1. 前一個交易日的收盤價。
2. 為反映隔夜一籃子貨幣走勢所做的調整。
3. 逆周期因子（Countercyclical Factor, CCF）。

其中，逆周期因子正是人行可以自由裁量的「調節旋鈕」，用來對抗市場單邊的投機情緒與「羊群效應」，避免匯率超調 。

自 2025 年 12 月起，這個旋鈕被明確地轉向了負值。這意味著，人行正在有系統地將每日中間價，設定得比純機械公式所計算出的價位更弱（即美元更強、人民幣更弱），直接目的就是為人民幣的升值趨勢「踩剎車」。以下數據具體展現了這項政策正在運作：

• 2026 年 4 月 22 日：中間價設在 6.8635，而路透社根據公式估算的價位為 6.8233，差距達到 0.59% 。
• 2026 年 5 月 15 日：中間價設在 6.8415，對比路透社預估的 6.7976，差距約 440 個點（1 點為 0.0001 元）。
• 2026 年 5 月 18 日：中間價設在 6.8435，對比預估的 6.8086，差距依然顯著 。

驅動這項政策的背後，是創紀錄的貿易順差。2025 年，中國出口總額達到 3.8 兆美元，創造了 1.2 兆美元的貿易順差 。一旦人民幣失控飆升，將立刻侵蝕出口產品的價格優勢，特別是在當前國內通貨緊縮壓力已壓抑消費者信心的關鍵時刻 。

因此，人行正在走一條精細的鋼索：它允許人民幣逐步升值——至今升幅已達 8%——但必須將速度控制在它自己設定的節奏上，以防止快速的單邊走勢引來投機性的熱錢流入，進而破壞金融穩定 。

負向的逆周期因子，是一個刻意的「半步」訊號：它向市場表明，進一步升值是可以接受的，但節奏必須由央行決定，而非市場 。

AI 軍備競賽：交易員如何逆向破解定價

對交易員而言，每日中間價是亞洲交易時段最重要的數字。一旦對定價方向判斷錯誤，可能讓數週的獲利付諸流水。這催生了一場預測的軍備競賽，而基於 Transformer（一種革命性的深度學習模型）架構的 AI，正成為這場競賽的核心武器。

一份 2024 年的研究發現，Transformer 架構的模型在預測匯率方面，「大幅超越」了傳統的長短期記憶（LSTM）等神經網路，尤其是在市場波動加劇的時期，優勢更為明顯 。更具體地說，一種名為「時序融合變換器」（Temporal Fusion Transformer, TFT）的模型，在獨立測試中，對匯率預測的 R²（決定係數）高達 0.94；若再加入 VIX 恐慌指數等波動度指標，準確度還能進一步提升 。

在這場解謎競賽中，最引人注目的學術突破來自新加坡南洋理工大學（NTU）的計算與數據科學學院。他們與中國的中央財經大學、中國科學院合作，於 2024 年發表了一篇極具針對性的論文。研究團隊挑戰了傳統上需要「人工建構」金融因子來預測人行定價的做法，轉而提出一種端到端的模型——「日內風險因子轉換器」（Intraday Risk Factor Transformer, IRFT）。這個模型的核心目標，是直接從原始市場數據中，自動化地提取出具有預測能力的潛在特徵——換言之，就是讓 AI 自己去「挖掘」出那個隱藏的逆周期因子 。

與此同時，NTU 的其他相關研究也正向前推進。一項研究將深度學習應用於外匯時間序列預測，並使用「反事實解釋」技術，讓模型的推理過程變得可解釋，而非一個純黑盒子 。另一個名為 "DeepForex" 的 GitHub 項目，更將 Transformer 價格預測模型與 Deep Q-Network (DQN) 強化學習代理相結合，直接整合預測與自動化交易執行 。

這股 AI 浪潮不僅限於學術界，連國際清算銀行（BIS）也投入研究。一份 BIS 的工作論文結合了遞歸神經網路（RNN）與大型語言模型（LLM），嘗試提前 60 個交易日預測與解釋貨幣市場的功能障礙，這也凸顯了各國央行本身也正在深入研究這些方法 。

在實戰交易中，這些 AI 模型的工作流程如下：

• 已知的兩個因子（前日收盤價、隔夜貨幣籃子走勢）作為結構化輸入。
• 那個隱藏的 CCF 則被視為一個無法直接觀測的「潛在變量」——模型的核心學習目標，就是從人行的歷史定價行為模式中推斷出它。
• 最終的輸出，將被用於在每日上午 9 點 15 分官方公布前，進行預先布局與下注 。

無法跨越的高牆：政策，不是統計過程

然而，預測人行定價最根本的問題，並非數據充滿雜訊，而是訊號本身——那個關於逆周期因子的決策——源自一個不透明、多重目標並且充滿政治經濟考量的黑盒子，它不會留下任何可以被模型完全捕捉的乾淨數位足跡。

首先，逆周期因子本身就是一個政策訊號機制。當人行刻意將中間價設定比市場預估「弱」上 440 個點時，那個「差距」本身就是它要傳達的訊息 。這個訊息是對市場投機者、貿易夥伴乃至國內出口商的喊話：「我們不會容忍過快的升值」。然而，沒有任何過去的歷史價格數據，能包含今天早上決策者的政治意圖。

其次，人行的政策偏好是非平穩的（non-stationary），也就是結構本身會驟變。回顧 2023 年中至 2024 年底，當時逆周期因子被用來抵抗貶值。那段時期，人行的定價曾大幅強於市場預估，以壓制美元的強勢 。但自 2025 年 12 月起，政策目標已完全翻轉為抵抗升值 。一個在「抗貶」時期訓練出來的 AI 模型，放到當前的「抗升」環境中，其結構將是根本上的錯誤——而這個巨大的轉變，並無任何公開宣告，只能在事後從推斷出的 CCF 數據中才得以窺見。

第三，人行的立場可以在一夜之間改變。一則貿易談判的新進展、一場中共中央政治局會議的結論，或是國內經濟政策的優先順序發生轉變，都可能在沒有任何市場數據反映之前，就改變官方對「可接受的升值速度」的定義。

在回測中，AI 模型確實能學習到人行的歷史反應模式，並取得極高的 R² 值。但模型無法解釋的那個「剩餘誤差」，並非隨機雜訊，而是官方的自由裁量權。模型測量的是它可以被量化的部分；而逆周期因子，本質上測量的正是決策者在當下那個特定時刻的「意志」。當差距擴大時，差距本身就是政策的「輸出」。至於產生這個輸出的、不可觀測的政治性「輸入」，對任何純數據驅動的系統來說，都將是一道永遠無法跨越的高牆。

1. 前一個交易日的收盤價。
2. 為反映隔夜一籃子貨幣走勢所做的調整。
3. 逆周期因子（Countercyclical Factor, CCF）。

其中，逆周期因子正是人行可以自由裁量的「調節旋鈕」，用來對抗市場單邊的投機情緒與「羊群效應」，避免匯率超調 。

自 2025 年 12 月起，這個旋鈕被明確地轉向了負值。這意味著，人行正在有系統地將每日中間價，設定得比純機械公式所計算出的價位更弱（即美元更強、人民幣更弱），直接目的就是為人民幣的升值趨勢「踩剎車」。以下數據具體展現了這項政策正在運作：

• 2026 年 4 月 22 日：中間價設在 6.8635，而路透社根據公式估算的價位為 6.8233，差距達到 0.59% 。
• 2026 年 5 月 15 日：中間價設在 6.8415，對比路透社預估的 6.7976，差距約 440 個點（1 點為 0.0001 元）。
• 2026 年 5 月 18 日：中間價設在 6.8435，對比預估的 6.8086，差距依然顯著 。

驅動這項政策的背後，是創紀錄的貿易順差。2025 年，中國出口總額達到 3.8 兆美元，創造了 1.2 兆美元的貿易順差 。一旦人民幣失控飆升，將立刻侵蝕出口產品的價格優勢，特別是在當前國內通貨緊縮壓力已壓抑消費者信心的關鍵時刻 。

因此，人行正在走一條精細的鋼索：它允許人民幣逐步升值——至今升幅已達 8%——但必須將速度控制在它自己設定的節奏上，以防止快速的單邊走勢引來投機性的熱錢流入，進而破壞金融穩定 。

負向的逆周期因子，是一個刻意的「半步」訊號：它向市場表明，進一步升值是可以接受的，但節奏必須由央行決定，而非市場 。

AI 軍備競賽：交易員如何逆向破解定價

對交易員而言，每日中間價是亞洲交易時段最重要的數字。一旦對定價方向判斷錯誤，可能讓數週的獲利付諸流水。這催生了一場預測的軍備競賽，而基於 Transformer（一種革命性的深度學習模型）架構的 AI，正成為這場競賽的核心武器。

一份 2024 年的研究發現，Transformer 架構的模型在預測匯率方面，「大幅超越」了傳統的長短期記憶（LSTM）等神經網路，尤其是在市場波動加劇的時期，優勢更為明顯 。更具體地說，一種名為「時序融合變換器」（Temporal Fusion Transformer, TFT）的模型，在獨立測試中，對匯率預測的 R²（決定係數）高達 0.94；若再加入 VIX 恐慌指數等波動度指標，準確度還能進一步提升 。

在這場解謎競賽中，最引人注目的學術突破來自新加坡南洋理工大學（NTU）的計算與數據科學學院。他們與中國的中央財經大學、中國科學院合作，於 2024 年發表了一篇極具針對性的論文。研究團隊挑戰了傳統上需要「人工建構」金融因子來預測人行定價的做法，轉而提出一種端到端的模型——「日內風險因子轉換器」（Intraday Risk Factor Transformer, IRFT）。這個模型的核心目標，是直接從原始市場數據中，自動化地提取出具有預測能力的潛在特徵——換言之，就是讓 AI 自己去「挖掘」出那個隱藏的逆周期因子 。

與此同時，NTU 的其他相關研究也正向前推進。一項研究將深度學習應用於外匯時間序列預測，並使用「反事實解釋」技術，讓模型的推理過程變得可解釋，而非一個純黑盒子 。另一個名為 "DeepForex" 的 GitHub 項目，更將 Transformer 價格預測模型與 Deep Q-Network (DQN) 強化學習代理相結合，直接整合預測與自動化交易執行 。

這股 AI 浪潮不僅限於學術界，連國際清算銀行（BIS）也投入研究。一份 BIS 的工作論文結合了遞歸神經網路（RNN）與大型語言模型（LLM），嘗試提前 60 個交易日預測與解釋貨幣市場的功能障礙，這也凸顯了各國央行本身也正在深入研究這些方法 。

在實戰交易中，這些 AI 模型的工作流程如下：

• 已知的兩個因子（前日收盤價、隔夜貨幣籃子走勢）作為結構化輸入。
• 那個隱藏的 CCF 則被視為一個無法直接觀測的「潛在變量」——模型的核心學習目標，就是從人行的歷史定價行為模式中推斷出它。
• 最終的輸出，將被用於在每日上午 9 點 15 分官方公布前，進行預先布局與下注 。

無法跨越的高牆：政策，不是統計過程

然而，預測人行定價最根本的問題，並非數據充滿雜訊，而是訊號本身——那個關於逆周期因子的決策——源自一個不透明、多重目標並且充滿政治經濟考量的黑盒子，它不會留下任何可以被模型完全捕捉的乾淨數位足跡。

首先，逆周期因子本身就是一個政策訊號機制。當人行刻意將中間價設定比市場預估「弱」上 440 個點時，那個「差距」本身就是它要傳達的訊息 。這個訊息是對市場投機者、貿易夥伴乃至國內出口商的喊話：「我們不會容忍過快的升值」。然而，沒有任何過去的歷史價格數據，能包含今天早上決策者的政治意圖。

其次，人行的政策偏好是非平穩的（non-stationary），也就是結構本身會驟變。回顧 2023 年中至 2024 年底，當時逆周期因子被用來抵抗貶值。那段時期，人行的定價曾大幅強於市場預估，以壓制美元的強勢 。但自 2025 年 12 月起，政策目標已完全翻轉為抵抗升值 。一個在「抗貶」時期訓練出來的 AI 模型，放到當前的「抗升」環境中，其結構將是根本上的錯誤——而這個巨大的轉變，並無任何公開宣告，只能在事後從推斷出的 CCF 數據中才得以窺見。

第三，人行的立場可以在一夜之間改變。一則貿易談判的新進展、一場中共中央政治局會議的結論，或是國內經濟政策的優先順序發生轉變，都可能在沒有任何市場數據反映之前，就改變官方對「可接受的升值速度」的定義。

在回測中，AI 模型確實能學習到人行的歷史反應模式，並取得極高的 R² 值。但模型無法解釋的那個「剩餘誤差」，並非隨機雜訊，而是官方的自由裁量權。模型測量的是它可以被量化的部分；而逆周期因子，本質上測量的正是決策者在當下那個特定時刻的「意志」。當差距擴大時，差距本身就是政策的「輸出」。至於產生這個輸出的、不可觀測的政治性「輸入」，對任何純數據驅動的系統來說，都將是一道永遠無法跨越的高牆。