PMI 이각화와 외환: 트렌드를 주도하는 것

대부분의 FX 매크로 모델은 중앙 은행이 이미 한 것에 초점을 맞추고 있습니다: 금리 차, 수익률 스프레드, 그리고 이미 전향 곡선에 가격화 된 정책의 분산. PMI 분산은 다르게 작동합니다. 구매 관리자 지수 조사가 공식 GDP 또는 CPI 인쇄물에 나타나기 전에 비즈니스 활동의 실시간 변화를 포착하기 때문에 두 국가 사이의 PMI 격차가 확대되는 것은 FX 트렌드 변화를 확인하기보다는 지속적으로 앞당기는 몇 안 되는 신호 중 하나입니다.

직관적인 것은 간단하다. 한 경제의 공장 층과 서비스 데스크가 견과자가 수축하는 동안 가속화되면 더 강한 통화에 대한 기본 수요가 증가합니다: 더 많은 생산, 더 많은 수출, 더 많이 고용하고 중앙 은행이 호크시로 기울일 가능성이 높습니다. 공식 GDP 확인을 기다리는 FX 거래자는 이미 입력을 놓쳤습니다. 실시간으로 PMI 분리를 추적하는 거래자는 특히 복합 PMI 판독 사이의 스프레드 이동에서 더 일찍 위치를 지정 할 수 있습니다.

PMI 의 대책 과 그 이유

구매 관리자 지수는 수급 및 공급망 수석 임원들의 설문조사에서 월간 작성된 보급 지표이다. 50 이상의 판독은 확장을 나타내고 50 이하는 수축을 나타낸다. 이 지수는 새로운 주문, 생산, 고용, 공급자 배달 시간 및 재고를 포착한다.

FX 분석에 3가지 변수가 중요합니다.

• 제조업 PMI 무역에 민감하고, 글로벌 수요 충격, 관세주기 및 재구성/재자구축 단계에 매우 반응합니다. AUD, CAD, CNY 및 수출 중력 경제에 가장 유용합니다.
• 서비스 PMI 국내 수요 강도, 임금 인플레이션 전달 및 소비자 신뢰를 반영합니다. USD, EUR, GBP 및 서비스 지배 경제에 가장 중요합니다.
• 복합 PMI GDP 가중된 제조업과 서비스의 혼합물. 가장 광범위한 경제 활동 신호를 제공하고 1~3개월의 지평선에서 외환 트렌드 방향과 가장 일관성 있는 상관관계를 나타냅니다.

GDP 인쇄물에 비해 PMI 데이터의 선행 시간 장점은 중요합니다: 복합 PMI는 전달의 매월 첫 번째 일일에 공개되며 GDP는 일반적으로 분기 종료 후 3~6 주 후에 도착하고 그 후 수정됩니다. 1 월에 EUR/USD 쌍을 보는 거래자는 분기 GDP 데이터가 공개되기 전에 12 월의 미국 및 유로존 복합 PMI 수치를 모두 볼 수 있습니다.

PMI의 격차 신호를 구축

신호는 두 나라의 복합 PMI 판독 사이의 스프레드로부터 구성됩니다. 양성 스프레이드 (POS) 는 국가 A의 PMI가 국가 B의 PMI를 초과하는 경우 통화 A와 통화 B에 대해 선호합니다. 신호 강도는 다음과 같이 증가합니다.

• 스프레드의 절대적 크기 (더 큰 분차 = 더 강한 편향)
• 변화 방향 (스프레드 확대 = 가속 bias)
• 기간 (간단한 분차=일회성 없는 경향)
• 50단계 크로스오버 (한쪽은 확장 문턱 이상이고 다른 쪽은 수축)

다음 예제에서는 미국 및 유로존의 복합 PMI 데이터를 가져와 EUR/USD 관련 분차 스프레드를 계산합니다.

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: PMI의 차이에 대한 기준 쌍

EUR/USD는 세계에서 가장 많이 거래되는 통화 쌍이며 거시적 근본 분석에 가장 많이 연구된 통화 쌍입니다. 또한 PMI 분리가 역사적으로 가장 명확한 리드 타임 관계를 보여준 쌍입니다 . 부분적으로 미국 ISM/PMI와 유로존 S&P 글로벌 PMI 발표가 긴밀히 관찰되고 널리 분산되어 있으며 역 테스트를 허용하는 긴 역사를 가지고 있기 때문입니다.

이 관계 는 기계적 인 것 이 아니다. EUR/USD 는 또한 위험 욕구, 에너지 가격, ECB/Fed 금리 기대 및 위치 에 크게 영향을 받는다. 그러나 PMI 분차 는 지속적으로 이러한 단기적 인 동력 들 을 모두 덮어 놓는 구조적 편향 을 제공한다. 2024 년 하반기 와 같은 기간 에, 미국 데이터 가 우월 한 성과를 거두고 유로존 은 에너지 비용 충격 의 여파 로 어려움을 겪었을 때, 미국 PMI 이점 의 지속적 인 점유율 은 여러 EUR-긍정적 인 ECB 통신 이벤트 를 초월 한 지속적 USD 입상 과 상관관적 이다.

주요 쌍 을 통해 신호 를 전파 하는 것

동일한 분차 프레임워크는 PMI 시리즈가 가능한 모든 주요 통화 쌍에 적용됩니다. 다른 쌍은 기본 경제가 얼마나 무역 지향적, 상품에 연결되거나 서비스 지배적인지에 따라 다른 민감성을 나타냅니다.

PMI 분리에 가장 안정적으로 반응하는 쌍은 특정 특성을 공유합니다: 두 경제 모두 고품질의 PMI 시리즈를 면밀히 관찰하고 있습니다. 두 국가 사이에 상당한 양자 무역이 있으며, 어느 통화도 주로 자원 가격이 거시 활동 신호를 무시할 수있는 상품 통화입니다. EUR/USD, GBP/USD , USD/JPY, 그리고 EUR/GBP는 지속적으로이 범주에 속합니다. AUD/USD 및 NZD/USD는 상품 가격 (특히 철광석, 구리 및 유제품) 이 통화의 제조 활동 신호에 정기적으로 타당하기 때문에 약해진 PMI 신호를 보여줍니다.

다화폐 PMI 데이터를 가져오기

다중 쌍 PMI 신호 대시보드를 구축하려면 여러 통화에 걸쳐 PMI 데이터를 끌어내어 공통의 월간 시간표에 맞추어야 합니다. PMI 최종점 모든 주요 통화에 대한 일관된 월간 시간 시리즈를 제공합니다.

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})")

PMI제도의 분류

단일 PMI 스프레드 판독은 정보적이지만 가장 거래 가능한 신호는 정제 분류에서 나옵니다. 격차가 의미있는 임계점을 넘어서서 여러 달 동안 유지되는 것을 식별합니다.

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)")

PMI의 차이와 비율의 차이를 결합하는 방법

PMI의 분차는 두 나라 사이의 정책금리 차이와 일치하거나 주도할 때 가장 강력하다. PMI의 차이가 A 통화에 유리할 때 동시에 이율차가 A를 유리하게 할 때 구조적 외환 편향이 강화되고 더 오래 지속되는 경향이 있다. PMI 분차와 이율 차이는 일치하지 않을 때 하나의 신호가 궁극적으로 승리할 것이다. PMI는 중앙은행이 활동 데이터에 반응하기 때문에 금리 경로를 이끌기 마련이다.

# 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())

진행 시간: PMI의 차이점은 언제 보상이 될까요?

거래자들에게 중요한 질문은 유도 시간입니다: PMI 이각화가 나타나고 몇 주 또는 몇 달 후에 FX 쌍이 움직임을 확인하는 경향이 있습니까? 경험적으로, PMI 이차와 후속 FX 방향 사이의 가장 강한 상관관계는 EUR/USD와 GBP/USD의 48 주 지연에서 관찰됩니다. USD/JPY는 PMI 이변이 명확한 경우에도 일본 은행의 개입 행동이 FX 추세를 지연하거나 중단 할 수 있기 때문에 약간 더 긴 지연 (812 주) 을 갖는 경향이 있습니다.

AUD와 CAD의 경우, PMI-리드 관계는 고정된 지연으로 인해 신뢰도가 낮습니다. 왜냐하면 원자재 가격이 신호를 완전히 무시할 수 있기 때문입니다. 실용적인 접근법은 원자력-화폐 PMI 분리를 필요한 조건으로 취급하는 것입니다. 구조적 방향을 설정하지만 무역 편향을 발생시키기 전에 원자화 가격 확인이 필요합니다.

함께 만드는 것: 실시간 PMI 신호 대시보드

다음 함수는 모든 주요 쌍에서 간단한 그러나 완전한 PMI 분차 신호 대시보드를 구축하여 현재 정권, 스프레드 수준 및 3 개월 트렌드 방향을 표면화합니다. 이것은 실행에 60 초 미만 걸리는 아침 작업 흐름에 대한 실용적인 템플릿입니다.

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())

주요 위험 및 신호 장애

PMI의 오차는 실수 없는 것이 아닙니다. 여러 가지 조건이 신호가 실패하거나 역전되는 원인이 될 수 있습니다.

• 위험-제한 이벤트 급격한 글로벌 위험 격리 (예를 들어, 전염병, 금융 전염병) 에 있어서 모든 PMI 측정값이 동시에 붕괴되어 국가 간 격차가 정보적이지 않게 됩니다. 이러한 환경에서 안전 피난처 흐름 (USD, JPY, CHF) 은 기본 신호를 무시합니다.
• 조사 피로 또는 구조적 변화 때때로 PMI 조사는 기업들이 조사에 응답하는 방식의 구조적 변화로 인해 보고된 경제 현실을 반영하지 못합니다. 관련 FXMacroData를 통해 하드 데이터 (산업 생산, 소매) 와 교차 참조 산업 생산 아니면 소매 최종점
• 중앙은행의 부과 중앙 은행이 대규모 통화 개입 (일본은행 20222024 , 스위스 국립 은행 주기적으로) 을 할 때 FX 쌍은 PMI 신호에 공격적으로 움직일 수 있습니다. 정책금리 그리고 외환보유증권 시리즈를 정신적인 검사로 사용했습니다.
• 원자재 가격 충격 AUD, CAD 및 NZD의 경우, 갑작스러운 원자재 가격 상승 또는 붕괴는 강력한 PMI 분산 신호조차도 완전히 무시 할 수 있습니다. 항상 확인합니다. 상품 최종점 맥락을 위해

PMI 이각의 가장 강력한 사용은 독립적인 입시 신호가 아닌 체제 필터로 사용됩니다. PMI 이차와 금리 이차가 일치하고 두 가지 모두 같은 통화 방향을 강화하면 결합 신호는 고립된 것보다 의미있게 높은 성공률을 나타냅니다.

PMI를 거시적 외환 체제로 통합

매크로 FX 분석가의 실질적인 작업 흐름은 다음과 같습니다: 매월, 복합 PMI를 인쇄할 때, 모든 쌍에서 분리를 계산합니다. 레지엄 분류를 업데이트합니다. 현재 레지엠이 기존의 비율-차별 및 COT 위치 관점과 동의하는지 동의하지 않는지 확인하십시오. PMI, 비율 및 위치가 모두 동의하는 경우 그것은 높은 확신의 매크로의 설정입니다. 동의하지 않으면 시장이 당신에게 전환 중이라는 것을 알려줍니다.

PMI의 분차는 외환 추세를 보장하지 않습니다. 그것은 추세가 나타날 가능성이있는 경제 활동의 배경을 식별합니다. 구조적 편견 필터로 사용되며 기계적 거래 트리거가 아닌 거시 FX 도구 키트에서 가장 정보 풍부하고 자유롭게 사용할 수있는 시기 적절한 도구 중 하나입니다.

FXMacroData PMI 최종점 그리고 유로존 PMI 최종점 모든 주요 통화에 대한 전체 월간 역사에 액세스 할 수 있습니다. 하나의 깨끗한 JSON 호출. 파이썬의 몇 줄에서 분산 신호를 구축, 기존 매크로 프레임워크에 층, 당신은 공식 활동 데이터가 이미 PMI에 대해 말한 것을 확인하기 전에 매월 주 업데이트되는 선도 지표가 있습니다.