Чому НБК розширює розрив у фіксингу юаня — і чому ШІ не може його «зламати»

З грудня 2025 року цей важіль повернуто в негативний бік, тобто НБК систематично встановлює фіксинги слабшими, ніж це виходило б за механічною формулою — це пряма спроба уповільнити зміцнення юаня . Цифри демонструють політику в дії:

• 22 квітня 2026 року: Фіксинг на рівні 6,8635 проти ринкової оцінки 6,8233 — відхилення на 0,59% .
• 15 травня 2026 року: Фіксинг на рівні 6,8415 проти оцінки Reuters 6,7976 — розрив приблизно в 440 пунктів .
• 18 травня 2026 року: Фіксинг на рівні 6,8435 проти оцінки 6,8086 .

Мотивацією є рекордна торговельна машина. Експорт Китаю досяг $3,8 трлн у 2025 році, забезпечивши профіцит у $1,2 трлн . Неконтрольоване зростання юаня підірвало б цінові переваги експорту саме тоді, коли внутрішній дефляційний тиск і так пригнічує споживчу довіру . НБК балансує на канаті: дозволяє поступове зміцнення — вже майже на 8% — запобігаючи при цьому швидким, односпрямованим рухам, які залучають спекулятивний «гарячий» капітал і дестабілізують валюту .

Негативний АЦФ — це свідомий напівкрок: він сигналізує, що подальше зміцнення є прийнятним, але в темпі, обраному центробанком, а не ринком .

Як трейдери використовують ШІ для зворотного проектування фіксингу

Для трейдерів щоденний фіксинг є найважливішим числом під час азійської сесії. Опинитися не на тому боці несподіваного фіксингу означає втратити прибуток за кілька тижнів. Це спричинило справжню гонку озброєнь у прогнозуванні, де моделі глибинного навчання на основі трансформерів — тієї ж архітектури, що лежить в основі великих мовних моделей, — зараз перебувають у центрі зусиль.

Дослідження 2024 року, проведене Лу Чжао та Вей Ці Янем, показало, що моделі на основі трансформерів «значно перевершують» LSTM та інші застарілі нейронні мережі в прогнозуванні валютних курсів, особливо в періоди підвищеної волатильності . Більш конкретно, Temporal Fusion Transformer (TFT) досяг R² до 0,94 у прогнозуванні обмінних курсів у незалежному тестуванні, а додавання індексів волатильності, таких як VIX, ще більше підвищувало точність .

Найбільш безпосередньо пов'язана академічна робота є результатом співпраці 2024 року між Коледжем обчислювальної техніки та науки про дані Наньянського технологічного університету (NTU), Центральним університетом фінансів та економіки та Китайською академією наук. Дослідники поставили під сумнів стандартний підхід ручного конструювання фінансових факторів для прогнозування фіксингу НБК і натомість запропонували наскрізну модель — Intraday Risk Factor Transformer (IRFT) — для вилучення прихованих прогностичних ознак безпосередньо з необроблених ринкових даних, по суті автоматизуючи пошук прихованого антициклічного фактора .

Окремі дослідження в NTU розширили ці напрямки. Одне дослідження застосувало глибинне навчання для прогнозування часових рядів на ринку форекс і використало контрафактичні пояснення, щоб зробити міркування моделі зрозумілими . Проєкт "DeepForex" на GitHub, пов'язаний з дослідником з NTU, поєднав модель прогнозування цін на основі трансформера з агентом навчання з підкріпленням Deep Q-Network (DQN) для виконання автоматизованих угод — інтегруючи прогнозування з дією .

Інституційний інтерес, зокрема з боку Банку міжнародних розрахунків (BIS), також підтвердив цей підхід. Робочий документ BIS об'єднав рекурентні нейронні мережі з великими мовними моделями для прогнозування та пояснення дисфункцій валютного ринку за 60 робочих днів, підкреслюючи, що самі центробанки вивчають ці методи .

З практичної точки зору торгівлі, робочий процес виглядає так:

• Відомі компоненти (попереднє закриття та нічні зміни кошика) подаються як структуровані вхідні дані.
• Прихований АЦФ розглядається як неспостережувана латентна змінна — головною метою навчання моделі є виведення його з історичних шаблонів поведінки фіксингу.
• Вихідні дані використовуються для відкриття позицій до оголошення фіксингу, яке відбувається о 09:15 за пекінським часом .

Незнищенна межа: політика — це не статистичний процес

Проблема з прогнозуванням фіксингу НБК полягає не в тому, що дані зашумлені. Справа в тому, що сам сигнал — рішення щодо антициклічного фактора — походить із непрозорого, багатоцільового політико-економічного розрахунку, який не залишає чіткого цифрового сліду.

По-перше, АЦФ є сигнальним механізмом. Коли НБК встановлює фіксинг на 440 пунктів слабшим за консенсус, цей розрив і є повідомленням. Він сигналізує ринкам, торговим партнерам та вітчизняним експортерам, що центробанк не потерпить швидкого зміцнення, навіть якщо механічна формула його передбачає . Жоден історичний ряд цін не містить політичного наміру цього ранку.

По-друге, політичні вподобання НБК є нестаціонарними. З середини 2023 року до кінця 2024 року АЦФ використовувався для протидії девальвації, часом створюючи фіксинги, значно сильніші за ринкові оцінки, щоб обмежити зростання долара . З грудня 2025 року він переключився на протидію ревальвації . Модель, навчена на даних епохи девальвації, буде структурно помилковою в поточному середовищі — а зміна відбулася без жодних явних оголошень, видима лише у виведеному постфактум АЦФ.

По-третє, НБК може змінити свою позицію миттєво. Розвиток торгових переговорів, результати засідання Політбюро або зміна внутрішніх економічних пріоритетів можуть змінити прийнятний темп зміцнення ще до того, як будь-які ринкові дані це відобразять.

На бектестах моделі ШІ можуть вивчати історичні функції реакції НБК і досягати високих значень R², але залишкова помилка — це не шум, а дискреція. Моделі вимірюють те, що можна виміряти; АЦФ, за своєю конструкцією, вимірює те, чого центробанк хоче в конкретний момент. Коли розрив збільшується, розрив і є результатом. Політичний внесок, який його створює, залишається неспостережуваним для будь-якої системи, що керується виключно даними.