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:
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 .
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:
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.
Comments
0 comments