Dentro la Strategia della PBOC sullo Yuan: Cosa Significa l'Ampliamento del Divario e Perché le Previsioni dell'IA Sono Destinate a Fallire

Da dicembre 2025, quella manopola è stata girata in negativo. Ciò significa che la PBOC sta sistematicamente fissando dei fixing più deboli di quanto la formula meccanica produrrebbe da sola, in un diretto tentativo di decelerare l'apprezzamento dello yuan . I numeri mostrano la politica in azione:

• 22 aprile 2026: Fixing a 6,8635 contro una stima di mercato di 6,8233 — uno scostamento dello 0,59% .
• 15 maggio 2026: Fixing a 6,8415 contro una stima Reuters di 6,7976 — un divario di circa 440 pip .
• 18 maggio 2026: Fixing a 6,8435 contro una stima di 6,8086 .

La motivazione è una macchina commerciale da record. Le esportazioni cinesi hanno raggiunto i 3.800 miliardi di dollari nel 2025, producendo un surplus di 1.200 miliardi . Un'impennata incontrollata dello yuan eroderebbe i vantaggi di prezzo delle esportazioni proprio nel momento in cui le pressioni deflazionistiche interne stanno già deprimendo la fiducia dei consumatori . La PBOC sta camminando su una corda tesa: permettere un apprezzamento graduale — già fino all'8% — impedendo al contempo quelle rapide corse unidirezionali che invitano afflussi di hot money speculativi e destabilizzano la valuta .

Il CCF negativo è un passo intermedio deliberato: segnala che un ulteriore apprezzamento è accettabile, ma al ritmo scelto dalla banca centrale, non dal mercato .

Come i trader usano l'IA per decodificare il fixing

Per i trader, il fixing giornaliero è il numero più importante della sessione asiatica. Trovarsi dalla parte sbagliata di un fixing a sorpresa può cancellare settimane di guadagni. Questo ha innescato una vera e propria corsa agli armamenti nel campo della previsione, con i modelli di deep learning basati su Transformer — la stessa architettura che alimenta i grandi modelli linguistici — ora al centro degli sforzi.

Uno studio del 2024 di Lu Zhao e Wei Qi Yan ha scoperto che i modelli basati su Transformer "superano considerevolmente" le LSTM e altre reti neurali tradizionali nella previsione dei tassi di cambio, in particolare durante i periodi di elevata volatilità . Più specificamente, un Temporal Fusion Transformer (TFT) ha raggiunto un R² fino a 0,94 nelle previsioni sui tassi di cambio in test indipendenti, con l'aggiunta di indici di volatilità come il VIX che ha ulteriormente migliorato la precisione .

Il lavoro accademico più direttamente rilevante proviene da una collaborazione del 2024 tra il College of Computing and Data Science della Nanyang Technological University (NTU) di Singapore, l'Università Centrale di Finanza ed Economia di Pechino e l'Accademia Cinese delle Scienze. I ricercatori hanno messo in discussione l'approccio standard di costruire manualmente i fattori finanziari per prevedere il fixing della PBOC, proponendo invece un modello end-to-end, l'Intraday Risk Factor Transformer (IRFT), per estrarre caratteristiche predittive latenti direttamente dai dati grezzi di mercato — in sostanza, automatizzando la ricerca del fattore anticiclico nascosto .

Un lavoro separato alla NTU ha esteso queste linee di indagine. Uno studio ha applicato il deep learning alla previsione di serie temporali sul forex e ha utilizzato spiegazioni controfattuali per rendere interpretabile il ragionamento del modello . Il progetto "DeepForex" su GitHub, affiliato a un ricercatore della NTU, ha combinato un modello Transformer per la previsione dei prezzi con un agente di apprendimento per rinforzo Deep Q-Network (DQN) per eseguire operazioni automatizzate, integrando così previsione e azione .

Anche l'interesse istituzionale, in particolare da parte della Banca dei Regolamenti Internazionali (BRI), ha convalidato questo approccio. Un working paper della BRI ha combinato reti neurali ricorrenti con grandi modelli linguistici per prevedere e spiegare disfunzioni del mercato valutario con 60 giorni lavorativi di anticipo, sottolineando come le stesse banche centrali stiano studiando questi metodi .

In termini pratici di trading, il flusso di lavoro si presenta così:

• Le componenti note (la chiusura precedente e i movimenti overnight del paniere) vengono inserite come input strutturati.
• Il CCF nascosto è trattato come una variabile latente non osservata: l'obiettivo di apprendimento centrale del modello è dedurlo dai modelli storici del comportamento del fixing.
• Gli output informano il posizionamento pre-fixing, che viene completato prima che l'annuncio delle 09:15 ora di Pechino rilasci il dato ufficiale .

Il limite irriducibile: la politica non è un processo statistico

Il problema nel prevedere il fixing della PBOC non è che i dati siano rumorosi. È che il segnale stesso — le decisioni sul fattore anticiclico — ha origine in un calcolo politico-economico opaco e multi-obiettivo che non lascia un'impronta numerica pulita.

In primo luogo, il CCF è un meccanismo di segnalazione. Quando la PBOC fissa un fixing di 440 pip più debole del consenso, quel divario è il messaggio. Comunica ai mercati, ai partner commerciali e agli esportatori domestici che la banca centrale non tollererà un rapido apprezzamento, anche se la formula meccanica lo produrrebbe . Nessuna serie storica di prezzi contiene l'intenzione politica di questa mattina.

In secondo luogo, le preferenze politiche della PBOC sono non stazionarie. Da metà 2023 a fine 2024, il CCF è stato utilizzato per resistere al deprezzamento, producendo a volte fixing notevolmente più forti delle stime di mercato per limitare la forza del dollaro . Da dicembre 2025, la strategia si è capovolta per resistere all'apprezzamento . Un modello addestrato sui dati del regime di deprezzamento sarebbe strutturalmente sbagliato nel contesto attuale — e il cambiamento è avvenuto senza alcun annuncio esplicito, visibile solo nel CCF dedotto a posteriori.

In terzo luogo, la PBOC può cambiare posizione da un giorno all'altro. Uno sviluppo nei negoziati commerciali, l'esito di una riunione del Politburo o un cambiamento nelle priorità economiche interne possono alterare il ritmo accettabile di apprezzamento prima che qualsiasi dato di mercato lo rifletta.

Nei backtest, i modelli di IA possono apprendere le funzioni di reazione storiche della PBOC e raggiungere elevati valori di R², ma l'errore residuo non è rumore: è discrezionalità. I modelli misurano ciò che può essere misurato; il CCF, per costruzione, misura ciò che la banca centrale vuole in quel momento specifico. Quando il divario si allarga, il divario è il risultato. L'input politico che lo produce rimane inosservabile per qualsiasi sistema puramente basato sui dati.