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

**勞動-GDP 背離核心邏輯**

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%」

**勞動鬆緊度量 (Slack Metric)**

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）。

**彈性係數 (Elasticity Coefficients)**

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 條件定義**

「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。

**三種分析模型**

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。

**三軸視覺化圖表**

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。

**資料取得方式**

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> 實作「高失業 + 高 GDP」情境下的財政赤字推估：

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。

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> 需要進行什麼操作？

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。

| Response | Action | |------------------------------|--------------------------------------------| | 1, "快速", "quick", "診斷" | 執行 `python scripts/analyzer.py --quick` | | 2, "完整", "full", "情境" | 閱讀 `workflows/analyze.md` 並執行 | | 3, "視覺化", "圖表", "chart" | 閱讀 `workflows/visualize.md` 並執行 | | 4, "自訂", "custom", "推演" | 閱讀 `workflows/scenario.md` 並執行 | | 5, "學習", "方法論", "why" | 閱讀 `references/methodology.md` | | 6, "UST", "美債", "利率" | 閱讀 `workflows/ust-risk.md` 並執行 | | 提供參數 (如 lookback_years) | 閱讀 `workflows/analyze.md` 並使用參數執行 |

路由後，閱讀對應文件並執行。

``` 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>

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> | 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> | Template | Purpose | |--------------------|-------------------| | output-json.md | JSON 輸出結構定義 | | output-markdown.md | Markdown 報告模板 | </templates_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>

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> ```json { "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>

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>