PMI 差異と外為:傾向をリードする

Most macro models for FX focus on what central banks have already done: rate differentials, yield spreads, and policy divergence that is already priced into the forward curve. PMI divergence works differently. Because Purchasing Managers' Index surveys capture real-time changes in business activity before they show up in official GDP or CPI prints, a widening PMI gap between two countries is one of the few signals that consistently precedes FX trend changes rather than confirming them.

感知は単純である. 経済の工場床とサービスデスクが収縮している間に加速しているとき,強い通貨に対する潜在的需要は上昇する:より多くの生産,より多くの輸出,より多くの雇用,そして中央銀行がホークスに傾く可能性が高い. 公式GDPの確認を待っているFXトレーダーは既にエントリを見逃している. PMIの差異をリアルタイムに追跡するトレーダーは,特に複合的なPMI読み込みの間の差異は,動きの早期に位置づけることができます.

PMI の 指標 と その 原因

購入管理者指数は,調達およびサプライチェーンの上級幹部の調査から毎月収集される拡散指数である.50以上の値が拡大を示し,50未満は収縮を示している.指数は新しい注文,生産量,雇用,サプライヤーの配達時間,および在庫を記録する.その前向きな構成要素 (特に新しい注文) は30〜90日後の経済活動について真の前景を示します.

Three variants are relevant for FX analysis:

• 製造業のPMI 貿易に敏感で,世界的な需要ショック,関税サイクル,在庫再構築/卸庫段階に非常に反応する.AUD,CAD,CNY,輸出重力経済にとって最も有用です.
• サービス PMI 国内需要強度,賃金インフレの伝達,消費者の信頼を反映する.最も関連しているのは,ドル,ユーロ,英ポンド,およびサービス主力経済です.
• 複合PMI 製造業とサービス業のGDP重量化された混合物.経済活動に関する最も広範な信号を提供し,1~3ヶ月間の通貨動向方向と最も一貫して相関する.

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.

PMIの差異信号の構築

The signal is constructed from the spread between two countries' composite PMI readings. A positive spread — where country A's PMI exceeds country B's PMI — favours currency A relative to currency B. The signal strength increases with:

• 差の絶対値 (大きな差 = 強い偏差)
• 変化の方向 (広がり拡大 = 偏差加速)
• 持続期間 (持続的な数ヶ月の差 = 傾向の傾向,一度ではない)
• 50レベルクロスオーバー (片側が拡張の限界を超え,もう片方は収縮)

次の例では,米国とユーロ圏のPMI複合データを取得し,EUR/USD関連差差の差を計算します.

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: PMI 差異の基準対

EUR/USDは,世界で最も取引が多く,マクロファンドメンタルの分析において最も広く研究されている通貨ペアである.また,PMIの差異が歴史的に最も明確なリードタイム関係を示してきたペアでもある.これは,米国ISM/PMIとユーロ圏S&PグローバルPMIが注意深く監視され,広く分布し,バックテストを可能にする長い歴史があるためである.

The relationship is not mechanical — EUR/USD is also heavily influenced by risk appetite, energy prices, ECB/Fed rate expectations, and positioning. But PMI divergence consistently provides a structural bias that overlays all of those shorter-term drivers. In a period like H1 2024, when US data outperformed and the Eurozone struggled with the aftermath of energy cost shocks, the persistent US PMI advantage correlated with a sustained USD bid that overshadowed multiple EUR-positive ECB communication events.

信号 を 主要 な 組み合わせ に 広げ て ゆく

異なる対は,その基盤経済が貿易指向,商品関連,またはサービス支配的程度によって異なる敏感性を示します.

PMIの差異に最も信頼性の高い対は,いくつかの特徴を共有している:両国は高度なPMIシリーズを注意深く観察している.両国間の重要な二国間貿易があり,両国とも,両国の通貨は主に資源価格がマクロ活動信号を上回る商品通貨ではない. EUR/USD,GBP/USD ,USD/JPY,およびEUR/GBPは,一貫してこのカテゴリーに属している.AUD/USDとNZD/USDは,商品価格 (特に鉄鉱石,銅,乳製品) が,これらの通貨の製造業活動信号に定期的に優勢しているため,PMI信号が弱くなっている.

多通貨PMIデータを取得する

多対のPMI信号ダッシュボードを構築するには,PMIデータを複数の通貨にわたって抽出し,それらを共通の月間タイムラインに調整する必要があります. PMI 終点点 すべての主要通貨に対して一貫した月間時間列を提示します.

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})")

PMI制度の分類

PMIの単一の差値表示は情報的なものであるが,最も取引可能な信号は,差値が有意義な値を超えて数ヶ月間維持される時の特定である,レジムの分類から来る.

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)")

PMIの差を利率差と組み合わせる

PMI divergence is most powerful when it aligns with — or leads — the policy rate differential between two countries. When PMI divergence widens in favour of currency A at the same time as the rate differential also favours A, the structural FX bias is reinforced and tends to be sustained for longer. When PMI divergence and the rate differential disagree, one signal will ultimately win; PMI tends to lead the rate path, since central banks respond to activity data.

# 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())

リードタイム:PMIの差異がいつ報われるのか?

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.

AUDとCADでは,商品価格が信号を完全に覆す可能性があるため,PMI・リード関係は固定遅延で信頼性が低下する.実用的なアプローチは,商品通貨PMIの差異を必要だが十分でない条件として扱うことである.それは構造的方向性を定めるが,貿易バイアスを発生する前に商品価格の確認を必要とする.

組み立て:PMI 信号のダッシュボード

次の関数は,すべての主要なペアにわたって,現在のレジメント,スプレッドレベル,および3ヶ月のトレンド方向を表面化するシンプルで完全なPMIディバージェンスのシグナルダッシュボードを構築します.これは実行するのに60秒未満の朝のワークフローのための実践的なテンプレートです.

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())

重要なリスクと信号障害

PMI の差異は不間違いではありません.いくつかの条件により信号が失敗したり逆転したりします.

• リスクオフイベント 深刻な世界的なリスクオフ (例えば,パンデミック,金融感染) の場合,PMIの測定値はすべて同時に崩壊し,国間差異は情報に欠かせます.これらの環境では,安全な港湾流 (USD,JPY,CHF) が基本信号を覆します.
• 調査疲労や構造変化 企業による調査への回答の構造の変化により,PMI調査は時々報告された経済現実を反映することができません.関連するFXMacroDataを通じて,確固たるデータ (産業生産,小売販売) とクロス参照 工業生産 ほら 小売販売 目的地
• 中央銀行による過小評価 — 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 政策金利 精神的健康をチェックする.
• 商品価格ショック AUD,CAD,NZDの場合,急激な商品価格の急上昇または崩壊は,強力なPMIの差異信号さえ完全に覆すことができます.常にPMIをチェックしてください. 商品の最終点 文脈を把握する

PMIの差は,単独の入口信号ではなく,レジムフィルターとして最も有効に使用される.PMIの差とレート差が一致し,両方が同じ通貨方向性を強化すると,組み合わせた信号は,単体でどちらのよりも意味のある成功率を持っています.

マクロFX枠組みに PMI を統合する

マクロFXアナリストの実践的なワークフローは以下の通りである.各月,複合PMIを印刷するときに,すべてのペアにわたる分散計算を実行する. 制度分類を更新する. 現在の制度が既存のレート差とCOTポジショニングビューに同意するか否かを確認する. PMI,レート,ポジショনিংがすべて同意する場合は,それは高い確信のマクロ設定である. 意見が異なる場合は,市場があなたに何か移行していることを伝えている.

PMIの差異は,外為トレンドを保証するものではない.それはトレンドが発生する可能性のある経済活動背景を特定する.構造的バイアスフィルターとして使用される.機械的な取引トリガーではなく,マクロFXツールキットで最も情報豊富な,自由に利用可能な,タイムリーなツールの一つです.

金融機関が PMI 終点点 ほら ユーロ圏PMI最終点 単一のクリーンなJSONコールですべての主要通貨の月々の履歴を完全にアクセスできます.Pythonの数行でディバージェンスの信号を構築し,既存のマクロフレームワークの上に層を重ね,PMIが既にあなたに言ったことを確認する公式の活動データより毎月更新される主要な指標を持っています.