Chiński Juan Się Umacnia, ale PBOC Stawia Tamę. Jak Sztuczna Inteligencja Próbuje Przechytrzyć Bank Centralny

Od grudnia 2025 roku pokrętło to jest ustawione na minus, co oznacza, że PBOC systematycznie ustala fixing słabszy, niż wynikałoby to z mechanicznej formuły – jest to bezpośredni wysiłek mający na celu spowolnienie aprecjacji juana . Dane liczbowe pokazują tę politykę w działaniu:

• 22 kwietnia 2026: Fixing na poziomie 6,8635 przy szacunkach rynkowych 6,8233 – odchylenie 0,59% .
• 15 maja 2026: Fixing na poziomie 6,8415 przy szacunkach Reutersa 6,7976 – różnica około 440 pipsów .
• 18 maja 2026: Fixing na poziomie 6,8435 przy szacunkach 6,8086 .

Motywacją jest rekordowa machina handlowa. Eksport Chin osiągnął w 2025 roku wartość 3,8 biliona dolarów, generując nadwyżkę w wysokości 1,2 biliona dolarów . Niekontrolowany wzrost juana osłabiłby przewagi cenowe eksportu właśnie w momencie, gdy krajowa presja deflacyjna już teraz tłumi zaufanie konsumentów . PBOC balansuje na linie: pozwala na stopniową aprecjację – już blisko 8% – jednocześnie zapobiegając gwałtownym, jednokierunkowym ruchom, które przyciągają spekulacyjny kapitał i destabilizują walutę .

Ujemny CCF to celowy półśrodek: sygnalizuje, że dalsza aprecjacja jest akceptowalna, ale w tempie wybranym przez bank centralny, a nie przez rynek .

Jak traderzy używają AI do inżynierii wstecznej fixingu

Dla traderów codzienny fixing to najważniejsza liczba podczas sesji azjatyckiej. Znalezienie się po niewłaściwej stronie zaskakującego fixingu może zniweczyć zyski z całych tygodni. Wywołało to praktyczny wyścig zbrojeń w dziedzinie prognozowania, w którym modele głębokiego uczenia oparte na transformerach — tej samej architekturze, która napędza duże modele językowe — znajdują się obecnie w centrum wysiłków.

Badanie Lu Zhao i Wei Qi Yana z 2024 roku wykazało, że modele oparte na transformerach „znacząco przewyższają” sieci LSTM i inne tradycyjne sieci neuronowe w prognozowaniu kursów walut, szczególnie w okresach podwyższonej zmienności . Mówiąc dokładniej, Temporal Fusion Transformer (TFT) osiągnął współczynnik R² do 0,94 w prognozowaniu kursów walut w niezależnych testach, a dodanie indeksów zmienności, takich jak VIX, dodatkowo poprawiło dokładność .

Najbardziej bezpośrednio związana praca naukowa pochodzi ze współpracy z 2024 roku między Kolegium Informatyki i Nauki o Danych Uniwersytetu Technologicznego Nanyang, Centralnym Uniwersytetem Finansów i Ekonomii a Chińską Akademią Nauk. Naukowcy zakwestionowali standardowe podejście ręcznego konstruowania czynników finansowych do przewidywania fixingu PBOC i zamiast tego zaproponowali kompleksowy model Intraday Risk Factor Transformer (IRFT), aby wydobyć ukryte cechy predykcyjne bezpośrednio z surowych danych rynkowych – w istocie, automatyzując poszukiwanie ukrytego czynnika antycyklicznego .

Oddzielne prace na NTU rozszerzyły te kierunki badań. Jedno z badań zastosowało głębokie uczenie do prognozowania szeregów czasowych na rynku forex i wykorzystało wyjaśnienia kontrfaktyczne, aby uczynić rozumowanie modelu interpretowalnym . Projekt „DeepForex” na GitHubie, powiązany z badaczem z NTU, połączył model prognozowania cen Transformer z agentem uczenia przez wzmacnianie Deep Q-Network (DQN) do realizacji automatycznych transakcji — integrując prognozę z działaniem .

Zainteresowanie instytucjonalne, zwłaszcza ze strony Banku Rozrachunków Międzynarodowych (BIS), również potwierdziło to podejście. Dokument roboczy BIS połączył rekurencyjne sieci neuronowe z dużymi modelami językowymi, aby prognozować i wyjaśniać dysfunkcje rynku walutowego z 60-dniowym wyprzedzeniem, co podkreśla, że same banki centralne badają te metody .

W praktycznym wymiarze handlowym schemat działania wygląda następująco:

• Znane składniki (poprzedni kurs zamknięcia i nocne zmiany koszyka walut) są wprowadzane jako ustrukturyzowane dane wejściowe.
• Ukryty CCF jest traktowany jako nieobserwowalna zmienna ukryta — głównym celem nauczania modelu jest wywnioskowanie jej na podstawie historycznych wzorców zachowania fixingu.
• Wyniki stanowią podstawę do zajmowania pozycji przed ogłoszeniem fixingu, które następuje przed ogłoszeniem oficjalnego kursu o 09:15 czasu pekińskiego .

Nieredukowalna granica: polityka nie jest procesem statystycznym

Problem z przewidywaniem fixingu PBOC nie polega na tym, że dane są zaszumione. Problem w tym, że sam sygnał — decyzje dotyczące czynnika antycyklicznego — ma swoje źródło w nieprzejrzystej, wieloaspektowej kalkulacji polityczno-ekonomicznej, która nie pozostawia czystego śladu numerycznego.

Po pierwsze, CCF jest mechanizmem sygnalizacyjnym. Kiedy PBOC ustala fixing o 440 pipsów słabszy od konsensusu, ta luka jest komunikatem. Informuje rynki, partnerów handlowych i krajowych eksporterów, że bank centralny nie będzie tolerować szybkiej aprecjacji, nawet jeśli formuła mechaniczna by ją wygenerowała . Żaden historyczny szereg cenowy nie zawiera dzisiejszej intencji politycznej.

Po drugie, preferencje polityczne PBOC są niestacjonarne. Od połowy 2023 do końca 2024 roku CCF był wykorzystywany do przeciwdziałania deprecjacji, czasami generując fixingi znacznie silniejsze od szacunków rynkowych, aby ograniczyć siłę dolara . Od grudnia 2025 roku nastawienie zmieniło się na przeciwdziałanie aprecjacji . Model wytrenowany na danych z okresu deprecjacji byłby strukturalnie błędny w obecnym środowisku — a zmiana nastąpiła bez żadnego wyraźnego ogłoszenia, widoczna jedynie po fakcie na podstawie wywnioskowanego CCF.

Po trzecie, PBOC może zmienić swoje stanowisko z dnia na dzień. Rozwój negocjacji handlowych, wynik posiedzenia Biura Politycznego lub zmiana krajowych priorytetów gospodarczych może wpłynąć na akceptowalne tempo aprecjacji, zanim jakiekolwiek dane rynkowe to odzwierciedlą.

W testach historycznych modele AI mogą nauczyć się historycznych funkcji reakcji PBOC i osiągać wysokie wartości R², ale błąd resztowy nie jest szumem — jest to swoboda decyzyjna. Modele mierzą to, co może być zmierzone; CCF z założenia mierzy to, czego bank centralny chce w danym momencie. Kiedy luka się zwiększa, luka jest wynikiem. Polityczny wkład, który ją tworzy, pozostaje nieobserwowalny dla każdego systemu opartego wyłącznie na danych.