us-cpi-pce-comparator

**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。

**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

**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。

**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。

</essential_principles> 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

最快的方式：執行快速檢查

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：

{
  "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：

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

</quick_start> 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。

| 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。

``` 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>

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> | Workflow | Purpose | 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> | 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
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>

**Type**: string (ISO YYYY-MM-DD) **Description**: 分析起始日 **Type**: string (ISO YYYY-MM-DD) **Description**: 分析結束日 **Type**: string **Options**: `yoy` | `mom_saar` | `qoq_saar` **Type**: string **Format**: `YYYY-MM-DD:YYYY-MM-DD` **Description**: 基準期範圍，用於計算偏離度 </input_schema> 參見 `templates/output-json.md` 的完整結構定義。

摘要：

{
  "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> 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>