Strategi Yuan PBOC: Mengapa Celah 'Fixing' Melebar dan Mengapa AI Tak Bisa Menebaknya

Sejak Desember 2025, kenop tersebut diputar ke arah negatif. Artinya, PBOC secara sistematis menetapkan 'fixing' lebih lemah dari yang akan dihasilkan oleh formula mekanisnya sendiri — sebuah upaya langsung untuk memperlambat laju apresiasi yuan . Data menunjukkan kebijakan ini sedang beraksi:

• 22 April 2026: 'Fixing' di 6,8635 vs. estimasi pasar 6,8233 — deviasi 0,59% .
• 15 Mei 2026: 'Fixing' di 6,8415 vs. estimasi Reuters 6,7976 — celah sekitar 440 pip .
• 18 Mei 2026: 'Fixing' di 6,8435 vs. estimasi 6,8086 .

Motivasinya adalah mesin perdagangan yang memecahkan rekor. Ekspor China mencapai $3,8 triliun pada tahun 2025, menghasilkan surplus $1,2 triliun . Lonjakan yuan yang tak terkendali akan mengikis keunggulan harga ekspor tepat ketika tekanan deflasi domestik sudah menekan kepercayaan konsumen . PBOC sedang berjalan di atas tali: mengizinkan apresiasi bertahap — sudah mencapai 8% — sambil mencegah pergerakan cepat satu arah yang dapat mengundang aliran uang panas spekulatif dan mengacaukan stabilitas mata uang .

CCF negatif adalah setengah langkah yang disengaja: ini memberi sinyal bahwa apresiasi lebih lanjut dapat diterima, tetapi harus sesuai kecepatan yang dipilih bank sentral, bukan pasar .

Bagaimana trader menggunakan AI untuk merekayasa balik 'fixing'

Bagi trader, 'fixing' harian adalah angka terpenting di sesi Asia. Berada di sisi yang salah dari 'fixing' yang mengejutkan bisa melenyapkan keuntungan berminggu-minggu. Ini mendorong perlombaan senjata praktis dalam prediksi, dengan model 'deep learning' berbasis Transformer — arsitektur yang sama yang mendukung model bahasa besar — kini menjadi pusat upaya.

Sebuah studi tahun 2024 oleh Lu Zhao dan Wei Qi Yan menemukan bahwa model berbasis Transformer "jauh melampaui" LSTM dan jaringan saraf warisan lainnya dalam prediksi nilai tukar mata uang, terutama selama periode volatilitas tinggi . Lebih spesifik, Temporal Fusion Transformer (TFT) mencapai R² hingga 0,94 dalam peramalan nilai tukar dalam pengujian independen, dengan penambahan indeks volatilitas seperti VIX yang lebih meningkatkan akurasi .

Karya akademis yang paling relevan datang dari kolaborasi tahun 2024 antara Sekolah Tinggi Komputasi dan Sains Data, Nanyang Technological University (NTU), Central University of Finance and Economics, dan Chinese Academy of Sciences. Para peneliti menantang pendekatan standar yang membangun faktor keuangan secara manual untuk memprediksi 'fixing' PBOC. Alih-alih, mereka mengusulkan model 'end-to-end', Intraday Risk Factor Transformer (IRFT), untuk mengekstrak fitur prediktif laten langsung dari data pasar mentah — pada dasarnya, mengotomatiskan pencarian faktor kontra-siklus yang tersembunyi .

Karya terpisah di NTU telah memperluas jalur penelitian ini. Satu studi menerapkan 'deep learning' pada peramalan deret waktu valas dan menggunakan penjelasan kontrafaktual untuk membuat penalaran model dapat diinterpretasikan . Proyek "DeepForex" di GitHub, yang berafiliasi dengan seorang peneliti NTU, menggabungkan model prediksi harga Transformer dengan agen 'reinforcement learning' Deep Q-Network (DQN) untuk mengeksekusi perdagangan otomatis — mengintegrasikan prediksi dengan aksi .

Ketertarikan institusional, terutama dari Bank for International Settlements (BIS), juga memvalidasi pendekatan ini. Sebuah makalah kerja BIS menggabungkan recurrent neural networks dengan model bahasa besar untuk meramalkan dan menjelaskan disfungsi pasar mata uang 60 hari kerja sebelumnya. Ini menegaskan bahwa bank sentral sendiri sedang mempelajari metode-metode ini .

Dalam istilah perdagangan praktis, alur kerjanya tampak seperti ini:

• Komponen yang diketahui (penutupan sebelumnya dan pergerakan sekeranjang semalam) dimasukkan sebagai input terstruktur.
• CCF yang tersembunyi diperlakukan sebagai variabel laten yang tak teramati. Tujuan utama pembelajaran model adalah menyimpulkannya dari pola historis perilaku 'fixing'.
• Output menginformasikan pengambilan posisi pra-'fixing', dengan penentuan posisi diselesaikan sebelum pengumuman pukul 09:15 waktu Beijing yang merilis angka resmi .

Batas yang tak tereduksi: kebijakan bukanlah proses statistik

Masalah dalam memprediksi 'fixing' PBOC bukanlah karena datanya 'noisy'. Masalahnya adalah sinyal itu sendiri — keputusan tentang faktor kontra-siklus — berasal dari kalkulus politik-ekonomi yang buram dan multi-tujuan, yang tidak meninggalkan jejak numerik yang bersih.

Pertama, CCF adalah mekanisme sinyal. Ketika PBOC menetapkan 'fixing' 440 pip lebih lemah dari konsensus, celah itu adalah pesannya. Ini berkomunikasi kepada pasar, mitra dagang, dan eksportir domestik bahwa bank sentral tidak akan mentoleransi apresiasi cepat, bahkan jika formula mekanis akan menghasilkannya . Tidak ada rangkaian harga historis yang berisi intensi politik pagi ini.

Kedua, preferensi kebijakan PBOC bersifat tidak stasioner. Dari pertengahan 2023 hingga akhir 2024, CCF digunakan untuk menahan depresiasi, terkadang menghasilkan 'fixing' yang secara dramatis lebih kuat dari estimasi pasar untuk membatasi penguatan dolar . Sejak Desember 2025, ia berbalik menjadi menahan apresiasi . Model yang dilatih dengan data era depresiasi akan salah secara struktural di lingkungan saat ini — dan perubahan itu terjadi tanpa pengumuman eksplisit, hanya terlihat dari CCF yang disimpulkan pasca-kejadian.

Ketiga, PBOC dapat mengubah pendiriannya dalam semalam. Perkembangan negosiasi perdagangan, hasil pertemuan Politbiro, atau pergeseran prioritas ekonomi domestik dapat mengubah laju apresiasi yang dapat diterima sebelum data pasar mana pun mencerminkannya.

Dalam pengujian balik (backtests), model AI dapat mempelajari fungsi reaksi historis PBOC dan mencapai nilai R² yang tinggi, tetapi kesalahan residualnya bukanlah 'noise' — melainkan diskresi. Model mengukur apa yang bisa diukur; CCF, berdasarkan konstruksinya, mengukur apa yang diinginkan bank sentral pada momen spesifik itu. Ketika celah melebar, celah itu adalah keluarannya. Input politik yang menghasilkannya tetap tak teramati oleh sistem apa pun yang murni digerakkan oleh data.