取得方式**

本 skill 使用無需 API key 的資料來源：

  • •FRED CSV: https://fred.stlouisfed.org/graph/fredgraph.csv?id={SERIES_ID}
  • •BLS Public API: https://api.bls.gov/publicAPI/v2/timeseries/data/

腳本位於 scripts/ 目錄，可直接執行。 </principle>

</essential_principles>

<objective> 比較 CPI 與 PCE 通膨訊號的分歧，並識別「低波動、高 PCE 權重」的消費桶是否正在推升 Fed 關注的 PCE 通膨路徑。

輸出三層訊號：

  1. •Headline level: CPI vs PCE divergence（bps）
  2. •Attribution: 哪些 buckets 在推升 PCE（weighted contribution）
  3. •Risk framing: 觀察點與延續性風險評估 </objective>

<quick_start>

最快的方式：執行快速檢查

bash
cd skills/us-cpi-pce-comparator
pip install pandas numpy requests  # 首次使用
python scripts/cpi_pce_analyzer.py --quick

輸出範例：

json
{
  "headline": {"cpi_yoy": 2.65, "pce_yoy": 2.79, "gap_bps": 14},
  "core": {"cpi_core_yoy": 2.65, "pce_core_yoy": 2.83, "gap_bps": 18},
  "momentum": {"cpi_3m_saar": 2.07, "pce_3m_saar": 2.82}
}

完整分析：

bash
python scripts/cpi_pce_analyzer.py --start 2020-01-01 --measure yoy

</quick_start>

<intake> 需要進行什麼分析？
  1. •快速檢查 - 查看最新的 CPI/PCE 分歧數據
  2. •完整分析 - 執行完整的三步驟分析工作流
  3. •方法論學習 - 了解 CPI/PCE 差異的深層原因

請選擇或直接提供分析參數。 </intake>

<routing> | Response | Action | |------------------------------|---------------------------------------------------| | 1, "快速", "quick", "check" | 執行 `python scripts/cpi_pce_analyzer.py --quick` | | 2, "完整", "full", "analyze" | 閱讀 `workflows/analyze.md` 並執行 | | 3, "學習", "方法論", "why" | 閱讀 `references/cpi-pce-methodology.md` | | 提供參數 (如日期範圍) | 閱讀 `workflows/analyze.md` 並使用參數執行 |

路由後，閱讀對應文件並執行。 </routing>

<directory_structure>

code
us-cpi-pce-comparator/
├── SKILL.md                           # 本文件（路由器）
├── skill.yaml                         # 前端展示元數據
├── workflows/
│   ├── analyze.md                     # 完整分析工作流
│   └── quick-check.md                 # 快速檢查工作流
├── references/
│   ├── data-sources.md                # FRED/BLS 系列代碼與資料來源
│   ├── cpi-pce-methodology.md         # CPI/PCE 方法論深度解析
│   └── implementation.md              # 計算公式與程式碼範例
├── templates/
│   ├── output-json.md                 # JSON 輸出模板
│   └── output-markdown.md             # Markdown 報告模板
└── scripts/
    ├── fetch_fred_data.py             # FRED 資料抓取（無需 API key）
    ├── fetch_bls_data.py              # BLS 資料抓取
    └── cpi_pce_analyzer.py            # 主分析腳本

</directory_structure>

<reference_index>

方法論: references/cpi-pce-methodology.md

  • •CPI vs PCE 的五大差異（權重、範圍、公式、住房、人口）
  • •分歧模式與交易含義
  • •Fed 如何解讀兩指標

資料來源: references/data-sources.md

  • •FRED CSV endpoint（無需 API key）
  • •FRED 系列代碼對照表
  • •桶位定義與近似計算

實作指南: references/implementation.md

  • •通膨計算公式（YoY, MoM SAAR, QoQ SAAR）
  • •權重效應計算
  • •波動度分析

</reference_index>

<workflows_index>

WorkflowPurpose使用時機
analyze.md完整三步驟分析需要深度分析時
quick-check.md快速檢查分歧日常監控或快速回答
</workflows_index>

<templates_index>

TemplatePurpose
output-json.mdJSON 輸出結構定義
output-markdown.mdMarkdown 報告模板
</templates_index>

<scripts_index>

ScriptCommandPurpose
cpi_pce_analyzer.py--quick快速檢查最新分歧
cpi_pce_analyzer.py--start DATE --measure yoy完整分析
fetch_fred_data.py--series CPIAUCSL,PCEPI抓取 FRED 資料
fetch_bls_data.py--full抓取 BLS CPI 資料
</scripts_index>

<input_schema>

<parameter name="start_date" required="true"> **Type**: string (ISO YYYY-MM-DD) **Description**: 分析起始日 </parameter> <parameter name="end_date" required="false" default="today"> **Type**: string (ISO YYYY-MM-DD) **Description**: 分析結束日 </parameter> <parameter name="measure" required="false" default="yoy"> **Type**: string **Options**: `yoy` | `mom_saar` | `qoq_saar` </parameter> <parameter name="baseline" required="false"> **Type**: string **Format**: `YYYY-MM-DD:YYYY-MM-DD` **Description**: 基準期範圍，用於計算偏離度 </parameter>

</input_schema>

<output_schema> 參見 templates/output-json.md 的完整結構定義。

摘要：

json
{
  "headline": {"cpi_yoy": 2.65, "pce_yoy": 2.79, "gap_bps": 14},
  "low_vol_high_weight_buckets": [{"bucket": "...", "signal": "upside"}],
  "attribution": {"top_contributors": [...], "weight_effect_bps": 12},
  "interpretation": ["..."],
  "caveats": ["..."]
}

</output_schema>

<success_criteria> 分析成功時應產出：

  • • Headline level 的 CPI/PCE 分歧數值（bps）
  • • 識別出低波動、高 PCE 權重的桶位
  • • 各桶位的加權通膨貢獻（attribution）
  • • 若有 baseline，產出「less baseline」偏離度
  • • 可操作的解讀與風險提示
  • • 明確標註資料限制與近似處理 </success_criteria>