用途
zeberg-salomon-rotator 用领先指标与同时指标建构景气模型，判读景气的两种阶段——景气扩张期（Risk-On）与景气收缩期（Risk-Off），并根据理论给出「撞冰山」与「下沉」事件信号，同时产生两种状态之间的切换事件。
模型逻辑
Zeberg–Salomon 模型将市场简化为两种状态：
- RISK_ON：持有股票（默认 SPY），对应景气扩张期。
- RISK_OFF：持有长债（默认 TLT），对应景气收缩期。
切换逻辑基于「领先指标先转弱，同时指标后确认」的景气循环规律。指标分为两类：Leading（预警，典型成分为殖利率曲线、新订单、房市许可，领先时间约 6-12 月）；Coincident（确认，典型成分为就业、工业生产、实质收入，同步）。
合成方式：各序列做 transform（yoy/mom/diff）、统一方向（direction +1/-1）、Rolling z-score 标准化、EMA 平滑、加权合成。
事件定义：
- Iceberg Event：LeadingIndex < iceberg_threshold，属预警，表示景气开始转弱，可搭配「领先指标下降」与可选的「市场亢奋」滤镜。
- Sinking Event：CoincidentIndex < sinking_threshold，属确认，表示实体经济收缩，通常在 Iceberg 之后数月发生。
状态机逻辑：RISK_ON → RISK_OFF 需 Iceberg 连续确认且斜率为负；RISK_OFF → RISK_ON 需领先指标回升超过 (threshold + hysteresis)。
主要能力
- 建构指标：从 FRED 数据合成 LeadingIndex 与 CoincidentIndex。
- 侦测事件：识别「冰山」（领先转弱）与「下沉」（同时确认）。
- 切换信号：产生 RISK_ON ↔ RISK_OFF 切换事件。
- 回测绩效：计算累积报酬、MaxDD、CAGR，并与 benchmark 比较。
- 输出：切换事件清单、指标时间序列、回测摘要、诊断信息。
工作流包括 backtest（完整历史回测）、visualize（生成视觉化图表）、monitor（持续监控状态）、analyze（深度指标分析）。
数据来源
本 skill 使用无需 API key 的资料源：FRED CSV（https://fred.stlouisfed.org/graph/fredgraph.csv?id={SERIES_ID}）与 Yahoo Finance（yfinance 套件抓取 SPY, TLT, VIX）。
使用方式
最快的方式是执行预设回测：
cd skills/zeberg-salomon-rotator
pip install pandas numpy yfinance pandas-datareader # 首次使用
python scripts/rotator.py --quick
输出范例：
{
"state": "RISK_ON",
"latest_indices": {"LeadingIndex": 0.41, "CoincidentIndex": 0.22},
"iceberg_event": false,
"sinking_event": false,
"last_switch": {"date": "2023-06-30", "action": "EXIT_LONG_BOND_ENTER_EQUITY"}
}
完整回测：
python scripts/rotator.py --start 2000-01-01 --end 2026-01-01 --output result.json
脚本包括 rotator.py（主轮动脚本，--quick 快速检查当前状态，--start DATE --end DATE 完整回测）、visualize.py（-i result.json -o chart.png 生成视觉化图表）、fetch_data.py（--series T10Y3M,PAYEMS 抓取 FRED 资料）。
核心参数
start_date 默认 2000-01-01；end_date 默认 today；freq 默认 M（月）；equity_proxy 默认 SPY；bond_proxy 默认 TLT。门槛参数：iceberg_threshold 默认 -0.3；sinking_threshold 默认 -0.5；confirm_periods 默认 2；hysteresis 默认 0.15。
输出结构
输出包含 skill、as_of、state（RISK_ON 或 RISK_OFF）、latest_indices（LeadingIndex、CoincidentIndex、iceberg_event、sinking_event）、switch_events、backtest_summary（cagr、max_drawdown、turnovers）。
执行成功时应产出：当前状态、LeadingIndex 与 CoincidentIndex 数值、冰山/下沉事件判定、切换事件清单（含日期、原因）、回测绩效摘要（CAGR、MaxDD、换手次数）、与 benchmark 比较（买入持有、60/40）、诊断信息（各指标贡献），以及可选的可视化图表（输出至 output/ 目录）。
目录结构
zeberg-salomon-rotator/ 包含 SKILL.md、skill.yaml、manifest.json、workflows/（backtest.md、visualize.md、monitor.md、analyze.md）、references/（data-sources.md、methodology.md、input-schema.md）、templates/（output-json.md、output-markdown.md）、scripts/（rotator.py、visualize.py、fetch_data.py）。
适用场景与限制
适用于需要依据景气循环进行股票与长债之间轮动判断、并做历史回测与状态监控的场景。资料中未提供收费、价格、平台支持范围、实际投资绩效保证或使用限制的更多细节，暂未提供。