PBOC:s dolda spel med yuanen

Sedan december 2025 har den spaken vridits till ett negativt läge. Det betyder att PBOC systematiskt sätter fixings som är svagare än vad den mekaniska formeln skulle ge på egen hand – en direkt ansträngning för att bromsa yuanens apprecieringstakt . Siffrorna visar policyn i praktiken:

• 22 april 2026: Fixing på 6,8635 jämfört med marknadens estimat på 6,8233 – en avvikelse på 0,59 % .
• 15 maj 2026: Fixing på 6,8415 jämfört med Reuters estimat på 6,7976 – ett gap på ungefär 440 punkter .
• 18 maj 2026: Fixing på 6,8435 jämfört med estimat på 6,8086 .

Motivet är en rekordartad handelsmaskin. Kinas export nådde 3,8 biljoner dollar under 2025, vilket gav ett handelsöverskott på 1,2 biljoner dollar . En okontrollerad yuan-rusning skulle urholka exportens prisfördelar just när inhemsk deflationspress redan hämmar konsumenternas förtroende . PBOC balanserar på en slak lina: tillåt en gradvis appreciering – redan uppe i 8 % – samtidigt som man förhindrar den typ av snabba, enkelriktade rörelser som lockar till sig spekulativa "hot money"-flöden och destabiliserar valutan .

Den negativa kontracykliska faktorn är ett medvetet halvsteg: den signalerar att ytterligare appreciering är acceptabelt, men i centralbankens valda takt, inte marknadens .

Hur handlare använder AI för att baklängeskonstruera fixingen

För handlare är den dagliga fixingen den enskilt viktigaste siffran under den asiatiska sessionen. Att hamna på fel sida om en överraskande fixing kan radera veckors vinster. Detta har drivit fram en praktisk kapprustning inom prediktion, där djupinlärningsmodeller baserade på transformatorarkitektur – samma teknik som driver stora språkmodeller – nu står i centrum.

En studie från 2024 av Lu Zhao och Wei Qi Yan fann att transformatorbaserade modeller "avsevärt överträffar" LSTM och andra äldre neurala nätverk i att förutse valutakurser, särskilt under perioder av hög volatilitet . Mer specifikt uppnådde en Temporal Fusion Transformer (TFT) ett R²-värde på upp till 0,94 i oberoende tester, där tillägget av volatilitetsindex som VIX ytterligare förbättrade träffsäkerheten .

Det mest direkt relevanta akademiska arbetet kommer från ett samarbete 2024 mellan Nanyang Technological University's College of Computing and Data Science, Central University of Finance and Economics och den kinesiska vetenskapsakademin. Forskarna utmanade standardmetoden att manuellt konstruera finansiella faktorer för att förutse PBOC:s fixing och föreslog istället en modell, Intraday Risk Factor Transformer (IRFT), som automatiskt extraherar latenta prediktiva egenskaper direkt från rå marknadsdata – i praktiken en automatisering av sökandet efter den dolda kontracykliska faktorn .

Ett separat arbete vid NTU har förlängt dessa forskningslinjer. En studie applicerade djupinlärning på tidsserieprediktion för forex och använde kontrafaktiska förklaringar för att göra modellens resonemang tolkningsbart . "DeepForex"-projektet på GitHub, knutet till en NTU-forskare, kombinerar en transformatorprismodell med en Deep Q-Network (DQN) för förstärkningsinlärning för att utföra automatiserade affärer – en integration av prediktion med handling .

Institutionellt intresse, inte minst från Bank for International Settlements (BIS), har också bekräftat ansatsen. Ett arbetsdokument från BIS kombinerade rekursiva neurala nätverk med stora språkmodeller för att prognostisera och förklara dysfunktion på valutamarknaden 60 arbetsdagar i förväg, vilket understryker att centralbanker själva studerar dessa metoder .

I praktisk handel ser arbetsflödet ut så här:

• Kända komponenter (föregående stängning och rörelser i valutakorgen över natten) matas in som strukturerad indata.
• Den dolda CCF:n behandlas som en icke-observerbar latent variabel – modellens huvudsakliga lärandemål är att härleda den från historiska mönster i fixingbeteendet.
• Utdata informerar positionsuppbyggnad inför fixingen, där positioneringen är klar före klockan 09:15 Peking-tid då den officiella kursen släpps .

Den oreducerbara gränsen: Politik är ingen statistisk process

Problemet med att förutse PBOC:s fixing är inte att data är brusig. Det är att själva signalen – besluten om den kontracykliska faktorn – härstammar från en ogenomskinlig politisk-ekonomisk kalkyl med flera mål som inte lämnar några rena numeriska fotspår.

För det första är CCF en signaleringsmekanism. När PBOC sätter en fixing som är 440 punkter svagare än konsensus, så är det gapet själva budskapet. Det kommunicerar till marknader, handelspartners och inhemska exportörer att centralbanken inte kommer att tolerera en snabb appreciering, även om den mekaniska formeln skulle producera en . Ingen historisk prisserie innehåller morgonens politiska intention.

För det andra är PBOC:s policypreferenser icke-stationära. Från mitten av 2023 till slutet av 2024 användes CCF för att motverka depreciering, och producerade tidvis fixings som var dramatiskt starkare än marknadens estimat för att sätta ett tak för dollarns styrka . Sedan december 2025 har den vänt till att motverka appreciering . En modell tränad på deprecieringsepokens regim skulle vara strukturellt felaktig i den nuvarande miljön – och skiftet inträffade utan något uttryckligt tillkännagivande, synligt endast i den i efterhand härledda CCF:n.

För det tredje kan PBOC ändra sin hållning över en natt. En utveckling i handelsförhandlingar, ett utfall från ett politbyråmöte eller en förändring i inhemsk ekonomisk prioritet kan ändra den acceptabla apprecieringstakten innan någon marknadsdata återspeglar det.

I backtester kan AI-modeller lära sig historiska reaktionsfunktioner hos PBOC och uppnå höga R²-värden, men restfelet är inte brus – det är diskretion. Modellerna mäter vad som kan mätas; CCF:n mäter, till sin konstruktion, vad centralbanken vill i just det ögonblicket. När gapet vidgas, är gapet utsignalen. Den politiska insignal som producerar det förblir oobserverbar för varje rent datadrivet system.