เบื้องลึกกลยุทธ์ค่าเงินหยวนของ PBOC: การถ่างช่องว่าง Fixing หมายความว่าอะไร และเหตุใด AI จึงคาดการณ์ได้ไม่สมบูรณ์

เงินหยวนของจีนแข็งค่าขึ้นอย่างต่อเนื่องจากระดับ 7.35 หยวนต่อดอลลาร์สหรัฐฯ ในเดือนเมษายน 2568 มาอยู่ที่ประมาณ 6.76 หยวน ซึ่งคิดเป็นการแข็งค่าประมาณ 8% สิ่งที่ดูเหมือนเป็นตัวเลขรายวันที่ไร้ทิศทาง — อัตราค่ากลาง (Central Parity) ที่ยิ่งห่างจากการคาดการณ์ของตลาดมากขึ้นทุกที — แท้จริงแล้วคือเครื่องมือทางการเงินที่จงใจ ธนาคารประชาชนจีน (PBOC) กำลังวิศวกรรมการแข็งค่าที่ควบคุมได้ โดยใช้ช่องว่างการกำหนดค่ากลางที่ถ่างกว้างขึ้นเป็นวาล์วระบายแรงกดดัน โดยไม่ให้เกิดกระแสเก็งกำไรพุ่งตามมา สำหรับเทรดเดอร์ค่าเงิน นี่ทำให้การประกาศค่ากลางในแต่ละวันกลายเป็นเป้าหมายการทำนายเดิมพันสูง และปัญญาประดิษฐ์ (AI) ก็กลายเป็นเครื่องมือแนวหน้า นี่คือวิธีการทำงานของช่องว่างนี้, วิธีที่ AI ถูกนำมาใช้เพื่อทำให้ช่องว่างแคบลง, และเหตุใดการคาดการณ์ที่สมบูรณ์แบบจึงยังคงไกลเกินเอื้อม

กลไกของช่องว่างที่ถ่างกว้างขึ้น

PBOC จะประกาศอัตราค่ากลาง USD/CNY หรือที่เรียกว่า 'Fixing' ทุกวันทำการ เวลา 09:15 น. ตามเวลาปักกิ่ง ซึ่งจะใช้เป็นจุดกึ่งกลางสำหรับกรอบการซื้อขาย ±2% ในวันนั้น สูตรคำนวณมีสามองค์ประกอบ: อัตราปิดของตลาดเมื่อวันก่อน, การปรับตามการเคลื่อนไหวของตะกร้าสกุลเงินข้ามคืนที่ถ่วงน้ำหนักตามการค้า, และ ปัจจัยต่อต้านวัฏจักร (Countercyclical Factor - CCF) CCF คือปุ่มที่ธนาคารกลางสามารถหมุนเพื่อสกัดโมเมนตัมของตลาดได้ตามดุลยพินิจ

ตั้งแต่เดือนธันวาคม 2568 เป็นต้นมา ปุ่มนั้นถูกหมุนไปทาง ลบ หมายความว่า PBOC กำลังกำหนดค่า Fixing ให้ อ่อนค่า กว่าที่สูตรเชิงกลจะสร้างได้ด้วยตัวเองอย่างเป็นระบบ — นี่คือความพยายามโดยตรงในการชะลอการแข็งค่าของเงินหยวน ตัวเลขต่อไปนี้แสดงให้เห็นนโยบายนี้ในทางปฏิบัติ:

• 22 เมษายน 2569: Fixing ที่ 6.8635 เทียบกับที่ตลาดประเมินที่ 6.8233 — ส่วนต่าง 0.59%
• 15 พฤษภาคม 2569: Fixing ที่ 6.8415 เทียบกับที่ Reuters ประเมิน 6.7976 — ช่องว่างประมาณ 440 pips
• 18 พฤษภาคม 2569: Fixing ที่ 6.8435 เทียบกับที่ประเมิน 6.8086

แรงจูงใจคือเครื่องจักรการค้าที่ทำสถิติสูงสุดเป็นประวัติการณ์ ยอดส่งออกของจีนในปี 2568 แตะ 3.8 ล้านล้านดอลลาร์สหรัฐฯ สร้างยอดเกินดุลการค้าสูงถึง 1.2 ล้านล้านดอลลาร์สหรัฐฯ การแข็งค่าอย่างรวดเร็วของเงินหยวนจะกัดกร่อนความได้เปรียบด้านราคาของภาคส่งออก ในช่วงเวลาที่แรงกดดันเงินฝืดภายในประเทศกำลังฉุดความเชื่อมั่นผู้บริโภคอยู่แล้ว PBOC กำลังเดินไต่เส้นด้าย: ปล่อยให้มีการแข็งค่าทีละน้อย — แล้วถึง 8% — ขณะเดียวกันก็ป้องกันการเคลื่อนไหวเร็วแรงแบบขาขึ้นทางเดียว ที่จะดึงดูดเงินทุนร้อนเก็งกำไรไหลเข้า และสร้างความผันผวนให้กับค่าเงิน

CCF ที่เป็นลบคือการใช้นโยบายแบบครึ่งก้าว: มันส่งสัญญาณว่ายังยอมรับการแข็งค่าเพิ่มเติมได้ แต่ต้องเป็นไปตามจังหวะที่ธนาคารกลางเลือก ไม่ใช่ตามใจตลาด

เทรดเดอร์ใช้ AI ถอดรหัสค่า Fixing อย่างไร

สำหรับเทรดเดอร์ การ Fixing ในแต่ละวันคือตัวเลขที่สำคัญที่สุดในช่วงการซื้อขายของเอเชีย การอยู่ผิดฝั่งของการ Fixing ที่เหนือความคาดหมายสามารถลบกำไรที่สะสมมาหลายสัปดาห์ได้ สิ่งนี้ได้ขับเคลื่อนการแข่งขันด้านการคาดการณ์ภาคปฏิบัติ โดยมีโมเดล Deep Learning ที่ใช้สถาปัตยกรรม Transformer — ซึ่งเป็นสถาปัตยกรรมเดียวกับที่ขับเคลื่อน Large Language Models — กลายมาเป็นศูนย์กลางของความพยายามนี้

งานศึกษาในปี 2567 โดย Lu Zhao และ Wei Qi Yan พบว่าโมเดลที่ใช้ Transformer "เหนือกว่าอย่างมีนัยสำคัญ" เมื่อเทียบกับ LSTM และโครงข่ายประสาทเทียมรุ่นเก่าในการทำนายอัตราแลกเปลี่ยน โดยเฉพาะอย่างยิ่งในช่วงที่มีความผันผวนสูง อย่างเจาะจงมากขึ้น Temporal Fusion Transformer (TFT) สามารถทำค่า R² ได้สูงถึง 0.94 ในการพยากรณ์อัตราแลกเปลี่ยนในการทดสอบอิสระ และการเพิ่มดัชนีความผันผวนอย่าง VIX เข้าไปก็ยิ่งทำให้ความแม่นยำดีขึ้น

งานวิชาการที่เกี่ยวข้องโดยตรงที่สุดมาจากความร่วมมือในปี 2567 ระหว่าง วิทยาลัยการคำนวณและวิทยาศาสตร์ข้อมูลแห่งมหาวิทยาลัยเทคโนโลยีนันยาง (NTU) มหาวิทยาลัยการเงินและเศรษฐศาสตร์กลาง และสถาบันวิทยาศาสตร์จีน คณะผู้วิจัยได้ท้าทายแนวทางมาตรฐานที่ใช้การสร้างปัจจัยทางการเงินด้วยมือเพื่อทำนายการ Fixing ของ PBOC แต่เสนอให้ใช้โมเดลแบบ end-to-end ชื่อ Intraday Risk Factor Transformer (IRFT) เพื่อดึงคุณลักษณะการทำนายที่แฝงอยู่ออกมาโดยตรงจากข้อมูลตลาดสด — โดยพื้นฐานแล้วคือการทำให้การค้นหาปัจจัยต่อต้านวัฏจักรที่ซ่อนอยู่เป็นไปโดยอัตโนมัติ

งานวิจัยอีกส่วนที่ NTU ก็ได้ต่อยอดแนวคำถามเหล่านี้ งานศึกษาหนึ่งใช้ Deep Learning ในการพยากรณ์อนุกรมเวลาในตลาดฟอเร็กซ์ และใช้การอธิบายแบบ Counterfactual เพื่อทำให้เหตุผลของโมเดลสามารถตีความได้ โปรเจกต์ "DeepForex" บน GitHub ซึ่งมีส่วนเกี่ยวข้องกับนักวิจัยของ NTU ได้รวมโมเดล Transformer สำหรับทำนายราคาเข้ากับตัวแทนการเรียนรู้แบบเสริมกำลังอย่าง Deep Q-Network (DQN) เพื่อดำเนินการเทรดอัตโนมัติ — ผสานการคาดการณ์เข้ากับการลงมือทำ

ความสนใจจากสถาบัน โดยเฉพาะจากธนาคารเพื่อการชำระหนี้ระหว่างประเทศ (BIS) ก็ได้ให้การรับรองแนวทางนี้เช่นกัน งานวิจัยของ BIS ชิ้นหนึ่งได้ผสาน Recurrent Neural Networks เข้ากับ Large Language Models เพื่อพยากรณ์และอธิบายความผิดปกติในตลาดสกุลเงินล่วงหน้า 60 วันทำการ ซึ่งตอกย้ำว่าธนาคารกลางเองก็กำลังศึกษาวิธีการเหล่านี้อยู่

ในแง่การเทรดจริง กระบวนการทำงานจะเป็นดังนี้:

• องค์ประกอบที่รู้แล้ว (ราคาปิดก่อนหน้าและการเคลื่อนไหวของตะกร้าสกุลเงินข้ามคืน) จะถูกป้อนเป็นข้อมูลนำเข้าแบบมีโครงสร้าง
• CCF ที่ซ่อนอยู่ จะถูกปฏิบัติเสมือนเป็นตัวแปรแฝงที่ไม่ได้ถูกสังเกต — วัตถุประสงค์การเรียนรู้หลักของโมเดลคือการอนุมานค่านี้จากรูปแบบในอดีตของพฤติกรรมการ Fixing
• ผลลัพธ์ จะถูกนำไปใช้ในการวางตำแหน่งการลงทุนก่อนการ Fixing โดยการวางตำแหน่งจะเสร็จสิ้นก่อนที่การประกาศอย่างเป็นทางการในเวลา 09:15 น. ตามเวลาปักกิ่งจะเผยแพร่ตัวเลขจริง

ข้อจำกัดที่ไม่อาจลดทอนได้: นโยบายไม่ใช่กระบวนการทางสถิติ

ปัญหาในการทำนายการ Fixing ของ PBOC ไม่ใช่ว่าข้อมูลมีสัญญาณรบกวน แต่อยู่ที่ตัวสัญญาณเอง — การตัดสินใจเกี่ยวกับ CCF — มีต้นกำเนิดจากการคำนวณทางการเมืองและเศรษฐกิจที่มีหลายวัตถุประสงค์และทึบแสง ซึ่งไม่ทิ้งร่องรอยตัวเลขที่สะอาดไว้

ประการแรก CCF คือ กลไกการส่งสัญญาณ เมื่อ PBOC ตั้ง Fixing ให้อ่อนค่ากว่าที่ตลาดคาดการณ์ถึง 440 pips ช่องว่างนั้น คือ ข้อความ มันสื่อสารไปยังตลาด, ประเทศคู่ค้า, และผู้ส่งออกในประเทศว่า ธนาคารกลางจะไม่ทนต่อการแข็งค่าอย่างรวดเร็ว แม้ว่าสูตรเชิงกลจะสร้างมันออกมาก็ตาม ไม่มีชุดข้อมูลราคาในอดีตใดที่บรรจุเจตนาทางการเมืองของเช้าวันนี้ไว้

ประการที่สอง ความพึงพอใจในนโยบายของ PBOC นั้น ไม่คงที่ (Non-Stationary) ตั้งแต่กลางปี 2566 ถึงปลายปี 2567 CCF ถูกใช้เพื่อ ต้านทานการอ่อนค่า (Depreciation) ในบางครั้งก็สร้าง Fixing ที่แข็งค่ากว่าที่ตลาดประเมินอย่างมากเพื่อจำกัดความแข็งแกร่งของดอลลาร์ ตั้งแต่เดือนธันวาคม 2568 มันพลิกกลับมาเป็น ต้านทานการแข็งค่า (Appreciation) โมเดลที่ถูกฝึกด้วยข้อมูลจากยุคต้านการอ่อนค่าจะผิดโครงสร้างในสภาพแวดล้อมปัจจุบัน — และการเปลี่ยนแปลงเกิดขึ้นโดยไม่มีการประกาศอย่างชัดแจ้ง มองเห็นได้ก็ต่อเมื่อมีการอนุมาน CCF ย้อนหลังเท่านั้น

ประการที่สาม PBOC สามารถเปลี่ยนท่าที ข้ามคืน ได้ การพัฒนาการเจรจาการค้า, ผลการประชุมโปลิตบูโร, หรือการเปลี่ยนแปลงลำดับความสำคัญทางเศรษฐกิจภายในประเทศ สามารถเปลี่ยนแปลงอัตราการแข็งค่าที่ยอมรับได้ก่อนที่ข้อมูลตลาดใดๆ จะสะท้อนออกมา

ในการทดสอบย้อนหลัง (Backtest) โมเดล AI สามารถเรียนรู้ฟังก์ชันปฏิกิริยาของ PBOC ในอดีตและทำค่า R² ได้สูง แต่ค่าความคลาดเคลื่อนที่เหลืออยู่ไม่ใช่สัญญาณรบกวน — มันคือดุลยพินิจ โมเดลวัดสิ่งที่สามารถวัดได้; โดยโครงสร้างแล้ว CCF วัดสิ่งที่ธนาคารกลาง ต้องการ ณ ช่วงเวลาหนึ่งๆ เมื่อช่องว่างถ่างกว้างขึ้น ช่องว่างนั้น คือ ผลลัพธ์ ตัวแปรนำเข้าทางการเมืองที่ก่อให้เกิดช่องว่างนั้นยังคงไม่สามารถถูกสังเกตได้โดยระบบที่ขับเคลื่อนด้วยข้อมูลใดๆ