Hoe de PBOC de yuanstuiging remt – en waarom AI de code niet kraakt

Sinds december 2025 wordt die knop in negatieve richting gedraaid. Dat betekent dat de PBOC fixingen systematisch zwakker vaststelt dan de mechanische formule alleen zou produceren — een directe inspanning om de appreciatie van de yuan te vertragen . De cijfers tonen het beleid in actie:

• 22 april 2026: Fixing op 6,8635 versus een marktraming van 6,8233 — een afwijking van 0,59% .
• 15 mei 2026: Fixing op 6,8415 versus een Reuters-raming van 6,7976 — een gat van ruwweg 440 pips .
• 18 mei 2026: Fixing op 6,8435 versus een raming van 6,8086 .

De drijfveer is een recordmachine op handelsgebied. China's export bereikte in 2025 een waarde van $3,8 biljoen, wat een overschot van $1,2 biljoen opleverde . Een ongeremde yuanstuiging zou de prijsvoordelen voor de export uithollen, juist op een moment dat binnenlandse deflatoire druk het consumentenvertrouwen al ondermijnt . De PBOC balanceert op een slap koord: geleidelijke appreciatie toestaan — inmiddels al 8% — en tegelijk het soort snelle, eenrichtingsverkeer voorkomen dat speculatief hot money aantrekt en de munt destabiliseert .

De negatieve CCF is een weloverwogen tussenstap: het signaleert dat verdere appreciatie aanvaardbaar is, maar in het door de centrale bank gewenste tempo, niet dat van de markt .

Hoe handelaren AI inzetten om de fixing te doorgronden

Voor handelaren is de dagelijkse fixing het belangrijkste getal in de Aziatische sessie. Aan de verkeerde kant staan van een verrassende fixing kan weken aan winst tenietdoen. Dit heeft geleid tot een ware wapenwedloop in voorspellingen, waarbij diep-lerende modellen gebaseerd op transformers — dezelfde architectuur die grote taalmodellen aandrijft — nu centraal staan in de inspanning.

Uit een onderzoek uit 2024 van Lu Zhao en Wei Qi Yan bleek dat op transformers gebaseerde modellen LSTM en andere traditionele neurale netwerken "aanzienlijk overtreffen" in het voorspellen van wisselkoersen, vooral tijdens periodes van verhoogde volatiliteit . Specifiek behaalde een Temporal Fusion Transformer (TFT) een R² van maximaal 0,94 bij wisselkoersvoorspelling in onafhankelijke tests, waarbij de toevoeging van volatiliteitsindexen zoals de VIX de nauwkeurigheid verder verbeterde .

Het meest direct relevante academische werk komt van een samenwerking uit 2024 tussen Nanyang Technological University's College of Computing and Data Science, de Central University of Finance and Economics en de Chinese Academy of Sciences. De onderzoekers trotseerden de standaardbenadering van het handmatig construeren van financiële factoren om de PBOC-fixing te voorspellen. In plaats daarvan stelden ze een end-to-end model voor, de Intraday Risk Factor Transformer (IRFT), om direct voorspellende, latente kenmerken uit ruwe marktdata te halen — in wezen het automatiseren van de zoektocht naar de verborgen anticyclische factor .

Afzonderlijk werk aan de NTU heeft deze onderzoekslijnen verder uitgediept. Eén studie paste diep leren toe op tijdreeksvoorspellingen in de forexmarkt en gebruikte contrafeitelijke uitleg om de redenering van het model interpreteerbaar te maken . Het "DeepForex"-project op GitHub, gelieerd aan een NTU-onderzoeker, combineerde een Transformer-prijsvoorspellingsmodel met een Deep Q-Network (DQN) reinforcement learning-agent om geautomatiseerde transacties uit te voeren — waarmee voorspelling en actie werden geïntegreerd .

Ook institutionele belangstelling, met name van de Bank for International Settlements (BIS), heeft de aanpak bekrachtigd. Een BIS-werkdocument combineerde recurrente neurale netwerken met grote taalmodellen om valutamarktverstoringen 60 werkdagen van tevoren te voorspellen en te verklaren, wat onderstreept dat centrale banken zelf deze methoden bestuderen .

In de praktische handelswereld ziet de workflow er als volgt uit:

• Bekende componenten (de vorige slotkoers en de nachtelijke mandbewegingen) worden als gestructureerde invoer ingevoerd.
• De verborgen CCF wordt behandeld als een niet-waargenomen latente variabele — het centrale leerdoel van het model is deze af te leiden uit historische patronen van fixing-gedrag.
• Uitvoer informeert het innemen van posities vóór de fixing, waarbij de positionering is voltooid vóór de officiële aankondiging om 09:15 Beijing-tijd .

De onherleidbare grens: beleid is geen statistisch proces

Het probleem met het voorspellen van de PBOC-fixing is niet dat de data ruis bevat. Het is dat het signaal zelf — beslissingen over de anticyclische factor — voortkomt uit een ondoorzichtige, multi-objectieve politiek-economische calculus die geen schoon numeriek spoor achterlaat.

Ten eerste is de CCF een signaleringsmechanisme. Wanneer de PBOC een fixing 440 pips zwakker vaststelt dan de consensus, is dat gat de boodschap. Het communiceert aan markten, handelspartners en binnenlandse exporteurs dat de centrale bank een snelle appreciatie niet zal tolereren, zelfs als de mechanische formule die wel zou produceren . Geen enkele historische prijsreeks bevat de politieke intentie van deze ochtend.

Ten tweede zijn de beleidsvoorkeuren van de PBOC niet-stationair. Van medio 2023 tot eind 2024 werd de CCF ingezet om depreciatie tegen te gaan, wat soms fixingen opleverde die dramatisch sterker waren dan marktramingen om de dollarsterkte te beteugelen . Sinds december 2025 is de factor omgeslagen naar het tegengaan van appreciatie . Een model dat is getraind op data uit het depreciatieregime zou structureel fout zitten in de huidige omgeving — en de verschuiving vond plaats zonder enige expliciete aankondiging, alleen zichtbaar in de achteraf afgeleide CCF.

Ten derde kan de PBOC van de ene op de andere dag van koers veranderen. Een ontwikkeling in handelsonderhandelingen, de uitkomst van een Politbureau-vergadering, of een verschuiving in binnenlandse economische prioriteiten kan het aanvaardbare tempo van appreciatie wijzigen voordat enige marktdata dit weerspiegelt.

In backtests kunnen AI-modellen historische PBOC-reactiefuncties leren en hoge R²-waarden behalen, maar de restfout is geen ruis — het is discretie. De modellen meten wat meetbaar is; de CCF meet, per constructie, wat de centrale bank op dat specifieke moment wil. Wanneer het gat groter wordt, is het gat de output. De politieke input die het produceert, blijft onobserveerbaar voor elk puur datagedreven systeem.