Od prosince 2025 je tento knoflík nastaven na zápornou hodnotu, což znamená, že PBOC systematicky stanovuje fixingy slabší, než by sám o sobě vygeneroval mechanický vzorec – jde o přímou snahu zpomalit posilování jüanu . Čísla ukazují tuto politiku v praxi:

• 22. dubna 2026: Fixing na 6,8635 oproti tržnímu odhadu 6,8233 – odchylka 0,59 % .
• 15. května 2026: Fixing na 6,8415 oproti odhadu Reuters 6,7976 – mezera zhruba 440 pipů .
• 18. května 2026: Fixing na 6,8435 proti odhadu 6,8086 .

Motivací je rekordní obchodní mašinerie. Čínský export dosáhl v roce 2025 hodnoty 3,8 bilionu dolarů a přebytek obchodní bilance činil 1,2 bilionu dolarů . Nekontrolovaný růst jüanu by snižoval cenové výhody exportu právě ve chvíli, kdy domácí deflační tlaky už tak dusí spotřebitelskou důvěru . PBOC balancuje na laně: umožňuje postupné posilování – už teď dosáhlo 8 % – a zároveň brání rychlým, jednosměrným pohybům, které by přilákaly spekulativní horké peníze a destabilizovaly měnu .

Záporný CCF je záměrným polovičním krokem: signalizuje, že další posílení je přijatelné, ale tempem, které si určí centrální banka, nikoli trh .

Jak obchodníci využívají AI k reverznímu inženýrství fixingu

Pro obchodníky je denní fixing nejdůležitějším číslem asijské seance. Být na špatné straně překvapivého fixingu může smazat týdenní zisky. To vyvolalo praktické závody ve zbrojení v oblasti predikcí, přičemž v centru dění stojí modely hlubokého učení založené na transformerech – tedy na architektuře, která pohání velké jazykové modely.

Studie Lu Zhaoa a Wei Qi Yana z roku 2024 zjistila, že modely na bázi transformerů „výrazně překonávají“ LSTM a další starší neuronové sítě při predikci měnových kurzů, a to zejména v obdobích zvýšené volatility . Konkrétně model Temporal Fusion Transformer (TFT) dosáhl v nezávislém testování při předpovídání směnných kurzů hodnoty R² až 0,94, přičemž zahrnutí indexů volatility, jako je VIX, přesnost dále zlepšilo .

Nejpříměji relevantní akademická práce pochází ze spolupráce mezi College of Computing and Data Science singapurské Nanyang Technological University, Centrální univerzitou financí a ekonomie a Čínskou akademií věd z roku 2024. Výzkumníci zpochybnili standardní přístup ruční konstrukce finančních faktorů pro predikci fixingu PBOC a místo toho navrhli end-to-end model, Intraday Risk Factor Transformer (IRFT), který získává latentní prediktivní rysy přímo z hrubých tržních dat – v podstatě jde o automatizaci hledání skrytého proticyklického faktoru .

Samostatná práce na NTU tyto směry zkoumání rozšířila. Jedna studie aplikovala hluboké učení na predikci forexových časových řad a použila kontrafaktuální vysvětlení, aby bylo uvažování modelu interpretovatelné . Projekt „DeepForex“ na GitHubu, spojený s výzkumníkem z NTU, zkombinoval cenový predikční model Transformer s agentem pro zpětnovazební učení Deep Q-Network (DQN) k provádění automatizovaných obchodů – tedy integroval predikci s akcí .

Institucionální zájem, zejména ze strany Banky pro mezinárodní platby (BIS), tento přístup rovněž potvrdil. Pracovní dokument BIS zkombinoval rekurentní neuronové sítě s velkými jazykovými modely, aby předpověděl a vysvětlil dysfunkci měnového trhu 60 obchodních dnů dopředu, což podtrhuje, že tyto metody studují i samotné centrální banky .

V praktickém obchodování vypadá pracovní postup takto:

• Známé složky (předchozí závěrečný kurz a noční pohyby koše) se zadávají jako strukturované vstupy.
• Skrytý CCF se považuje za nepozorovanou latentní proměnnou – hlavním učebním cílem modelu je odvodit ji z historických vzorců chování fixingu.
• Výstupy slouží jako podklad pro zaujímání pozic před fixingem, přičemž pozicování je dokončeno před zveřejněním oficiálního čísla v 9:15 pekingského času .

Neodstranitelný limit: politika není statistický proces

Problém s predikcí fixingu PBOC nespočívá v zašuměných datech. Spočívá v tom, že samotný signál – rozhodnutí o proticyklickém faktoru – má původ v neprůhledném, multi-objektivním politicko-ekonomickém kalkulu, který nezanechává čistou numerickou stopu.

Zaprvé, CCF je signalizační mechanismus. Když PBOC nastaví fixing o 440 pipů slabší, než je konsenzus, tato mezera je onou zprávou. Sděluje trhům, obchodním partnerům a domácím exportérům, že centrální banka nebude tolerovat rychlé posílení, i kdyby ho mechanický vzorec vygeneroval . Žádná historická cenová řada neobsahuje dnešní ranní politický záměr.

Zadruhé, politické preference PBOC jsou nestacionární. Od poloviny roku 2023 do konce roku 2024 byl CCF nasazován k bránění oslabení, což někdy vedlo k fixingům dramaticky silnějším, než byly odhady trhu, aby se omezila síla dolaru . Od prosince 2025 se přepnul na bránění posílení . Model natrénovaný na datech z éry oslabování by byl v současném prostředí strukturálně chybný – a k tomuto posunu došlo bez jakéhokoli explicitního oznámení, viditelný je pouze ve zpětně odvozeném CCF.

Zatřetí, PBOC může svůj postoj změnit přes noc. Vývoj obchodních jednání, výsledek zasedání politbyra nebo posun v domácích ekonomických prioritách může změnit přijatelné tempo posilování dřív, než to jakákoli tržní data odrazí.

Ve zpětných testech se modely AI mohou naučit historické reakční funkce PBOC a dosahovat vysokých hodnot R², ale zbytková chyba není šumem – je to diskrece. Modely měří, co změřit lze; CCF ze své podstaty měří to, co centrální banka v daném okamžiku chce. Když se nůžky rozevřou, mezera je výsledkem. Politický vstup, který ji vytváří, zůstává pro jakýkoli čistě datově řízený systém nepozorovatelný.

Od prosince 2025 je tento knoflík nastaven na zápornou hodnotu, což znamená, že PBOC systematicky stanovuje fixingy slabší, než by sám o sobě vygeneroval mechanický vzorec – jde o přímou snahu zpomalit posilování jüanu . Čísla ukazují tuto politiku v praxi:

• 22. dubna 2026: Fixing na 6,8635 oproti tržnímu odhadu 6,8233 – odchylka 0,59 % .
• 15. května 2026: Fixing na 6,8415 oproti odhadu Reuters 6,7976 – mezera zhruba 440 pipů .
• 18. května 2026: Fixing na 6,8435 proti odhadu 6,8086 .

Motivací je rekordní obchodní mašinerie. Čínský export dosáhl v roce 2025 hodnoty 3,8 bilionu dolarů a přebytek obchodní bilance činil 1,2 bilionu dolarů . Nekontrolovaný růst jüanu by snižoval cenové výhody exportu právě ve chvíli, kdy domácí deflační tlaky už tak dusí spotřebitelskou důvěru . PBOC balancuje na laně: umožňuje postupné posilování – už teď dosáhlo 8 % – a zároveň brání rychlým, jednosměrným pohybům, které by přilákaly spekulativní horké peníze a destabilizovaly měnu .

Záporný CCF je záměrným polovičním krokem: signalizuje, že další posílení je přijatelné, ale tempem, které si určí centrální banka, nikoli trh .

Jak obchodníci využívají AI k reverznímu inženýrství fixingu

Pro obchodníky je denní fixing nejdůležitějším číslem asijské seance. Být na špatné straně překvapivého fixingu může smazat týdenní zisky. To vyvolalo praktické závody ve zbrojení v oblasti predikcí, přičemž v centru dění stojí modely hlubokého učení založené na transformerech – tedy na architektuře, která pohání velké jazykové modely.

Studie Lu Zhaoa a Wei Qi Yana z roku 2024 zjistila, že modely na bázi transformerů „výrazně překonávají“ LSTM a další starší neuronové sítě při predikci měnových kurzů, a to zejména v obdobích zvýšené volatility . Konkrétně model Temporal Fusion Transformer (TFT) dosáhl v nezávislém testování při předpovídání směnných kurzů hodnoty R² až 0,94, přičemž zahrnutí indexů volatility, jako je VIX, přesnost dále zlepšilo .

Nejpříměji relevantní akademická práce pochází ze spolupráce mezi College of Computing and Data Science singapurské Nanyang Technological University, Centrální univerzitou financí a ekonomie a Čínskou akademií věd z roku 2024. Výzkumníci zpochybnili standardní přístup ruční konstrukce finančních faktorů pro predikci fixingu PBOC a místo toho navrhli end-to-end model, Intraday Risk Factor Transformer (IRFT), který získává latentní prediktivní rysy přímo z hrubých tržních dat – v podstatě jde o automatizaci hledání skrytého proticyklického faktoru .

Samostatná práce na NTU tyto směry zkoumání rozšířila. Jedna studie aplikovala hluboké učení na predikci forexových časových řad a použila kontrafaktuální vysvětlení, aby bylo uvažování modelu interpretovatelné . Projekt „DeepForex“ na GitHubu, spojený s výzkumníkem z NTU, zkombinoval cenový predikční model Transformer s agentem pro zpětnovazební učení Deep Q-Network (DQN) k provádění automatizovaných obchodů – tedy integroval predikci s akcí .

Institucionální zájem, zejména ze strany Banky pro mezinárodní platby (BIS), tento přístup rovněž potvrdil. Pracovní dokument BIS zkombinoval rekurentní neuronové sítě s velkými jazykovými modely, aby předpověděl a vysvětlil dysfunkci měnového trhu 60 obchodních dnů dopředu, což podtrhuje, že tyto metody studují i samotné centrální banky .

V praktickém obchodování vypadá pracovní postup takto:

• Známé složky (předchozí závěrečný kurz a noční pohyby koše) se zadávají jako strukturované vstupy.
• Skrytý CCF se považuje za nepozorovanou latentní proměnnou – hlavním učebním cílem modelu je odvodit ji z historických vzorců chování fixingu.
• Výstupy slouží jako podklad pro zaujímání pozic před fixingem, přičemž pozicování je dokončeno před zveřejněním oficiálního čísla v 9:15 pekingského času .

Neodstranitelný limit: politika není statistický proces

Problém s predikcí fixingu PBOC nespočívá v zašuměných datech. Spočívá v tom, že samotný signál – rozhodnutí o proticyklickém faktoru – má původ v neprůhledném, multi-objektivním politicko-ekonomickém kalkulu, který nezanechává čistou numerickou stopu.

Zaprvé, CCF je signalizační mechanismus. Když PBOC nastaví fixing o 440 pipů slabší, než je konsenzus, tato mezera je onou zprávou. Sděluje trhům, obchodním partnerům a domácím exportérům, že centrální banka nebude tolerovat rychlé posílení, i kdyby ho mechanický vzorec vygeneroval . Žádná historická cenová řada neobsahuje dnešní ranní politický záměr.

Zadruhé, politické preference PBOC jsou nestacionární. Od poloviny roku 2023 do konce roku 2024 byl CCF nasazován k bránění oslabení, což někdy vedlo k fixingům dramaticky silnějším, než byly odhady trhu, aby se omezila síla dolaru . Od prosince 2025 se přepnul na bránění posílení . Model natrénovaný na datech z éry oslabování by byl v současném prostředí strukturálně chybný – a k tomuto posunu došlo bez jakéhokoli explicitního oznámení, viditelný je pouze ve zpětně odvozeném CCF.

Zatřetí, PBOC může svůj postoj změnit přes noc. Vývoj obchodních jednání, výsledek zasedání politbyra nebo posun v domácích ekonomických prioritách může změnit přijatelné tempo posilování dřív, než to jakákoli tržní data odrazí.

Ve zpětných testech se modely AI mohou naučit historické reakční funkce PBOC a dosahovat vysokých hodnot R², ale zbytková chyba není šumem – je to diskrece. Modely měří, co změřit lze; CCF ze své podstaty měří to, co centrální banka v daném okamžiku chce. Když se nůžky rozevřou, mezera je výsledkem. Politický vstup, který ji vytváří, zůstává pro jakýkoli čistě datově řízený systém nepozorovatelný.