Di Sebalik Strategi Yuan PBOC: Maksud Jurang 'Fixing' yang Melebar dan Had Keupayaan Ramalan AI

Yuan China telah mengukuh daripada 7.35 berbanding dolar AS pada April 2025 kepada sekitar 6.76, iaitu kenaikan nilai sebanyak kira-kira 8% . Perkara yang kelihatan seperti siri data yang tidak menentu — kadar pariti pusat harian yang semakin menyimpang daripada ramalan konsensus — sebenarnya adalah alat monetari yang disengajakan. Bank Rakyat China (PBOC) sedang giat merekayasa kenaikan nilai yang terkawal, menggunakan jurang 'fixing' yang melebar sebagai injap untuk melepaskan tekanan tanpa mencetuskan lonjakan spekulatif. Bagi pedagang mata wang, ini telah menjadikan 'fixing' harian sebagai sasaran ramalan berisiko tinggi di mana kecerdasan buatan (AI) kini menjadi alat barisan hadapan. Berikut adalah cara jurang ini berfungsi, bagaimana AI digunakan untuk merapatkannya, dan mengapa ramalan yang sempurna masih tidak dapat dicapai.

Mekanik jurang yang melebar

PBOC menetapkan kadar pariti pusat harian USD/CNY — yang dikenali sebagai 'fixing' — setiap hari bekerja pada pukul 09:15 waktu Beijing, yang kemudiannya menetapkan jalur dagangan ±2% untuk sesi tersebut . Formulanya mempunyai tiga komponen: kadar penutupan spot hari sebelumnya, pelarasan untuk pergerakan semalaman dalam sekumpulan mata wang berwajaran perdagangan, dan faktor kitaran balas (countercyclical factor, CCF). CCF adalah tombol budi bicara yang boleh diputar oleh bank pusat untuk melawan momentum pasaran .

Sejak Disember 2025, tombol itu telah diputar ke arah negatif, bermakna PBOC secara sistematik menetapkan 'fixing' lebih lemah daripada yang akan dihasilkan oleh formula mekanikal semata-mata — satu usaha langsung untuk memperlahankan kenaikan nilai yuan . Angka-angka berikut menunjukkan dasar ini dalam tindakan:

• 22 April 2026: 'Fixing' pada 6.8635 berbanding anggaran pasaran 6.8233 — sisihan sebanyak 0.59% .
• 15 Mei 2026: 'Fixing' pada 6.8415 berbanding anggaran Reuters 6.7976 — jurang kira-kira 440 pip .
• 18 Mei 2026: 'Fixing' pada 6.8435 berbanding anggaran 6.8086 .

Motivasinya adalah jentera perdagangan yang memecahkan rekod. Eksport China mencecah $3.8 trilion pada 2025, menghasilkan lebihan $1.2 trilion . Lonjakan yuan yang tidak terkawal akan menghakis kelebihan harga eksport tepat pada masanya apabila tekanan deflasi domestik sudah pun menyekat keyakinan pengguna . PBOC sedang berjalan di atas tali: membenarkan kenaikan nilai secara beransur-ansur — sudahpun sehingga 8% — sambil menghalang pergerakan pantas dan sehala yang mengundang aliran masuk wang panas spekulatif dan menjejaskan kestabilan mata wang .

CCF negatif adalah langkah separa yang disengajakan: ia memberi isyarat bahawa kenaikan nilai selanjutnya boleh diterima, tetapi mengikut kadar yang dipilih oleh bank pusat, bukan pasaran .

Bagaimana pedagang menggunakan AI untuk menyahkod 'fixing'

Bagi pedagang, 'fixing' harian adalah nombor paling penting dalam sesi Asia. Berada di pihak yang salah daripada 'fixing' mengejut boleh melenyapkan keuntungan berminggu-minggu. Ini telah mendorong perlumbaan senjata praktikal dalam ramalan, dengan model pembelajaran mendalam berasaskan transformer — seni bina yang sama yang menjanakan model bahasa besar — kini menjadi pusat usaha.

Kajian 2024 oleh Lu Zhao dan Wei Qi Yan mendapati bahawa model berasaskan transformer "jauh mengatasi" LSTM dan rangkaian neural warisan lain dalam ramalan kadar pertukaran mata wang, terutamanya semasa tempoh ketaktentuan yang tinggi . Lebih khusus lagi, Temporal Fusion Transformer (TFT) mencapai R² sehingga 0.94 dalam ramalan kadar pertukaran dalam ujian bebas, dengan penambahan indeks ketaktentuan seperti VIX meningkatkan lagi ketepatan .

Kerja akademik yang paling relevan datang daripada kolaborasi 2024 antara Kolej Pengkomputeran dan Sains Data Universiti Teknologi Nanyang (NTU), Universiti Pusat Kewangan dan Ekonomi, dan Akademi Sains China. Para penyelidik mencabar pendekatan standard membina faktor kewangan secara manual untuk meramal 'fixing' PBOC dan sebaliknya mencadangkan model hujung-ke-hujung, Intraday Risk Factor Transformer (IRFT), untuk mengekstrak ciri ramalan terpendam secara langsung daripada data pasaran mentah — pada asasnya, mengautomasikan pencarian faktor kitaran balas yang tersembunyi .

Kerja berasingan di NTU telah melanjutkan garis siasatan ini. Satu kajian menggunakan pembelajaran mendalam untuk ramalan siri masa forex dan menggunakan penjelasan kontrafaktual untuk menjadikan penaakulan model boleh ditafsir . Projek "DeepForex" di GitHub, yang bergabung dengan penyelidik NTU, menggabungkan model ramalan harga Transformer dengan ejen pembelajaran pengukuhan Rangkaian Deep Q (DQN) untuk melaksanakan dagangan automatik — mengintegrasikan ramalan dengan tindakan .

Minat institusi, terutamanya daripada Bank for International Settlements (BIS), juga telah mengesahkan pendekatan tersebut. Satu kertas kerja BIS menggabungkan rangkaian neural rekuren dengan model bahasa besar untuk meramal dan menjelaskan disfungsi pasaran mata wang 60 hari perniagaan lebih awal, menekankan bahawa bank pusat sendiri sedang mengkaji kaedah ini .

Dalam konteks dagangan praktikal, aliran kerja kelihatan seperti ini:

• Komponen yang diketahui (penutupan sebelumnya dan pergerakan kumpulan mata wang semalaman) dimasukkan sebagai input berstruktur.
• CCF tersembunyi dianggap sebagai pemboleh ubah terpendam yang tidak diperhatikan — objektif pembelajaran utama model adalah untuk menyimpulkannya daripada corak sejarah tingkah laku 'fixing'.
• Output memaklumkan pengambilan posisi pra-'fixing', dengan penentuan posisi diselesaikan sebelum pengumuman rasmi pada 09:15 waktu Beijing .

Had yang tidak dapat dikurangkan: dasar bukan proses statistik

Masalah dengan meramal 'fixing' PBOC bukanlah kerana datanya tidak menentu. Masalahnya adalah isyarat itu sendiri — keputusan tentang faktor kitaran balas — berasal dari kalkulus politik-ekonomi yang legap, pelbagai objektif, dan tidak meninggalkan jejak berangka yang bersih.

Pertama, CCF adalah mekanisme isyarat. Apabila PBOC menetapkan 'fixing' 440 pip lebih lemah daripada konsensus, jurang itu adalah mesejnya. Ia berkomunikasi kepada pasaran, rakan dagang, dan pengeksport domestik bahawa bank pusat tidak akan bertolak ansur dengan kenaikan nilai yang cepat, walaupun formula mekanikal akan menghasilkannya . Tiada siri harga sejarah yang mengandungi niat politik pagi ini.

Kedua, keutamaan dasar PBOC adalah tidak pegun. Dari pertengahan 2023 hingga lewat 2024, CCF digunakan untuk menentang susut nilai, pada masa-masa tertentu menghasilkan 'fixing' yang jauh lebih kukuh daripada anggaran pasaran untuk membataskan kekukuhan dolar . Sejak Disember 2025, ia telah beralih kepada menentang kenaikan nilai . Model yang dilatih dengan data era susut nilai akan menjadi salah secara struktural dalam persekitaran semasa — dan peralihan itu berlaku tanpa sebarang pengumuman jelas, hanya kelihatan dalam CCF yang disimpulkan selepas kejadian.

Ketiga, PBOC boleh mengubah pendiriannya dalam sekelip mata. Perkembangan rundingan perdagangan, hasil mesyuarat Politburo, atau peralihan dalam keutamaan ekonomi domestik boleh mengubah kadar kenaikan nilai yang boleh diterima sebelum sebarang data pasaran mencerminkannya.

Dalam ujian balik, model AI boleh mempelajari fungsi tindak balas sejarah PBOC dan mencapai nilai R² yang tinggi, tetapi ralat baki bukanlah gangguan rawak — ia adalah budi bicara. Model-model ini mengukur apa yang boleh diukur; CCF, mengikut reka bentuknya, mengukur apa yang diingini oleh bank pusat pada saat tertentu itu. Apabila jurang melebar, jurang itulah outputnya. Input politik yang menghasilkannya kekal tidak boleh diperhatikan oleh mana-mana sistem yang dipacu oleh data semata-mata.