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

name: analyze-high-unemployment-high-gdp-growth-fiscal-deficit-scenarios description: 在「失業率走高／勞動市場轉弱」但「名目或實質 GDP 仍維持高位（或仍在成長）」的情境下，依據歷史關聯估算美國財政赤字占 GDP（Deficit/GDP）可能擴張的區間，並生成對長天期美債（長久期 UST）供給/利率風險的情境解讀。支援視覺化圖表輸出。

<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%」 </principle>

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）。 </principle>

基於 2000-2025 年歷史回歸分析的核心經濟彈性：

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。 </principle>

「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。 </principle>

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

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。 </principle>

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。 </principle>

</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。 </objective>

<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。 </intake>

路由後，閱讀對應文件並執行。 </routing>

<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>

<templates_index>

<scripts_index>

<input_schema_summary>

核心參數

勞動指標設定

視覺化參數

情境假設

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>