COT pozicioniranje i pretrpane trgovine: Uočavanje preokreta

Dva od osam glavnih tržišta fjučersa valuta trenutno pokazuju statističke ekstreme u spekulativnom pozicioniranju. Neto kratki JPY ugovori su pali ispod −148.000 — z-skor od −2.4 u odnosu na distribuciju u poslednje 52 nedelje — dok su neto dugi EUR ugovori porasli na +112.000, z-skor od +2.1. Kada se nekomercijalni trgovci ovoliko nagomilaju u jednom smeru, trgovina prestaje da bude o makro tezi i počinje da se tiče rizika izlaska.

Ovaj članak govori o tome šta se dešava sledeće. Koristeći nedeljne podatke CFTC Commitments of Traders, ispitujemo kako identifikovati kada konsenzusna trgovina prelazi iz "dobro pozicionirane" u "opasno pretrpanu", kako izgledaju rani signali rasplitanja i kako strukturirati okvir preokreta oko COT pozicioniranja ekstrema.

Definisanje pretrpane trgovine

Trgovina postaje pretrpana kada nekomercijalna spekulativna zajednica — hedž fondovi, menadžeri imovine i savetnici za trgovanje robom — akumulira usmerenu poziciju koja je statistički ekstremna u odnosu na sopstvenu istoriju. Ključna reč je relativno. Neto duga pozicija od +100.000 EUR ugovora nije inherentno ekstremna; ona je ekstremna samo ako se nalazi daleko iznad tipičnog raspona pozicioniranja valute.

Dve metrike preciziraju ovu definiciju u pragove za akciju.

Z-skor neto nekomercijalnog pozicioniranja

Najrobusniji način za normalizaciju COT očitavanja kroz valute i vremenske periode je pokretni z-skor. On odgovara na precizno pitanje: koliko standardnih devijacija iznad ili ispod svog nedavnog proseka je trenutno pozicioniranje? Korišćenje prozora od 52 nedelje vezuje referentnu vrednost za trenutni makro režim, a ne za višedecenijsku istoriju koja možda više ne odražava trenutnu tržišnu strukturu.

import requests, statistics

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

def fetch_cot(currency: str, start: str = "2018-01-01") -> list[dict]:
    r = requests.get(f"{BASE}/cot/{currency}", params={"api_key": KEY, "start": start})
    r.raise_for_status()
    return r.json()["data"]

def rolling_zscore(records: list[dict], window: int = 52) -> list[dict]:
    """Rolling 52-week z-score of net non-commercial positioning."""
    vals = [r["noncommercial_net"] for r in records]
    out  = []
    for i, rec in enumerate(records):
        w = vals[i : i + window]          # records are newest-first
        if len(w) < 8:
            out.append({**rec, "zscore": None})
            continue
        mu  = statistics.mean(w)
        sig = statistics.stdev(w)
        z   = (rec["noncommercial_net"] - mu) / sig if sig else 0.0
        out.append({**rec, "zscore": round(z, 2)})
    return out

eur_data   = fetch_cot("eur")
eur_scored = rolling_zscore(eur_data)
# Latest reading
print(eur_scored[0])
# {'date': '2026-04-15', 'noncommercial_net': 112340, 'zscore': 2.1, ...}

Očitavanja iznad +2.0 ili ispod −2.0 svrstavaju valutu u gornjih ili donjih 2.3% njene istorijske distribucije. To je prag koji ovaj članak tretira kao "ekstreman" — statistički dovoljno neobičan da se označi kao strukturni rizik pozicioniranja.

Neto pozicija kao deo otvorenih pozicija

Z-skor vam govori gde se pozicioniranje nalazi u svojoj istorijskoj distribuciji. Odnos neto pozicije prema otvorenim pozicijama govori vam koliko je usmerena opklada koncentrisana unutar trenutne dubine tržišta. Kada neto nekomercijalno pozicioniranje predstavlja više od 25–30% ukupnih otvorenih pozicija, tržište je strukturno iskrivljeno i potencijal za dislokaciju na bilo koji suprotan katalizator je visok.

Trenutna ekstremna očitavanja za glavne valute

Skeniranje z-skora među valutama je verovatno najmoćniji nedeljni ritual koji svaki makro FX trgovac može da sprovede. Rangiranjem svih osam fjučersa valuta istovremeno, odmah se otkriva koje trgovine su "vruće" na obe strane i koje ostaju u neutralnoj zoni gde makro teza ima prostora za razvoj.

Gornji snimak pokazuje jasnu bifurkaciju u spekulativnom sentimentu. Kratka JPY pozicija je najpretrpanija pozicija u kompleksu, sa z-skorom od −2.4 koji je znatno ispod praga opasnosti od −2.0. Duge EUR pozicije su dostigle +2.1 i približavaju se tački gde konsenzusna duga pozicija postaje sopstveni rizik. CHF je na −1.7, približavajući se ekstremno kratkoj teritoriji. CAD i AUD se udobno nalaze u neutralnoj zoni.

Za trgovce parovima, JPY/EUR divergencija je najpraktičnije očitavanje: ako verujete u povratak na prosek, trgovina sa najvećim strukturnim vetrom u leđa od rasplitanja pozicioniranja je kratka EUR/JPY — valuta sa ekstremno dugom EUR izloženošću na jednoj strani i ekstremno kratkom JPY izloženošću na drugoj.

Anatomija preokreta vođenog COT-om

Ekstremno pozicioniranje se ne preokreće spontano. Ono se raspliće u nizu različitih faza, svaka sa merljivim COT potpisima. Razumevanje strukture faza pomaže vam da razlikujete privremenu konsolidaciju od prave promene režima.

Faza 1 — Akumulacija (Z-skor 0 do ±1.5)

Makro teza dobija na snazi. Svake nedelje, spekulativna zajednica sa uverenjem dodaje poziciji. Neto ugovori stabilno rastu, otvorene pozicije se povećavaju, a trend cena odražava i pojačava konsenzus.

Faza 2 — Pretrpanost (Z-skor ±1.5 do ±2.0)

Pozicija raste brže nego što cena opravdava. Novi učesnici se pridružuju jer je trgovina funkcionisala, a ne zato što je originalna teza ojačala. Nedeljne delte u neto pozicioniranju se ubrzavaju. Ova faza je često najprofitabilnija za vlasnike — momentum je potpuno angažovan — ali je takođe i kada rizik izlaska počinje nevidljivo da se gradi u pozadini.

Faza 3 — Iscrpljenost (Z-skor iznad ±2.0)

Stopa izgradnje novih pozicija se usporava. Otvorene pozicije mogu stagnirati ili početi da opadaju dok se cena nastavlja kretati u smeru trenda. Ova divergencija između usporavanja pozicioniranja i nastavka rasta ili pada cena je najvažniji rani signal upozorenja koji COT izveštaj nudi.

Faza 4 — Prvo rasplitanje (Z-skor se povlači sa ekstrema)

Dolazi katalizator — neočekivana izjava centralne banke, iznenađenje u makro podacima, geopolitički šok — i najviše leveridžovani učesnici počinju da smanjuju izloženost. Z-skor se povlači sa svog ekstrema, ali u početku sporo. Cena se naglo preokreće jer su izlazi grupisani: svi koji su ušli u Fazi 2 pokušavaju da izađu istovremeno kroz ista vrata.

Faza 5 — Stisak (Z-skor se vraća ka neutralnom)

Rasplitanje postaje samopojačavajuće. Pokrivanje kratkih pozicija ili likvidacija dugih pozicija se ubrzava. Pozicije koje su bile profitabilne tokom većeg dela trenda brzo postaju neprofitabilne tokom stiska. Potez često pređe fer vrednost pre nego što se stabilizuje blizu novog neutralnog režima pozicioniranja.

Gornji grafikon ilustruje kako su neto kratke JPY pozicije pratile USD/JPY kroz pun ciklus preokreta. Tokom 2023. i početkom 2024. godine, snažno spekulativno kratko pozicioniranje u JPY fjučersima odgovaralo je rastućem trendu USD/JPY. Ali svaki put kada je pozicioniranje dostiglo statistički ekstrem, katalizator — često signal politike Banke Japana — brzo je komprimovao kratke pozicije, proizvodeći oštru aprecijaciju JPY.

COT podaci nisu predvideli katalizator. Oni su vam rekli da je pozicija bila toliko pretrpana da bi bilo koji suprotan katalizator, bez obzira na veličinu, bio pojačan dinamikom izlaska mase. Pristupite istoriji JPY pozicioniranja putem FXMacroData COT krajnje tačke da biste pratili da li se trenutni ekstrem gradi ili popušta.

Signal divergencije cena-pozicioniranja

Najpouzdanije upozorenje o preokretu zasnovano na COT-u nije apsolutni nivo pozicioniranja — to je divergencija između smera cene i smera pozicioniranja. Kada se cena nastavlja kretati u jednom smeru, ali spekulativno pozicioniranje u osnovnim fjučersima počinje da se kreće u drugom smeru, veliki učesnici već smanjuju izloženost dok maloprodajni trgovci momentumom guraju cenu više ili niže.

Kombinovanje COT signala sa makro fundamentalima

COT pozicioniranje je signal tržišne strukture, a ne fundamentalni. Njegova snaga se umnožava kada se uskladi sa — ili protivreči — osnovnom makro okruženju. Najviše uverljivi scenariji nastaju u dve specifične konfiguracije.

Konfiguracija 1 — Makro vetar u leđa, pretrpana pozicija

Fundamentalni argument za poziciju je jak i dobro shvaćen — ali je već u potpunosti odražen u ekstremnom spekulativnom pozicioniranju. U ovom slučaju, potencijal rasta od daljeg makro poboljšanja je ograničen jer se zajednica već pozicionirala za to. Asimetrija je na dole: ako makro podaci razočaraju čak i skromno, preokret će biti nasilan jer masa nema kuda da ide.

Ovo opisuje trenutnu EUR postavku. Narativ o slabljenju američkog dolara i jačanje ekonomskih podataka EU podržavaju duge EUR pozicije na osnovu fundamenta — ali z-skor od +2.1 vam govori da je veći deo ove teze već uračunat u pozicioniranje fjučersa. Trgovina nije pogrešna, ali se odnos rizika i nagrade značajno suzio. Povucite EUR makro podatke zajedno sa COT-om da biste proverili:

import requests

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

# EUR macro fundamentals
eur_gdp    = requests.get(f"{BASE}/announcements/eur/gdp",         params={"api_key": KEY, "limit": 6}).json()
eur_cpi    = requests.get(f"{BASE}/announcements/eur/inflation",   params={"api_key": KEY, "limit": 6}).json()
eur_policy = requests.get(f"{BASE}/announcements/eur/policy_rate", params={"api_key": KEY, "limit": 4}).json()

# COT positioning
eur_cot    = requests.get(f"{BASE}/cot/eur", params={"api_key": KEY, "limit": 8}).json()

print("Latest EUR policy rate:", eur_policy["data"][0])
print("Latest EUR CPI:", eur_cpi["data"][0])
print("Latest EUR net COT:", eur_cot["data"][0]["noncommercial_net"])

Konfiguracija 2 — Makro vetar u prsa, pretrpana pozicija (Najviši nivo upozorenja)

Ovo je postavka sa najvišim nivoom upozorenja. Makro podaci počinju da protivreče konsenzusnoj tezi u isto vreme kada je pozicioniranje na ekstremu. Pretrpana trgovina koja gubi svoje fundamentalno opravdanje je recept za brzo, neuredno rasplitanje. CHF na −1.7 u kombinaciji sa bilo kakvim iznenađenjem u politici SNB-a koje osporava medveđu tezu za CHF bio bi školski primer ove konfiguracije.

Brzina je jednako važna kao i nivo. Kada su promene neto pozicija iznosile +8.000 do +12.000 ugovora nedeljno na vrhuncu akumulacije EUR-a i od tada su se usporile na +1.000 do +2.000, to usporavanje je objektivni potpis Faze 3. Masa i dalje dodaje, ali uverenost opada. Tada se rizik preokreta prelazi iz teorijskog u neposredan.

Praktičan okvir za trgovanje preokretima

Prevođenje COT signala u stvarne trgovine zahteva strukturu. Ekstremi pozicioniranja mogu trajati nedeljama ili mesecima, i nema garancije da će se ekstremno očitavanje brzo preokrenuti. Sledeći okvir koristi COT kao preduslovni filter, a ne kao precizan alat za tajming.

import requests, statistics
from datetime import date, timedelta

BASE       = "https://fxmacrodata.com/api/v1"
KEY        = "YOUR_API_KEY"
CURRENCIES = ["aud", "cad", "chf", "eur", "gbp", "jpy", "nzd", "usd"]
WINDOW     = 52   # weeks for z-score baseline
EXTREME_Z  = 2.0  # alert threshold

def fetch_cot(ccy: str) -> list[dict]:
    r = requests.get(f"{BASE}/cot/{ccy}", params={"api_key": KEY, "start": "2019-01-01"})
    r.raise_for_status()
    return r.json()["data"]   # newest first

def analyse(records: list[dict]) -> dict:
    vals = [r["noncommercial_net"] for r in records]
    net  = vals[0]
    # 52-week z-score
    window = vals[:WINDOW]
    mu  = statistics.mean(window)
    sig = statistics.stdev(window) if len(window) > 1 else 1
    z   = round((net - mu) / sig, 2) if sig else 0.0
    # 4-week velocity (average weekly change)
    delta_4w = round((vals[0] - vals[4]) / 4, 0) if len(vals) > 4 else 0
    # Net as % of open interest
    oi      = records[0].get("open_interest", 1) or 1
    net_oi  = round(net / oi * 100, 1)
    return {
        "net": net, "zscore": z,
        "delta_4w": delta_4w, "net_oi_pct": net_oi,
        "date": records[0]["date"]
    }

print(f"\n{'CCY':5} {'Net':>9} {'Z-Score':>9} {'4W Delta':>10} {'Net/OI%':>9}  Status")
print("-" * 60)

for ccy in CURRENCIES:
    data  = fetch_cot(ccy)
    stats = analyse(data)
    flag  = " ⚠ EXTREME" if abs(stats["zscore"]) >= EXTREME_Z else ""
    print(f"{ccy.upper():5} {stats['net']:>9,.0f} {stats['zscore']:>9.2f} "
          f"{stats['delta_4w']:>10,.0f} {stats['net_oi_pct']:>9.1f}%{flag}")