detect-shanghai-silver-stock-drain（检测上海白银库存流失）

<essential_principles>

庫存分析的三維框架：

• 方向（Direction）：庫存是上升還是下降
• 速度（Speed）：每週流出量 drain_rate(t) = -Δ1(t)
• 加速度（Acceleration）：流出速度的變化 Δ2(t) = drain_rate(t) - drain_rate(t-1)

當 drain_rate > 0 且 Δ2 > 0 時，表示「庫存正在流出，且流出速度在加快」——這是晚期供給訊號的核心特徵。

使用歷史視窗（建議 3~5 年）計算 Z 分數：

• z_drain(t) = (drain_rate(t) - mean) / std
• z_accel(t) = (Δ2(t) - mean) / std

門檻判定：

把推文敘事轉為可執行規則：

訊號分級：

• HIGH_LATE_STAGE_SUPPLY_SIGNAL：A+B+C 同時成立
• MEDIUM_SUPPLY_TIGHTENING：(B+C) 或 (A+B) 成立
• WATCH：任一條件成立
• NO_SIGNAL：無異常

主要數據來源：

• CEIC Data：上海期貨交易所白銀倉單數據

- URL: https://www.ceicdata.com/zh-hans/china/shanghai-futures-exchange-commodity-futures-stock/cn-warehouse-stock-shanghai-future-exchange-silver - 數據範圍：2012-07-02 至今（約 3,300+ 觀測值） - 更新頻率：每日 - 歷史最高：3,091 噸 (2021-01-12)

重要提醒：

• 這是「交易所可交割/倉單」口徑，不等於全中國社會庫存
• 單週跳動可能反映倉儲規則變動或搬倉，需平滑處理
• 使用 Selenium 模擬人類瀏覽器抓取 SVG 圖表，遵循反偵測策略

</essential_principles>

1. 數據採集：抓取 SGE/SHFE 週報庫存數據
2. 三維量化：計算方向、速度、加速度
3. 標準化判斷：使用 Z 分數判定異常
4. 訊號生成：輸出晚期供給訊號分級
5. 市場交叉驗證（選配）：COMEX、ETF、現貨溢價

輸出：庫存水位、耗盡速度、加速度、Z 分數、訊號分級、敘事解讀。

<quick_start>

最快的方式：檢查上海白銀庫存耗盡狀態

cd skills/detect-shanghai-silver-stock-drain

# 首次使用：安裝依賴
pip install pandas numpy selenium webdriver-manager matplotlib

# 1. 抓取最新數據（5 年歷史，約 200+ 週）
python scripts/fetch_shfe_stock.py --force-update

# 2. 執行快速檢查
python scripts/drain_detector.py --quick

輸出範例：

{
  "as_of": "2026-01-16",
  "signal": "MEDIUM_SUPPLY_TIGHTENING",
  "latest_combined_stock_tonnes": 1133.3,
  "level_percentile": 0.12,
  "z_drain_rate": -2.1,
  "z_acceleration": 1.4
}

完整分析 + 視覺化報告：

# 1. 執行完整分析
python scripts/drain_detector.py \
  --start 2020-01-01 \
  --end 2026-01-16 \
  --output result.json

# 2. 生成視覺化報告
python scripts/visualize_drain.py \
  --result result.json \
  --output ../../../output/

</quick_start>

1. 快速檢查 - 查看目前上海白銀庫存耗盡狀態與訊號
2. 完整分析 - 執行完整的歷史庫存分析與趨勢計算
3. 數據更新 - 抓取最新的 SGE/SHFE 庫存數據
4. 交叉驗證 - 使用 COMEX、ETF 等指標交叉驗證
5. 方法論學習 - 了解三維度量化與訊號判定邏輯

請選擇或直接提供分析參數。

路由後，閱讀對應文件並執行。

<directory_structure>

detect-shanghai-silver-stock-drain/
├── SKILL.md                           # 本文件（路由器）
├── skill.yaml                         # 前端展示元數據
├── manifest.json                      # 技能元數據
├── workflows/
│   ├── analyze.md                     # 完整庫存分析工作流
│   ├── fetch-data.md                  # 數據抓取工作流
│   └── cross-validate.md              # 交叉驗證工作流
├── references/
│   ├── data-sources.md                # SGE/SHFE 資料來源說明
│   ├── methodology.md                 # 三維度量化方法論
│   └── input-schema.md                # 完整輸入參數定義
├── templates/
│   ├── output-json.md                 # JSON 輸出模板
│   └── output-markdown.md             # Markdown 報告模板
└── scripts/
    ├── drain_detector.py              # 主偵測腳本
    ├── fetch_sge_stock.py             # SGE 庫存抓取（PDF）
    ├── fetch_shfe_stock.py            # SHFE 庫存抓取
    └── visualize_drain.py             # 視覺化報告生成

</directory_structure>

<reference_index>

方法論: references/methodology.md

• 三維度量化邏輯（方向、速度、加速度）
• Z 分數標準化
• 三段式訊號判定

資料來源: references/data-sources.md

• SGE 行情周報 PDF 抓取
• SHFE 倉單/庫存周報抓取
• Selenium 反偵測策略

輸入參數: references/input-schema.md

• 完整參數定義
• 預設值與建議範圍

</reference_index>

<workflows_index>

<templates_index>

<scripts_index>

<input_schema_summary>

核心參數

分析參數

完整參數定義見 references/input-schema.md。

</input_schema_summary>

<output_schema_summary>

{
  "skill": "detect_shanghai_silver_stock_drain",
  "as_of": "2026-01-16",
  "unit": "tonnes",
  "sources": ["SGE", "SHFE"],
  "latest_combined_stock": 1133.3,
  "level_percentile": 0.12,
  "recent_4w_avg_drawdown": 58.4,
  "drawdown_acceleration": 9.7,
  "z_scores": {
    "z_drain_rate": -2.1,
    "z_acceleration": 1.4
  },
  "signal": "HIGH_LATE_STAGE_SUPPLY_SIGNAL",
  "narrative": [...],
  "caveats": [...]
}

完整輸出結構見 templates/output-json.md。 </output_schema_summary>

<success_criteria> 執行成功時應產出：

• 上海合併庫存水位（SGE + SHFE）
• 庫存水位歷史分位數
• 近 N 週平均流出速度
• 流出加速度
• z_drain_rate 與 z_acceleration
• 訊號分級（HIGH/MEDIUM/WATCH/NO_SIGNAL）
• 敘事解讀（中文）
• 數據口徑與限制說明 </success_criteria>