Divergensi PMI dan FX: Memimpin Tren

Sebagian besar model makro untuk FX berfokus pada apa yang telah dilakukan bank sentral: perbedaan suku bunga, spread imbal hasil, dan divergensi kebijakan yang sudah dihargai ke dalam kurva ke depan. divergensa PMI bekerja secara berbeda. Karena survei Indeks Pembelian Manajer menangkap perubahan real-time dalam aktivitas bisnis sebelum mereka muncul dalam cetakan resmi PDB atau CPI, jurang PMI yang semakin luas antara dua negara adalah salah satu dari sedikit sinyal yang secara konsisten mendahului perubahan tren FX daripada mengkonfirmasinya.

Intuisi adalah sederhana. Ketika lantai pabrik dan meja layanan suatu ekonomi meningkat pesat sementara peer berkontraksi, permintaan mendasar untuk mata uang yang lebih kuat meningkat: lebih banyak output, lebih banyak ekspor, lebih besar perekrutan, dan lebih besar kemungkinan bahwa bank sentralnya akan cenderung kebal. Pedagang FX yang menunggu konfirmasi resmi PDB telah melewatkan entri. Pedagangan yang melacak divergensi PMI secara real time khususnya spread antara pembacaan PMI komposit dapat posisi lebih awal dalam langkah.

Apa Ukuran PMI dan Mengapa Ini Memimpin

Indeks Pembelian Manajer adalah indeks difusi yang disusun setiap bulan dari survei eksekutif senior pengadaan dan rantai pasokan. pembacaan di atas 50 menunjukkan ekspansi; di bawah 50 menunjukkan kontraksi. indeks menangkap pesanan baru, output, pekerjaan, waktu pengiriman pemasok, dan persediaan komponen yang berpandangan ke depan (pesanan baru khususnya) memberikan pandangan masa depan yang nyata terhadap aktivitas ekonomi 30 sampai 90 hari keluar.

Tiga varian relevan untuk analisis FX:

• PMI manufaktur sensitif terhadap perdagangan, sangat reaktif terhadap kejutan permintaan global, siklus tarif, dan fase pembangunan kembali persediaan/pengurangan persediaan.
• PMI Layanan mencerminkan kekuatan permintaan domestik, penularan inflasi upah, dan kepercayaan konsumen.
• PMI Komposit Perpaduan manufaktur dan jasa yang diukur berdasarkan PDB. Menyediakan sinyal aktivitas ekonomi yang paling luas dan berkorelasi paling konsisten dengan arah tren valuta asing selama 1 3 bulan.

The lead-time advantage of PMI data over GDP prints is significant: composite PMI is published on the first business day of each month for the prior month, while GDP typically arrives 3–6 weeks after quarter-end and is subsequently revised. A trader watching the EUR/USD pair in January can see both the US and Eurozone composite PMI figures for December before any quarterly GDP data has been released.

Membangun Sinyal Divergensi PMI

Sinyal ini dibangun dari spread antara pembacaan PMI komposit dua negara. Spread positif di mana PMI negara A melebihi PMI negara B mendukung mata uang A relatif terhadap mata uang B. Kekuatan sinyal meningkat dengan:

• Ukuran mutlak dari spread (divergensi yang lebih besar = bias yang lebih kuat)
• Arah perubahan (penyebaran penyebaran = bias percepatan)
• Durasi (divergensi berlanjut selama beberapa bulan = tren, bukan satu kali)
• Crossover 50 tingkat (satu sisi di atas ambang ekspansi sementara sisi lain menyusut)

Contoh berikut mengambil data PMI komposit AS dan zona euro dan menghitung spread divergensi yang relevan dengan EUR/USD.

import requests
import pandas as pd

BASE = "https://fxmacrodata.com/api/v1"
KEY  = "YOUR_API_KEY"

def get_pmi(currency: str, start: str = "2020-01-01") -> pd.Series:
    r = requests.get(
        f"{BASE}/announcements/{currency}/pmi",
        params={"api_key": KEY, "start_date": start}
    )
    r.raise_for_status()
    df = pd.DataFrame(r.json()["data"])
    df["date"] = pd.to_datetime(df["date"])
    df = df.set_index("date").sort_index()
    return df["val"].rename(currency.upper())

usd_pmi = get_pmi("usd")
eur_pmi = get_pmi("eur")

# EUR minus USD composite PMI spread (positive = EUR favoured)
spread = (eur_pmi - usd_pmi).dropna()
spread.name = "EUR_minus_USD_PMI"

print(spread.tail(6).to_string())
print(f"\nCurrent spread: {spread.iloc[-1]:.1f} pts")

EUR/USD: Pasangan Benchmark untuk Divergensi PMI

EUR/USD adalah pasangan mata uang yang paling banyak diperdagangkan di dunia dan yang paling luas dipelajari untuk analisis makro-fundamental. Ini juga pasangan di mana divergensi PMI secara historis menunjukkan hubungan lead-time yang paling jelas sebagian karena rilis ISM/PMI AS dan S&P Global PMI zona euro diawasi dengan cermat, didistribusikan secara luas, dan memiliki sejarah panjang yang memungkinkan backtesting.

Hubungan ini tidak mekanis EUR/USD juga sangat dipengaruhi oleh nafsu risiko, harga energi, ekspektasi suku bunga ECB/Fed, dan posisi. Tetapi divergensi PMI secara konsisten memberikan bias struktural yang menumpuk semua pendorong jangka pendek tersebut. Pada periode seperti H1 2024, ketika data AS lebih baik dan zona euro berjuang dengan konsekuensi dari kejutan biaya energi, keuntungan PMI AS yang terus-menerus berkorelasi dengan tawaran USD yang berkelanjutan yang menyiarkan beberapa acara komunikasi ECB yang positif terhadap EUR.

Memperluas Sinyal di Sepanjang Pasangan Utama

Kerangka divergensi yang sama berlaku di semua pasangan mata uang utama di mana seri PMI tersedia. Pasangan yang berbeda menunjukkan sensitivitas yang berbeda tergantung pada bagaimana ekonomi yang mendasari berorientasi perdagangan, terkait komoditas, atau dominan layanan.

Pasangan yang paling dapat diandalkan merespon divergensi PMI memiliki karakteristik tertentu: kedua ekonomi telah mengawasi secara dekat, seri PMI berkualitas tinggi; ada perdagangan bilateral yang signifikan antara kedua negara; dan kedua mata uang ini terutama merupakan mata uang komoditas di mana harga sumber daya dapat mengesampingkan sinyal kegiatan makro. EUR/USD, GBP/USD , USD/JPY, dan EUR/GBP secara konsisten berada dalam kategori ini. AUD/USD dan NZD/USD menunjukkan sinyal PMI yang lebih lemah karena harga komoditi (terutama bijih besi, tembaga, dan susu) secara teratur mengesampingkeun sinyal aktivitas manufaktur untuk mata uang tersebut.

Mengambil Data PMI Multi-Valuta

Membangun dasbor sinyal PMI multi-pasangan membutuhkan menarik data PMI di beberapa mata uang dan menyelaraskan mereka ke garis waktu bulanan yang umum. Nilai akhir PMI memberikan seri waktu bulanan yang konsisten untuk semua mata uang utama.

import requests
import pandas as pd

BASE = "https://fxmacrodata.com/api/v1"
KEY  = "YOUR_API_KEY"

currencies = ["usd", "eur", "gbp", "jpy", "aud", "cad"]

def get_pmi(currency: str, start: str = "2022-01-01") -> pd.Series:
    r = requests.get(
        f"{BASE}/announcements/{currency}/pmi",
        params={"api_key": KEY, "start_date": start}
    )
    r.raise_for_status()
    df = pd.DataFrame(r.json()["data"])
    df["date"] = pd.to_datetime(df["date"])
    df = df.set_index("date").sort_index()
    return df["val"].rename(currency.upper())

pmi = pd.concat([get_pmi(c) for c in currencies], axis=1)

# Compute all cross-spreads relevant to major pairs
divergence = {
    "EUR_vs_USD": pmi["EUR"] - pmi["USD"],
    "GBP_vs_USD": pmi["GBP"] - pmi["USD"],
    "USD_vs_JPY": pmi["USD"] - pmi["JPY"],
    "USD_vs_AUD": pmi["USD"] - pmi["AUD"],
    "USD_vs_CAD": pmi["USD"] - pmi["CAD"],
    "EUR_vs_GBP": pmi["EUR"] - pmi["GBP"],
}
div_df = pd.DataFrame(divergence)

print(div_df.tail(3).to_string())
print("\nCurrent divergence snapshot:")
for pair, val in div_df.iloc[-1].items():
    direction = "favours first currency" if val > 0 else "favours second currency"
    print(f"  {pair:15s}: {val:+.1f} pts  ({direction})")

Klasifikasi Rezim PMI

Pembacaan spread PMI tunggal bersifat informatif, tetapi sinyal yang paling dapat diperdagangkan berasal dari klasifikasi rejim: mengidentifikasi ketika divergensi melintasi ambang batas yang berarti dan bertahan di sana selama beberapa bulan.

def classify_pmi_regime(spread: pd.Series, threshold: float = 3.0) -> pd.Series:
    """
    Returns regime labels: 'strong_A', 'neutral', or 'strong_B'.
    threshold: minimum spread magnitude to declare a directional regime.
    """
    regimes = []
    for val in spread:
        if val > threshold:
            regimes.append("strong_A")
        elif val < -threshold:
            regimes.append("strong_B")
        else:
            regimes.append("neutral")
    return pd.Series(regimes, index=spread.index, name="regime")

# Apply to EUR-USD divergence
eur_usd_spread = pmi["EUR"] - pmi["USD"]
regime = classify_pmi_regime(eur_usd_spread, threshold=2.5)

# Summarise regime tenure
for r in ["strong_A", "neutral", "strong_B"]:
    count = (regime == r).sum()
    pct = 100 * count / len(regime)
    print(f"  {r:12s}: {count:3d} months ({pct:.0f}% of history)")

Menggabungkan PMI Divergensi dengan Tarif Diferensial

Divergensi PMI paling kuat ketika selaras dengan atau mengarah perbedaan suku bunga kebijakan antara dua negara. Ketika divergensi BMI meluas mendukung mata uang A pada saat yang sama dengan perbedaan suku juga mendukung A, bias FX struktural diperkuat dan cenderung bertahan lebih lama. Ketika perbedaan PMI dan perbedaan suku tidak setuju, satu sinyal pada akhirnya akan menang; PMI cenderung memimpin jalur suku bunga, karena bank sentral merespons data aktivitas.

# Fetch policy rates for EUR and USD
def get_indicator(currency: str, indicator: str, start: str = "2022-01-01") -> pd.Series:
    r = requests.get(
        f"{BASE}/announcements/{currency}/{indicator}",
        params={"api_key": KEY, "start_date": start}
    )
    r.raise_for_status()
    df = pd.DataFrame(r.json()["data"])
    df["date"] = pd.to_datetime(df["date"])
    df = df.set_index("date").sort_index()
    return df["val"].rename(f"{currency.upper()}_{indicator}")

eur_rate = get_indicator("eur", "policy_rate")
usd_rate = get_indicator("usd", "policy_rate")

# Resample to monthly end-of-period, forward-fill
monthly_idx = pd.date_range(start="2022-01-01", end=pd.Timestamp.today(), freq="ME")
eur_rate_m = eur_rate.reindex(monthly_idx, method="ffill")
usd_rate_m = usd_rate.reindex(monthly_idx, method="ffill")
rate_spread = (eur_rate_m - usd_rate_m).rename("EUR_minus_USD_rate")

# Composite signal: PMI divergence weighted with rate differential
pmi_weight   = 0.6
rate_weight  = 0.4
composite = (
    pmi_weight * eur_usd_spread.reindex(monthly_idx, method="ffill") +
    rate_weight * rate_spread
).rename("composite_eur_bias")

print("Composite EUR/USD bias signal (last 6 months):")
print(composite.tail(6).to_string())

Waktu Pelaksanaan: Kapan Perbedaan PMI Membayar?

The critical question for traders is the lead time: how many weeks or months after PMI divergence emerges does the FX pair tend to confirm the move? Empirically, the strongest correlation between PMI divergence and subsequent FX direction is observed at a 4–8 week lag for EUR/USD and GBP/USD. USD/JPY tends to have a slightly longer lag (8–12 weeks) because the Bank of Japan's intervention behaviour can delay or interrupt the FX trend even when PMI divergence is clear.

Untuk AUD dan CAD, hubungan PMI-lead kurang dapat diandalkan pada setiap keterlambatan tetap karena harga komoditas dapat mengesampingkan sinyal sepenuhnya. Pendekatan praktis adalah untuk memperlakukan divergensi PMI komoditi-mata uang sebagai kondisi yang diperlukan tetapi tidak cukup: itu menetapkan arah struktural, tetapi membutuhkan konfirmasi harga komoditi sebelum menghasilkan bias perdagangan.

Menggabungkannya: Dasbor Sinyal PMI Langsung

The following function builds a simple but complete PMI divergence signal dashboard across all major pairs, surfacing the current regime, the spread level, and its 3-month trend direction. This is a practical template for a morning workflow that takes under 60 seconds to run.

def pmi_signal_dashboard(start: str = "2023-01-01") -> pd.DataFrame:
    """
    Build a cross-pair PMI divergence signal table.
    Returns a DataFrame with current regime and trend for each pair.
    """
    currencies = ["usd", "eur", "gbp", "jpy", "aud", "cad"]
    pmi = pd.concat([get_pmi(c, start=start) for c in currencies], axis=1)

    pair_definitions = [
        ("EUR/USD", "EUR", "USD", 2.5),
        ("GBP/USD", "GBP", "USD", 2.5),
        ("USD/JPY", "USD", "JPY", 4.0),
        ("AUD/USD", "AUD", "USD", 3.0),
        ("USD/CAD", "USD", "CAD", 3.0),
        ("EUR/GBP", "EUR", "GBP", 2.0),
    ]

    rows = []
    for pair, base_ccy, quote_ccy, thresh in pair_definitions:
        spread = pmi[base_ccy] - pmi[quote_ccy]
        spread = spread.dropna()
        if spread.empty:
            continue
        current   = spread.iloc[-1]
        prior_3m  = spread.iloc[-4] if len(spread) >= 4 else float("nan")
        trend     = "widening" if current > prior_3m else "narrowing" if current < prior_3m else "flat"

        if current > thresh:
            regime = f"FAVOURS {base_ccy}"
        elif current < -thresh:
            regime = f"FAVOURS {quote_ccy}"
        else:
            regime = "NEUTRAL"

        rows.append({
            "Pair"    : pair,
            "Spread"  : round(current, 1),
            "Trend"   : trend,
            "Regime"  : regime,
        })

    return pd.DataFrame(rows).set_index("Pair")

dashboard = pmi_signal_dashboard()
print(dashboard.to_string())

Risiko Utama dan Gagal Sinyal

Perbedaan PMI tidak dapat dihindari. Beberapa kondisi dapat menyebabkan sinyal gagal atau terbalik:

• Peristiwa risiko-off dalam episode global risiko-off yang tajam (misalnya, pandemi, penularan keuangan), semua pembacaan PMI runtuh secara bersamaan, membuat divergensi lintas negara tidak informatif.
• Kelelahan survei atau perubahan struktural terkadang survei PMI gagal mencerminkan realitas ekonomi yang dilaporkan karena perubahan struktural dalam cara perusahaan menanggapi survei. produksi industri atau penjualan ritel titik akhir.
• Bank sentral menggantikan — when a central bank is engaged in large-scale currency intervention (Bank of Japan 2022–2024, Swiss National Bank periodically), the FX pair can move aggressively against the PMI signal. Use the suku bunga kebijakan dan cadangan asing sebagai pemeriksaan kesehatan mental.
• Kejut harga komoditas untuk AUD, CAD, dan NZD, lonjakan harga komoditas tiba-tiba atau keruntuhan dapat sepenuhnya mengesampingkan bahkan sinyal divergensi PMI yang kuat. Komoditas titik akhir untuk konteks.

Penggunaan paling kuat dari divergensi PMI adalah sebagai filter regime daripada sinyal masuk yang berdiri sendiri.

Mengintegrasikan PMI ke dalam Kerangka Kerja Makro FX

Aliran kerja praktis untuk analis makro FX terlihat seperti ini: setiap bulan, ketika PMI komposit mencetak, menjalankan perhitungan divergensi di semua pasangan. Perbarui klasifikasi rejim. Periksa apakah rejim saat ini setuju atau tidak setuju dengan pandangan diferensial suku bunga dan posisi COT yang ada. Jika PMI, suku bunga, dan posisi semua setuju itu adalah pengaturan makro keyakinan tinggi. Jika mereka tidak setuju ?? itu adalah pasar yang memberi tahu Anda bahwa sesuatu sedang transisi.

Perbedaan PMI tidak menjamin tren FX. Ini mengidentifikasi latar belakang aktivitas ekonomi di mana tren kemungkinan akan muncul. Digunakan sebagai filter bias struktural daripada pemicu perdagangan mekanis ini adalah salah satu alat yang paling kaya informasi, tersedia secara bebas, dan tepat waktu dalam toolkit makro FX.

FXMacroData Nilai akhir PMI Dan Nilai akhir PMI zona euro Membangun sinyal divergensi dalam beberapa baris Python, lapisan atas kerangka kerja makro yang ada, dan Anda memiliki indikator terkemuka yang memperbarui setiap bulan minggu sebelum data aktivitas resmi mengkonfirmasi apa yang PMI sudah memberitahu Anda.