<essential_principles>
<principle name="weight_difference"> **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。 </principle>
<principle name="volatility_matters"> **低波動 + 高權重 = PCE 上行風險訊號**識別邏輯：
- 找出 PCE 權重較高的消費桶（consumer spending buckets）
- 在這些桶中，篩選價格波動度較低者
- 若這些桶的通膨近期轉正或加速，標記為 PCE upside risk </principle>
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。
</principle>
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。
</principle>
</essential_principles>
<objective> 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：
- Headline level: CPI vs PCE divergence（bps）
- Attribution: 哪些 buckets 在推升 PCE（weighted contribution）
- Risk framing: 觀察點與延續性風險評估 </objective>
<quick_start>
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>
<intake> 需要進行什麼分析？- 快速檢查 - 查看最新的 CPI/PCE 分歧數據
- 完整分析 - 執行完整的三步驟分析工作流
- 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。 </intake>
<routing> | 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。 </routing>
<directory_structure>
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>
<reference_index>
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>
<workflows_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> |
<templates_index>
| Template | Purpose |
|---|---|
| output-json.md | JSON 輸出結構定義 |
| output-markdown.md | Markdown 報告模板 |
| </templates_index> |
<scripts_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> |
<input_schema>
<parameter name="start_date" required="true"> **Type**: string (ISO YYYY-MM-DD) **Description**: 分析起始日 </parameter> <parameter name="end_date" required="false" default="today"> **Type**: string (ISO YYYY-MM-DD) **Description**: 分析結束日 </parameter> <parameter name="measure" required="false" default="yoy"> **Type**: string **Options**: `yoy` | `mom_saar` | `qoq_saar` </parameter> <parameter name="baseline" required="false"> **Type**: string **Format**: `YYYY-MM-DD:YYYY-MM-DD` **Description**: 基準期範圍，用於計算偏離度 </parameter></input_schema>
<output_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>
<success_criteria> 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>