美元的特殊性:推动DXY强的原因

没有任何单一货币能像美元那样主导全球金融. 全球贸易的一半对于大多数跨境金融交易的结算货币,以及全球央行在需要安全性和流动性时积累的储备资产. 美元的特殊性 意味着美元不像其他货币一样表现.它不仅仅反映了美国的基本面,

DXY指数是大多数交易者用来跟踪美元强度的缩写.它衡量美元与六种主要货币欧元 (57.6%),日元 (13.6%),英 (11.9%),加拿大美元 (9.1%),瑞典克朗 (4.2%) 和瑞士法郎 (3.6%) 的篮子相比,并自1973年以来追踪美元周期. 了解 什么是DXY的动力 因此,在任何主要对中定位是必不可少的.本文将根据现实宏观数据构建的交互图表,绘制出最重要的五个结构和周期驱动因素.

1. DXY组成和贸易权重指数

欧元对美元的重量意味着欧元/美元的波动本身解释了大部分的DXY波动. 这产生了一个重要的不对称性:DX Y不是真正的全球美元指标,而是跨大西洋指标. 美国联邦储备局的自己的 交易权重指数 包括新兴市场贸易伙伴 讲述了美元强的更全面的故事.

下图比较了过去五年美元贸易加权指数与美联储基金目标利率,说明20222023年加息周期如何直接转化为美元的广泛升值.

2. 速度差异:主要的周期驱动

利率差距是最强大的. 周期性 美元强的驱动力.当美国利率明显高于其他主要经济体的利率时,资本流入美国汇率资产国债,货币市场基金,公司债券在此过程中上美元.20222023年上周期是最明确的现代例子:美联储在16个月内从0%移动到5.50%,而欧洲央行落后了两个季度,日本银行整个过程中保持利率接近零.

没有什么. 美联储基金利率 由于这一差距缩小,持有美元资本流动论点减弱,但下面讨论的结构性需求提供了持久的底层.

交易者关注的关键指标不是绝对利率水平,而是 速度差异轨迹即使美联储正在削减,如果它比欧洲央行减持速度更慢 (如2024年),差距也会扩大,支持美元对欧元. 美国联邦货币委员会决定欧元区的市场,欧洲央行会议和BoJ会议是DXY定位的最具影响力的计划事件系列.

3. 实际收益差异:前层

实际收益率差异名义利率减去预期通胀告诉你收益 在之后 美元的价格变得越来越低, 通货膨胀会侵蚀它, 这就是复杂的资本分配者真正关心的. 当美国的实际收益率 (以10年TIPS收益量为单位) 呈阳性和上升,而其他G10实物利率是负或平稳的时,

美国 提示收益率 平率与通胀率关系也提供了前性通胀溢价:当平点通胀与TIPS收益率相比高时,市场将通胀定价,这可能会侵蚀实际收益,即使名义利率保持高,美元的购买力也会出现下行信号.

4. 结构性美元需求:储备货币和安全港口地位

利率差异解释了周期性波动,但它们并不能充分解释为什么美元的结构性溢价即使在美国利率为零时也会持续.

• 储备货币状态: 美元占全球外汇储备的约58%.持有储备的国家央行必须购买美元;储备组成的任何变化 (逐步退美元化) 都会产生缓慢的世俗逆风,但所需储备储备保持需求持久.
• 石油美元回收: 商品市场石油,金属,农业的发票占比绝大多数以美元计价.出口商收到美元并将其回收为美国国债,从而为美元和美国固定收益创造了结构性出价.
• 安全避难所需求: 在全球风险消退 (股票抛售,信贷压力,地缘政治冲击) 的时期,资本流向国债,这些国债用美元购买.这导致风险欲望与美元美元之间产生负相关性. 感激 美国是问题的一部分.

5. 增长与通货膨胀差异

美元受益于较高的利率预期和企业利预期,吸引外国股权投资 (这也需要购买美元). 国内生产总值增长没有人知道. 农业以外的工资没有 消费者指数通胀 美国经济增长差异的信号是最密切关注的宏观报告.

美国经济的结构优势灵活的劳动力市场,深度的资本市场,能源自给自足和技术领导地位近年来一直引发积极的增长惊喜而不是共识.这种增长异常性加强了美元的异常性的地位,使美国资产成为国际投资组合流动的首选目的地.

6. 投机定位:COT作为相反的指标

美国货币交易委员会 (CFTC) 每周发布的交易者承诺 (COT) 报告显示非商业交易者对美元期货和主要的G10期货合约的净投机定位. 极端投机位置 (历史上超过15万美元净合约) 对于美元转换来说是一个可靠的反向指标. 当投机者最大限度地长美元 (或最大限量地短欧元/日元期货) 时,平均逆转风险很高.

通过"金融分析"平台,FXMacroData提供所有主要G10货币的COT数据. 试验结果让它很容易跟踪网络定位和历史极限,而不需要手动解析CFTC文件.

7. 编写驾驶员:一个DXY制度评分表

交易员可以通过单个数据点来判断交易的结果.以下代码从FXMacroData中获取所有五个驱动组件,并为每个组件构建一个简单的指向分数.

import requests
import pandas as pd

BASE = "https://fxmacrodata.com/api/v1"
KEY  = "YOUR_API_KEY"
START = "2022-01-01"

def fetch(path: str) -> pd.DataFrame:
    r = requests.get(f"{BASE}{path}", params={"api_key": KEY, "start_date": START})
    r.raise_for_status()
    df = pd.DataFrame(r.json()["data"])
    if not df.empty:
        df["date"] = pd.to_datetime(df["date"])
        df = df.set_index("date").sort_index()
    return df

# Fetch all driver series
twi       = fetch("/announcements/usd/trade_weighted_index")   # USD TWI
fed       = fetch("/announcements/usd/policy_rate")            # Fed Funds rate
ecb       = fetch("/announcements/eur/policy_rate")            # ECB deposit rate
tips      = fetch("/announcements/usd/inflation_linked_bond")  # US TIPS 10Y
breakeven = fetch("/announcements/usd/breakeven_inflation_rate") # US breakeven
us_cpi    = fetch("/announcements/usd/inflation")              # US YoY CPI
eur_cpi   = fetch("/announcements/eur/inflation")              # EUR YoY CPI

# Build rate differential (USD minus EUR, basis points)
rate_diff = fed["val"] - ecb["val"]

# Score each driver: +1 bullish USD, 0 neutral, -1 bearish USD
def score_series(s: pd.Series, mode: str, threshold: float = 0.10) -> int:
    """Compute directional score from 30-day change."""
    if len(s) < 2:
        return 0
    recent = s.iloc[-1]
    prior  = s.iloc[max(0, len(s)-30)]
    delta  = recent - prior
    if mode == "rising":
        return 1 if delta > threshold else (-1 if delta < -threshold else 0)
    elif mode == "falling":
        return 1 if delta < -threshold else (-1 if delta > threshold else 0)
    elif mode == "positive":
        return 1 if recent > 0 else -1
    return 0

scores = {
    "Rate Differential (USD-EUR)":  score_series(rate_diff,         "rising",   0.05),
    "TIPS Real Yield":               score_series(tips["val"],       "rising",   0.05),
    "Inflation Premium (breakeven)": score_series(breakeven["val"],  "falling",  0.05),
    "Growth Divergence (CPI proxy)": score_series(us_cpi["val"] - eur_cpi["val"], "rising", 0.10),
    "TWI Momentum":                  score_series(twi["val"],        "rising",   0.20),
}

net_score = sum(scores.values())
bias = "Bullish USD" if net_score >= 3 else ("Bearish USD" if net_score <= -3 else "Neutral / Mixed")

print(f"\n{'Driver':<35} {'Score':>6}")
print("-" * 45)
for k, v in scores.items():
    label = "▲ Bullish" if v == 1 else ("▼ Bearish" if v == -1 else "→ Neutral")
    print(f"{k:<35} {label:>10}")
print(f"\nNet Score: {net_score:+d} → {bias}")

评分卡可视化

下面的雷达图为五个驱动尺寸提供了当前模式平衡的快照.每个轴从美元的下行 (−1) 通过中性 (0) 到 (+1) 范围.

交易影响和前信号

将分数卡框架转化为可操作的交易信号需要将五个驱动因素与即将发布的数据催化剂联系起来.

• 美国联邦货币委员会决定和点图更新 利率差异预期的主要驱动因素; 美元政策利率终点 发布日程.
• 美国CPI和PCE发布 美国联邦储备局反应功能的关键输入;可通过 美元通货膨胀 现在我 核心PCE现在我们要做什么?
• 农业以外的工资 劳动力市场的强性决定了增长差异是否可持续; 美元非非非金融货币终点现在我们要做什么?
• 欧洲央行和日本央行决定 竞争对手央行放宽的速度决定了利率差异; 通过欧元和日日币进行跟踪 政策利率终点现在我们要做什么?
• 报道: 报价时间: 极端定位信号可能的逆转风险;通过美元,欧元和日元COT数据跟踪.

据外汇行业数据 发布日程 显示所有这些事件的日期和先前值,以便交易者可以将本周的风险事件与当前的分数卡进行映射,并相应地计划其位置规模.