PBoC'un Yuan Stratejisi: Sabitleme Makası Neden Açılıyor ve Yapay Zeka Neden Çözemiyor?

Aralık 2025'ten bu yana bu düğme negatif yönde çevriliyor, yani PBoC sistematik olarak sabitlemeleri, mekanik formülün kendi başına üreteceğinden daha zayıf belirliyor — bu, yuanın değer kazanmasını yavaşlatmaya yönelik doğrudan bir çabadır . Rakamlar bu politikayı eylem halinde gösteriyor:

• 22 Nisan 2026: Sabitleme 6,8635 iken piyasa tahmini 6,8233'tü — %0,59'luk bir sapma .
• 15 Mayıs 2026: Sabitleme 6,8415 iken Reuters tahmini 6,7976'ydı — yaklaşık 440 piplik bir fark .
• 18 Mayıs 2026: Sabitleme 6,8435 iken tahmin 6,8086'ydı .

Bunun arkasındaki motivasyon rekor kıran bir ticaret makinesidir. Çin'in ihracatı 2025'te 3,8 trilyon dolara ulaşarak 1,2 trilyon dolarlık bir ticaret fazlası yarattı . Kontrolsüz bir yuan yükselişi, tam da yurt içi deflasyonist baskıların tüketici güvenini baskıladığı bir dönemde ihracat fiyat avantajlarını aşındırırdı . PBoC bir ip üstünde yürüyor: spekülatif sıcak para girişlerini davet eden ve para birimini istikrarsızlaştıran hızlı, tek yönlü hareketleri engellerken kademeli bir değerlenmeye — şimdiden %8'e varan — izin vermek .

Negatif CCF bilinçli bir yarım adımdır: daha fazla değerlenmenin kabul edilebilir olduğunu, ancak bunun piyasanın değil, merkez bankasının seçtiği hızda olacağını işaret eder .

Yatırımcılar Sabitlemeyi Tersine Mühendislikle Çözmek İçin Yapay Zekâyı Nasıl Kullanıyor?

Yatırımcılar için günlük sabitleme, Asya seansındaki en önemli tek rakamdır. Sürpriz bir sabitlemenin yanlış tarafında kalmak haftalık kazançları silebilir. Bu durum, tahminde, büyük dil modellerine güç veren mimarinin aynısı olan transformer tabanlı derin öğrenme modellerinin artık çabanın merkezinde olduğu pratik bir silahlanma yarışını tetikledi.

Lu Zhao ve Wei Qi Yan tarafından 2024'te yapılan bir çalışma, transformer tabanlı modellerin, özellikle yüksek oynaklık dönemlerinde, döviz kuru tahmininde LSTM ve diğer eski sinir ağlarını "önemli ölçüde geride bıraktığını" ortaya koydu . Daha spesifik olarak, bir Zamansal Füzyon Transformatörü (TFT), bağımsız testlerde döviz kuru tahmininde 0,94'e varan bir R² değerine ulaştı ve VIX gibi oynaklık endekslerinin eklenmesi doğruluğu daha da artırdı .

Akademik açıdan en doğrudan ilgili çalışma, Nanyang Teknoloji Üniversitesi Bilgisayar ve Veri Bilimi Fakültesi, Merkezi Finans ve Ekonomi Üniversitesi ve Çin Bilimler Akademisi arasındaki 2024 tarihli bir iş birliğinden geliyor. Araştırmacılar, PBoC sabitlemesini tahmin etmek için manuel olarak finansal faktörler oluşturma şeklindeki standart yaklaşıma meydan okudu ve bunun yerine, ham piyasa verilerinden doğrudan gizli tahmin özellikleri çıkarmak için uçtan uca bir model olan Gün İçi Risk Faktörü Transformatörü'nü (IRFT) önerdi — özünde, gizli konjonktür karşıtı faktör arayışını otomatikleştirdi .

NTU'daki ayrı çalışmalar bu araştırma hatlarını genişletti. Bir çalışma, forex zaman serisi tahminine derin öğrenmeyi uyguladı ve modelin muhakemesini yorumlanabilir kılmak için karşı olgusal açıklamalar kullandı . NTU'lu bir araştırmacıyla ilişkili GitHub'daki "DeepForex" projesi, otomatik işlemler gerçekleştirmek için bir Transformer fiyat tahmin modelini bir Derin Q-Ağı (DQN) pekiştirmeli öğrenme ajanıyla birleştirdi — tahminle eylemi entegre etti .

Başta Uluslararası Ödemeler Bankası (BIS) olmak üzere kurumsal ilgi de bu yaklaşımı doğruladı. Bir BIS çalışma raporu, 60 iş günü öncesinden döviz piyasası işlev bozukluğunu tahmin etmek ve açıklamak için tekrarlayan sinir ağlarını büyük dil modelleriyle birleştirerek, merkez bankalarının da bu yöntemleri incelediğinin altını çizdi .

Pratik alım satım açısından iş akışı şuna benzer:

• Bilinen bileşenler (önceki kapanış ve gecelik sepet hareketleri) yapılandırılmış girdiler olarak beslenir.
• Gizli CCF, gözlemlenmemiş bir gizil değişken olarak ele alınır — modelin merkezi öğrenme hedefi, bunu tarihsel sabitleme davranışı kalıplarından çıkarsamaktır.
• Çıktılar, Pekin saatiyle 09:15'teki duyuru resmi rakamı açıklamadan önce konumlanma tamamlanarak, sabitleme öncesi pozisyon almayı bilgilendirir .

İndirgenemez Sınır: Politika İstatistiksel Bir Süreç Değildir

PBoC sabitlemesini tahmin etmedeki sorun, verilerin gürültülü olması değildir. Sinyalin kendisinin — konjonktür karşıtı faktöre ilişkin kararların — temiz bir sayısal ayak izi bırakmayan, opak, çok hedefli bir politik-ekonomik hesaplamadan kaynaklanmasıdır.

İlk olarak, CCF bir sinyal mekanizmasıdır. PBoC, konsensüsten 440 pip daha zayıf bir sabitleme belirlediğinde, bu fark mesajın ta kendisidir. Mekanik formül bir tane üretecek olsa bile, merkez bankasının hızlı bir değerlenmeye tolerans göstermeyeceğini piyasalara, ticaret ortaklarına ve yerli ihracatçılara iletir . Hiçbir tarihsel fiyat serisi bu sabahki politik niyeti içermez.

İkincisi, PBoC'un politika tercihleri durağan değildir. 2023 ortasından 2024 sonuna kadar CCF, değer kaybına direnmek için konuşlandırıldı, zaman zaman dolar gücünü sınırlamak için piyasa tahminlerinden çarpıcı biçimde daha güçlü sabitlemeler üretti . Aralık 2025'ten bu yana, değerlenmeye direnmeye döndü . Değer kaybı dönemi rejimi üzerine eğitilmiş bir model, mevcut ortamda yapısal olarak yanlış olurdu — ve bu değişim, yalnızca sonradan çıkarsanan CCF'de görülebilen, açık bir duyuru olmaksızın gerçekleşti.

Üçüncüsü, PBoC tutumunu bir gecede değiştirebilir. Bir ticaret müzakeresi gelişmesi, bir Politbüro toplantı sonucu veya yurt içi ekonomik öncelikteki bir değişiklik, herhangi bir piyasa verisi bunu yansıtmadan önce kabul edilebilir değerlenme hızını değiştirebilir.

Geriye dönük testlerde, yapay zekâ modelleri tarihsel PBoC tepki fonksiyonlarını öğrenebilir ve yüksek R² değerlerine ulaşabilir, ancak artık hata gürültü değil — takdir yetkisidir. Modeller ölçülebilir olanı ölçer; CCF, yapısı gereği, merkez bankasının o belirli anda ne istediğini ölçer. Fark açıldığında, farkın kendisi çıktıdır. Onu üreten politik girdi, tamamen veriye dayalı herhangi bir sistem için gözlemlenemez olarak kalır.