us-cpi-pce-comparator（美国消费者物价指数 PCE 比较）

<essential_principles>

• 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。

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

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。

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>

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

<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>

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。

路由後，閱讀對應文件並執行。

<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>

<templates_index>

<scripts_index>

<input_schema>

</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>