PBOC:n juan-strategian sisällä: mitä kasvava fixing-ero tarkoittaa ja miksi tekoälyn ennusteet jäävät vajaiksi

Joulukuusta 2025 lähtien tätä nappulaa on käännetty negatiiviseksi. Tämä tarkoittaa, että PBOC asettaa johdonmukaisesti fixing-kursseja heikommiksi kuin mekaaninen kaava itsessään tuottaisi – suora pyrkimys hidastaa juanin vahvistumista . Luvut osoittavat politiikan toiminnassa:

• 22. huhtikuuta 2026: Fixing 6,8635 vs. markkina-arvio 6,8233 – 0,59 %:n poikkeama .
• 15. toukokuuta 2026: Fixing 6,8415 vs. Reutersin arvio 6,7976 – noin 440 pisteen ero .
• 18. toukokuuta 2026: Fixing 6,8435 vs. arvio 6,8086 .

Motivaationa on ennätyksiä rikkova kauppakone. Kiinan vienti nousi 3,8 biljoonaan dollariin vuonna 2025 tuottaen 1,2 biljoonan dollarin ylijäämän . Hallitsematon juanin vahvistuminen rapauttaisi vientihintaetuja juuri silloin, kun kotimaiset deflaatiopaineet jo valmiiksi painavat kuluttajien luottamusta . PBOC tasapainoilee nuoralla: sallii asteittaisen vahvistumisen – jopa 8 % tähän mennessä – samalla estäen sellaiset nopeat, yksisuuntaiset liikkeet, jotka houkuttelevat spekulatiivisia kuumaa rahaa -virtoja ja horjuttavat valuuttaa .

Negatiivinen CCF on tietoinen puoliaskel: se viestii, että vahvistuminen on edelleen hyväksyttävää, mutta keskuspankin valitsemalla tahdilla, ei markkinoiden .

Kuinka kauppiaat käyttävät tekoälyä fixingin takaisinmallintamiseen

Kauppiaille päivittäinen fixing on Aasian session tärkein yksittäinen luku. Väärällä puolella oleminen yllättävää fixingiä voi pyyhkiä viikkojen tuotot. Tämä on käynnistänyt käytännön varustelukilpailun ennustamisessa, jonka keskiössä ovat nyt transformeri-pohjaiset syväoppimismallit – sama arkkitehtuuri, joka käyttää suuria kielimalleja.

Lu Zhaon ja Wei Qi Yanin vuoden 2024 tutkimus osoitti, että transformeri-pohjaiset mallit "ylittävät huomattavasti" LSTM:n ja muut perinteiset neuroverkot valuuttakurssien ennustamisessa, erityisesti korkean volatiliteetin aikana . Tarkemmin sanottuna Temporal Fusion Transformer (TFT) saavutti jopa 0,94:n R²-arvon valuuttakurssiennustuksessa riippumattomassa testauksessa, ja volatiliteetti-indeksien, kuten VIX:n, integrointi paransi tarkkuutta entisestään .

Suorimmin aiheeseen liittyvä akateeminen työ on peräisin vuoden 2024 yhteistyöstä, johon osallistuivat Nanyangin teknillisen yliopiston (NTU) tietojenkäsittelytieteen ja datatieteen college, Central University of Finance and Economics ja Kiinan tiedeakatemia. Tutkijat kyseenalaistivat perinteisen lähestymistavan, jossa PBOC:n fixingin ennustamiseksi rakennetaan manuaalisesti rahoituksellisia tekijöitä, ja ehdottivat sen sijaan päästä-päähän-mallia, Intraday Risk Factor Transformeria (IRFT), poimimaan piileviä ennustepiirteitä suoraan raakadatasta – käytännössä automatisoiden piilotetun vastasyklisen tekijän etsinnän .

Erillinen tutkimus NTU:ssa on laajentanut näitä tutkimuslinjoja. Yhdessä tutkimuksessa sovellettiin syväoppimista valuuttakurssien aikasarjaennustamiseen ja käytettiin kontrafaktuaalisia selityksiä tehdäkseen mallin päättelystä tulkittavaa . NTU:n tutkijaan liittyvä "DeepForex"-projekti GitHubissa yhdisti Transformer-hintaennustemallin Deep Q-Network (DQN) -vahvistusoppimisagenttiin automatisoidun kaupankäynnin toteuttamiseksi – integroiden ennustamisen ja toiminnan .

Myös institutionaalinen kiinnostus, erityisesti Kansainvälisen järjestelypankin (BIS) taholta, on vahvistanut tämän lähestymistavan. BIS:n työpaperissa yhdistettiin rekursiiviset neuroverkot suuriin kielimalleihin valuuttamarkkinoiden toimintahäiriöiden ennustamiseksi ja selittämiseksi 60 arkipäivän päähän, mikä korostaa, että keskuspankit itse tutkivat näitä menetelmiä .

Käytännön kaupankäynnissä työnkulku näyttää tältä:

• Tunnetut komponentit (edellisen päivän päätöskurssi ja yön aikaiset valuuttakorin liikkeet) syötetään jäsenneltyinä muuttujina.
• Piilotettua CCF:ää käsitellään havaitsemattomana piilevänä muuttujana – mallin keskeinen oppimistavoite on päätyä siihen fixing-käyttäytymisen historiallisten kaavojen perusteella.
• Tulosteet ohjaavat positioiden ottoa ennen fixingiä, ja asemoituminen saatetaan loppuun ennen kuin Pekingin aikaa klo 09:15 tapahtuva ilmoitus julkistaa virallisen luvun .

Ylitsepääsemätön raja: politiikka ei ole tilastollinen prosessi

PBOC:n fixingin ennustamisen ongelma ei ole datan hälyisyys. Ongelma on se, että itse signaali – päätökset vastasyklisestä tekijästä – syntyy läpinäkymättömässä, monitavoitteellisessa poliittis-taloudellisessa laskelmoinnissa, joka ei jätä selkeää numeerista jalanjälkeä.

Ensinnäkin CCF on signalointimekanismi. Kun PBOC asettaa fixingin 440 pistettä konsensusta heikommaksi, tuo ero on se viesti. Se kommunikoi markkinoille, kauppakumppaneille ja kotimaisille viejille, ettei keskuspankki siedä nopeaa vahvistumista, vaikka mekaaninen kaava sellaisen tuottaisikin . Mikään historiallinen hintasarja ei sisällä tämän aamun poliittista aikomusta.

Toiseksi PBOC:n politiikkamieltymykset ovat epästationaarisia. Vuoden 2023 puolivälistä vuoden 2024 loppuun CCF:ää käytettiin vastustamaan heikentymistä, tuottaen ajoittain fixing-kursseja, jotka olivat dramaattisesti markkina-arvioita vahvempia dollarin vahvuuden patoamiseksi . Joulukuusta 2025 lähtien se on kääntynyt vastustamaan vahvistumista . Malli, joka on koulutettu heikentymisen aikakauden järjestelmällä, olisi rakenteellisesti väärässä nykyisessä ympäristössä – ja muutos tapahtui ilman nimenomaista ilmoitusta, näkyen ainoastaan jälkikäteen päätellyssä CCF:ssä.

Kolmanneksi PBOC voi muuttaa kantaansa yhdessä yössä. Kauppaneuvottelujen kehitys, politbyroon kokouksen lopputulos tai muutos kotimaisissa taloudellisissa prioriteeteissa voi muuttaa hyväksyttävää vahvistumisvauhtia ennen kuin mikään markkinadata heijastaa sitä.

Backtesteissä tekoälymallit voivat oppia historialliset PBOC:n reagointifunktiot ja saavuttaa korkeita R²-arvoja, mutta jäännösvirhe ei ole kohinaa – se on harkintaa. Mallit mittaavat mitattavissa olevan; CCF mittaa rakenteensa puolesta sitä, mitä keskuspankki haluaa sinä tiettynä hetkenä. Kun ero kasvaa, ero on se lopputulema. Sen tuottava poliittinen panos pysyy minkä tahansa puhtaasti datavetoisen järjestelmän tavoittamattomissa.