该技能用于侦测商品 ETF/信托持仓与商品价格之间的背离现象，即「商品价格上涨、但对应实物 ETF/信托持仓却下滑」，并据此评估是否存在实物供给紧张或交割压力风险。
用途与核心逻辑： 背离事件的定义为在相同视窗期（默认 180 天）内同时满足两个条件：价格上涨（price_return >= min_price_return_pct，默认 +15%）与库存下滑（inventory_change <= -min_inventory_drawdown_pct，默认 -10%）。当价格与库存同向（同涨同跌）时视为正常；逆向（价涨库跌）时才需要警觉。技能强调不能直接把「库存下降」解读为「实物被抢」，需要交叉验证，并输出两种解释（实物紧张、资金流/赎回）让用户判断哪个更符合当前数据。
主要能力：
- 侦测背离：识别价格上涨但 ETF 库存下滑的情形。
- 评估严重度：计算背离程度、十年低点、比值极端；压力分数公式为 stress_score = 100 × min(1.0, 0.6 × divergence_severity + 0.2 × decade_low_bonus + 0.2 × ratio_extreme_bonus)。分数区间解读：0-30 正常无背离，30-60 轻度背离值得关注，60-80 中度背离建议深入验证，80-100 重度背离高度警戒。
- 交叉验证：使用 COMEX、期货结构、零售溢价等指标，支持条件与反驳条件对照（如实物紧张假设的支持条件为 COMEX/LBMA 下降、backwardation、lease rates 上升、零售溢价扩大，反驳条件为其他库存稳定、contango、溢价平稳）。
- 产出洞察：提供两种对立假设，避免单一叙事偏误；输出背离状态、压力分数、交叉验证结果、下一步检查建议。
数据来源与抓取方式： 优先使用 ETF 官网库存，通过 Selenium 模拟人类浏览器行为抓取（避免 API 限制）；使用 Yahoo Finance 的 yfinance 套件取得现货/期货价格；并交叉验证 COMEX 库存、期货结构等公开数据。脚本位于 scripts/ 目录，遵循 references/data-sources.md 的反侦测策略。
使用方式（命令与脚本）： 最快方式是检查 SLV 背离状态： cd skills/monitor-etf-holdings-drawdown-risk pip install pandas numpy yfinance selenium webdriver-manager beautifulsoup4 matplotlib # 首次使用 python scripts/divergence_detector.py --etf SLV --quick 快速检查输出范例： { "asof": "2026-01-20", "divergence": false, "price_return_window": 1.92, "inventory_change_window": 0.15, "inventory_decade_low": false, "stress_score_0_100": 20.0, "interpretations": ["Physical Tightness", "ETF Flow Hypothesis"] } 完整分析 + 可视化报告：
1. 执行背离侦测
python scripts/divergence_detector.py
--etf SLV
--start 2010-01-01
--end 2026-01-20
--output result.json
2. 生成可视化报告
python scripts/visualize_divergence.py
--result result.json
--output ../../../output/
输出包括：JSON 分析结果 result.json、可视化报告 output/SLV_divergence_report_20260120.png、PDF 报告 output/SLV_divergence_report_20260120.pdf。
工作流与功能入口包括：快速检查（查看指定 ETF 目前背离状态与压力分数）、完整分析（执行完整历史背离分析）、交叉验证（使用多指标验证背离讯号真实性）、监控模式（设定持续监控与背离警报）、方法论学习（了解背离侦测与双重假设逻辑）。采用路由后阅读对应文件并执行的方式。
目录结构包含 SKILL.md（路由器）、skill.yaml、manifest.json、workflows/（analyze.md、monitor.md、cross-validate.md）、references/（data-sources.md、methodology.md、input-schema.md）、templates/（output-json.md、output-markdown.md）、scripts/（divergence_detector.py、fetch_etf_holdings.py、fetch_prices.py）。
关键输入参数： 核心参数：etf_ticker（string，必填，如 SLV）、commodity_price_symbol（string，必填，如 XAGUSD）、start_date（string，默认 10Y 前）、end_date（string，默认 today）。 背离参数：divergence_window_days（int，默认 180）、decade_low_window_days（int，默认 3650）、min_price_return_pct（float，默认 0.15）、min_inventory_drawdown_pct（float，默认 0.10）。完整参数定义见 references/input-schema.md。
输出结构摘要： 包含 skill、asof、inputs（etf_ticker、commodity_price_symbol）、result（divergence、price_return_window、inventory_change_window、inventory_decade_low、inventory_to_price_ratio_z、stress_score_0_100）、interpretations、next_checks。完整输出结构见 templates/output-json.md。
成功标准：执行成功时应产出背离状态判定（divergence: true/false）、价格变化与库存变化数值、十年低点判定、库存/价格比值 Z 分数、压力分数（0-100）、两种对立假设解释、下一步验证建议清单。
适用场景：适合需要完整历史背离分析、日常监控或警报、以及确认背离真实性时使用。
限制：资料中未提供具体收费、价格、平台支持范围、实时性保证及准确率等信息。