<essential_principles> 資產趨勢偏離度分析 核心原則
- 單資產偵測 - 計算單一資產的趨勢偏離度與歷史分位數
- 歷史對照分析 - 將當前偏離度與使用者指定的歷史日期或自動識別的極端值進行比較
- 宏觀因子分解 - 詳細拆解各宏觀代理指標對行情體質判定的貢獻（適用於支援的資產類別）
等待回應後再繼續。
讀取工作流程後，請完全遵循其步驟。
<quick_start> 快速開始
# 安裝依賴
pip install pandas numpy yfinance pandas-datareader statsmodels
# 快速偵測（範例：黃金期貨）
cd skills/evaluate-exponential-trend-deviation-regimes
python scripts/trend_deviation.py --symbol GC=F --quick
# 分析其他資產（範例：S&P 500）
python scripts/trend_deviation.py --symbol ^GSPC --start 1950-01-01
# 完整分析（含宏觀因子，目前支援黃金）
python scripts/trend_deviation.py --symbol GC=F --start 1970-01-01 --include-macro
# 指定歷史參考日期
python scripts/trend_deviation.py --symbol GC=F --compare-peaks "2011-09-06,2020-08-07"
# 生成視覺化圖表（輸出 PNG + JSON）
python scripts/generate_chart.py --output ./output/</quick_start>
<reference_index> 參考文件 (references/)
| 文件 | 內容 |
|---|---|
| input-schema.md | 輸入參數詳細定義與驗證規則 |
| methodology.md | 指數趨勢擬合與偏離度計算方法論 |
| regime-rules.md | 1970s-like vs 2000s-like 體質判定規則 |
| data-sources.md | 數據來源與替代方案說明 |
| </reference_index> |
<workflows_index>
| Workflow | Purpose |
|---|---|
| detect.md | 單資產趨勢偏離度偵測與體質判定 |
| compare.md | 歷史峰值詳細對照分析 |
| macro.md | 宏觀因子分解與貢獻度分析 |
| </workflows_index> |
<templates_index>
| Template | Purpose |
|---|---|
| output-json.md | JSON 輸出結構定義 |
| output-markdown.md | Markdown 報告輸出模板 |
| </templates_index> |
<scripts_index>
| Script | Purpose |
|---|---|
| trend_deviation.py | 主要分析腳本：趨勢擬合、偏離度計算、體質判定 |
| generate_chart.py | 視覺化圖表生成：偏離度歷史圖表與峰值標註 |
| </scripts_index> |
<examples_index> 範例輸出 (examples/)
| 文件 | 內容 |
|---|---|
| gold-deviation-2026.json | 2026 年黃金趨勢偏離度分析範例 |
| </examples_index> |
<success_criteria> Skill 成功執行時：
- 成功擬合黃金價格的指數趨勢線
- 計算出當前偏離度百分比與歷史分位數
- 與 2011/1980 峰值進行有效比較
- 綜合宏觀代理指標得出 regime 判定（1970s-like / 2000s-like）
- 輸出完整的 JSON 或 Markdown 報告
- （選用）生成視覺化圖表（PNG）標註歷史峰值與當前位置 </success_criteria>