backsolve-miner-vs-metal-ratio-with-fundamentals
從網路自動抓取礦業公司財務報表與營運揭露（產量、成本、資本支出），回算「礦業股/金屬本體比率」的基本面解釋與區間門檻（如 1.2/1.7），並輸出可重現的估值拆解（成本因子 / 槓桿因子 / 倍數因子 / 稀釋因子）。
Resources
8Install
npx skillscat add fatfingererr/macro-skills/backsolve-miner-vs-metal-ratio-with-fundamentals Install via the SkillsCat registry.
SKILL.md
**比率拆解核心公式**
礦業股/金屬價格比率可分解為四大基本面因子：
R_t ≈ K × M_t × (1-L_t) × C_t × D_t其中：
- K: 校準常數（由觀測值估計）
- M_t: 倍數因子（EV/EBITDA）
- (1-L_t): 槓桿因子（1 - NetDebt/EV）
- C_t: 成本因子（1 - AISC/S_t）
- D_t: 稀釋因子（Shares_base / Shares_t）
此拆解讓「比率變動」有可歸因的量化解釋。
全維持成本（AISC）是礦業股估值的核心驅動：
| 優先級 | 來源 | 方法 |
|---|---|---|
| 1 | MD&A / 財報附註 | 關鍵字抽取：「AISC」「all-in sustaining」 |
| 2 | 年報簡報 PDF | 解析表格：$/oz 或 $/ounce |
| 3 | Proxy 回算 | (OpCost + SustCapex + G&A - Byproduct) / Oz |
當直接揭露不可得時，以 proxy 回算補缺；記錄 aisc_method 以標註來源。
目標：給定目標比率 R*（如歷史頂部 1.7），反推需要哪些因子條件。
單因子反推：假設其他因子不變，只調整單一因子
M* = M_now × (R*/R_now) # 需要的倍數
(1-L*) = (1-L_now) × (R*/R_now) # 需要的去槓桿
C* = C_now × (R*/R_now) # 需要的成本改善 → 反推 AISC*
D* = D_now × (R*/R_now) # 需要的稀釋折扣雙因子組合：以網格列舉可行組合（如倍數 +20% + 白銀 -15%）。
識別「比率落入底部分位」的歷史事件，回看事件當期的四大因子狀態：
- AISC 是否上升：成本壓力
- NetDebt/EV 是否惡化：槓桿壓力
- EV/EBITDA 是否壓縮：倍數壓力
- Shares 是否上升：稀釋壓力
排名「哪個因子貢獻最大」，識別驅動底部的主因。
遵循「結構化優先」原則：
- SEC XBRL (10-K/10-Q)：直接取欄位（債務、現金、股數、CFO、Capex）
- SEDAR+ (加拿大)：銀礦公司常在加拿大上市
- 公司 IR 年報/MD&A：補齊 AISC、產量等非標準欄位
- ETF Holdings：官方 CSV 或 SEC N-PORT
抓取時使用 Selenium 模擬人類行為，避免被封鎖。
- 數據整合：抓取價格、ETF 持股、財務報表、營運揭露
- 因子計算：計算 AISC、槓桿、倍數、稀釋四大因子
- 比率拆解：建立 R_t ≈ K × M × (1-L) × C × D 近似式
- 門檻反推：給定目標比率，反推需要的因子組合
- 事件研究：歷史底部事件的因子驅動分析
- 輸出報告：結構化 JSON 與可讀 Markdown
目標用戶：看到 SIL/白銀比率極端時，想用「真實財報」驗證驅動因素。
最快的方式：使用預設參數分析
cd skills/backsolve-miner-vs-metal-ratio-with-fundamentals
pip install pandas numpy yfinance matplotlib # 首次使用
python scripts/fundamental_analyzer.py --quick完整分析（含財報抓取）
python scripts/fundamental_analyzer.py \
--metal-symbol SI=F \
--miner-universe etf:SIL \
--region-profile us_sec \
--start-date 2015-01-01 \
--output result.json生成視覺化儀表板
python scripts/visualize_factors.py --quick --output output/
# 輸出: output/sil_silver_factor_analysis_YYYY-MM-DD.png視覺化儀表板包含四個面板：
- 比率時間序列：歷史走勢 + 分位數區間（底部/頂部）
- 因子雷達圖：四大因子健康度一覽
- 因子評分長條圖：成本、槓桿、倍數、稀釋各項評分
- 情境熱力圖：倍數擴張 × 白銀變動的組合分析
共同上漲情境模擬
python scripts/scenario_path_simulator.py --quick --output output/
# 輸出: output/scenario_path_YYYY-MM-DD.png + return_heatmap_YYYY-MM-DD.png核心公式：礦業股漲幅 = (1 + 銀價漲幅) × (R₁/R₀) - 1
自訂參數：
python scripts/scenario_path_simulator.py \
--silver-monthly 5 \ # 銀價每月漲幅 5%
--ratio-start 1.10 \ # 比率起點
--ratio-end 1.20 \ # 比率終點
--months 6 \ # 模擬 6 個月
--heatmap # 同時生成熱力圖輸出範例：
{
"now": {
"metal_price": 94.4,
"miner_price": 103.4,
"ratio": 1.13,
"ratio_percentile": 0.111
},
"thresholds": {
"bottom_ratio": 1.20,
"top_ratio": 1.70,
"median_ratio": 1.51
},
"fundamentals_weighted": {
"aisc_usd_per_oz": 28.0,
"net_debt_to_ev": 0.25,
"ev_to_ebitda": 6.4,
"shares_yoy_change": 0.12
},
"factors_now": {
"cost_factor_C": 0.7034,
"leverage_factor_1_minus_L": 0.75,
"multiple_M": 6.4,
"dilution_discount_D": 0.89
},
"backsolve_to_top": {
"multiple_only_need": 9.1,
"deleverage_only_need_1_minus_L": 1.12,
"cost_only_implied_aisc": 15.6,
"dilution_only_need_D": 1.26
}
}- 快速分析 - 使用預設參數（SIL / SI=F）計算當前因子狀態
- 完整分析 - 抓取財報、計算因子、反推門檻
- 因子拆解 - 深入了解四大因子的計算邏輯
- 門檻反推 - 給定目標比率，計算需要的因子組合
- 事件研究 - 歷史底部事件的因子驅動排名
- 方法論學習 - 了解回算邏輯與數據來源
- 視覺化 - 生成四面板儀表板圖表
- 共同上漲情境 - 模擬銀價與礦業股同漲時的比例關係與路徑
請選擇或直接提供分析參數。
路由後，閱讀對應文件並執行。
輸入參數: references/input-schema.md
- 完整參數定義
- 預設值與建議範圍
- 各方法選項說明
數據來源: references/data-sources.md
- 價格數據（yfinance / stooq / alphavantage）
- 財報數據（SEC EDGAR / SEDAR+ / 公司 IR）
- ETF 持股（官方 CSV / N-PORT / 手動 URL）
因子計算: references/fundamental-factors.md
- AISC 成本因子
- 槓桿因子
- 倍數因子
- 稀釋因子
反推數學: references/backsolve-math.md
- 單因子反推公式
- 雙因子組合網格
- 校準常數估計
| Script | Command | Purpose |
|---|---|---|
| fundamental_analyzer.py | --quick |
快速分析 SIL/SI=F |
| fundamental_analyzer.py | --miner-universe etf:SILJ |
自訂礦業股 ETF |
| fundamental_analyzer.py | --backsolve-target 1.7 |
指定反推目標比率 |
| fundamental_analyzer.py | --event-study --min-separation 180 |
執行事件研究 |
| visualize_factors.py | --quick --output output/ |
生成四面板視覺化儀表板 |
| visualize_factors.py | --input result.json |
從 JSON 結果生成圖表 |
| scenario_path_simulator.py | --quick |
共同上漲情境路徑模擬 |
| scenario_path_simulator.py | --silver-monthly 5 --months 6 |
自訂銀價月漲幅與模擬月數 |
| scenario_path_simulator.py | --ratio-start 1.10 --ratio-end 1.20 |
自訂比率起終點 |
| scenario_path_simulator.py | --heatmap |
同時生成收益率熱力圖 |
| </scripts_index> |
核心參數
| 參數 | 類型 | 預設值 | 說明 |
|---|---|---|---|
| metal_symbol | string | SI=F | 金屬價格代碼（SI=F 白銀、GC=F 黃金） |
| miner_universe | object | etf:SIL | 礦業股/ETF 定義 |
| region_profile | string | us_sec | 監管與揭露來源（us_sec / canada_sedar） |
| time_range.start | string | 5 年前 | 分析起點（YYYY-MM-DD） |
| time_range.end | string | today | 分析終點 |
| time_range.frequency | string | weekly | 取樣頻率（daily/weekly/monthly） |
因子方法選擇
| 參數 | 類型 | 預設值 | 說明 |
|---|---|---|---|
| fundamental_methods.aisc | string | hybrid | AISC 抽取方法 |
| fundamental_methods.leverage | string | net_debt_to_ev | 槓桿計算方法 |
| fundamental_methods.multiple | string | ev_to_ebitda | 倍數計算方法 |
| fundamental_methods.dilution | string | weighted_avg_shares | 稀釋計算方法 |
分位門檻
| 參數 | 類型 | 預設值 | 說明 |
|---|---|---|---|
| ratio_thresholds.bottom | float | 0.20 | 底部分位數門檻 |
| ratio_thresholds.top | float | 0.80 | 頂部分位數門檻 |
完整參數定義見 references/input-schema.md。
完整輸出結構見 templates/output-json.md。
</output_schema_summary>
- 當前比率與歷史分位數
- 四大基本面因子（AISC、槓桿、倍數、稀釋）
- 權重加總後的組合因子
- 門檻反推結果（單因子 + 雙因子組合）
- 歷史底部事件的因子驅動排名
- 結果輸出為指定格式（JSON 或 Markdown）
- 數據來源與方法標註（aisc_method 等）
- 風險提示與後續研究建議
- 視覺化儀表板（PNG 格式，檔名含日期）</success_criteria>
Categories
Install
npx skillscat add fatfingererr/macro-skills/backsolve-miner-vs-metal-ratio-with-fundamentals Install via the SkillsCat registry.