Edward Nikulin, Vejrmodel‑ekspert hos Mind Money – Interviewserie

Edward Nikulin, vejrmodel‑ekspert og chef for handelsafdelingen hos den europæiske mægler Mind Money, er en dygtig kvantitativ forsker og datalog med mere end otte års erfaring inden for markedsmodellering, systematisk handel og AI‑drevet analyse. Han er forfatteren til vejrmodellen, der bruges til Mind Money’s proprietære handelsstrategier.

Mind Money er en europæisk investerings‑ og mæglingsplatform baseret i Limassol, Cypern, som tilbyder adgang til globale aktier, obligationer, ETF’er og udvalgte IPO‑ og pre‑IPO‑muligheder. Platformen opererer under CySEC‑regulering og MiFID II‑overholdelse og fokuserer på gennemsigtig prisfastsættelse, diversificerede investeringsmuligheder og professionel porteføljestyring for kunder, der søger eksponering mod internationale finansielle markeder.

Edward Nikulin deler sin know‑how og ekspertise i anvendelsen af klima‑ og vejrmodellering på analysen af råvaremarkeder. Hans rejse fra trader til vejrmodel‑specialist har formet et særpræget perspektiv på, hvordan finansielle og miljømæssige data krydser hinanden. I dette stykke forklarer han, hvordan hans vejr‑råvaremodel fungerer i praksis: hvilke typer af klima‑ og vejrvariabler der indarbejdes — fra sæsonmæssige temperaturændringer til nedbørsmønstre og ekstreme begivenheder — og hvordan disse input omdannes til handlingsorienterede handels‑ og risikosignaler. Ved at kombinere markedsintuition med videnskabelig modellering giver Edward læserne en sjælden indsigt i, hvordan vejrintelligens kan blive en afgørende faktor i råvarestrategier i dag.

Kan du beskrive din rejse fra at være trader til at blive klima‑ og vejrmodel‑ekspert, og hvordan den baggrund former den måde, du analyserer råvaremarkeder på i dag?

Min baggrund er inden for kvantitativ handel og datalogi. I mange år arbejdede jeg med systematiske råvare‑ og derivatstrategier, så jeg tænkte altid i termer af handelssignaler og risiko. Derefter blev jeg inviteret af en startup, der fokuserer på optimering af maritim logistik, til at lede en AI‑retning relateret til vejr og klima. Det satte mig i meget tæt daglig kontakt med hydrometeorologer, økologer og fageksperter, som tænker meget anderledes end tradere.

Den oplevelse var afgørende: Jeg lærte, hvordan vejr‑eksperter ræsonnerer om fysiske processer, usikkerhed og tidsforsinkelser. Og lige så vigtigt lærte jeg, hvor forskellige deres mentale modeller er fra dem, der bruges på markederne.

I dag arbejder jeg i krydsfeltet mellem de to verdener. Jeg behandler vejr ikke som et prognoseproblem (faktisk giver det kun lidt mening at forsøge at overgå NOAA‑ og ECMWF‑modeller), og jeg behandler markederne ikke som ren statistisk støj. Min handelsbaggrund tvinger hvert klimasignal til at besvare meget praktiske spørgsmål: hvornår, gennem hvilken mekanisme, og med hvilken sandsynlighed påvirker denne information faktisk prisen. Denne kombination former stærkt, hvordan jeg analyserer råvaremarkeder nu.

Hvordan fungerer din vejr‑råvemodel i praksis — hvilke typer af klima‑ og vejrdata indarbejder du, og hvordan omdannes disse variable til handlingsorienterede handels‑ eller risikosignaler?

Praktisk set integrerer modellen flere lag af data i stedet for at stole på en enkelt kilde.

På vejr‑siden bruger vi real‑time og kort‑sigtede data fra numeriske vejrprognosemodeller, hyper‑lokale meteorologiske stationsdata nær produktionsområder samt satellit‑afledte indikatorer som vegetation‑ og tørke‑indekser. På klima‑siden sporer vi længere‑sigtede signaler gennem reanalyse‑datasæt og store klimatiske indekser som ENSO, NAO, PDO og andre.

Det egentlige nøgletrin er ikke forudsigelse, men oversættelse af påvirkning. Rå vejr‑variabler kortlægges til produktions‑, logistik‑ eller efterspørgsels‑mekanismer, der er relevante for en specifik råvare. Disse sammenhænge formaliseres gennem en regel‑baseret og probabilistisk ramme, ofte ved brug af Monte‑Carlo‑simulationer for at indfange usikkerhed.

Resultatet er ikke en vejrprognose, men et struktureret signal: sandsynligheds‑vægtede scenarier, risikosymmetri og tids‑forsinkede påvirkningsestimat. Det er det, der gør det muligt at bruge signalerne enten til handelsbeslutninger eller til risikokontrol, afhængigt af tidshorisonten.

Din model har været i drift i flere år med stærk performance — hvordan opførte den sig under større vejrforstyrrelser, og hvad afslørede disse perioder om markedernes reaktion på klimaskokke?

En af de vigtigste indsigter fra at køre modellen i live er, at markeder næsten aldrig reagerer på vejr‑shocks øjeblikkeligt og meget sjældent reagerer på en lineær måde.

Et godt nyligt eksempel er naturgas. I slutningen af oktober begyndte vores model at flagge en høj og stigende sandsynlighed for en polær‑vortex‑forstyrrelse. På det tidspunkt så spot‑vejret stadig relativt harmløst ud, lagrene var komfortable, og markedets fortælling var neutral. Priserne reagerede næsten ikke.

Den vigtige del var, at modellen ikke producerede et binært signal. Den viste en sandsynlighedskurve, der fortsatte med at stige gennem november og ind i december, efterhånden som de atmosfæriske mønstre blev mere ustabile. Først senere, da koldere scenarier begyndte at dukke op konsekvent i offentlige prognoser og mediefortællinger, gik naturgas ind i en stærk opadgående trend.

Den episode demonstrerede tydeligt noget, vi ser igen og igen:

• først kommer fysisk atmosfærisk stress,
• derefter akkumuleres sandsynlighed,
• derefter spredes information,
• og kun til sidst ser vi prisjustering.

Hvordan bruger råvarehandlere og investorer i øjeblikket klima‑ og vejrdata i deres risikostyringsstrategier, og hvor mener du, at de fleste deltagere stadig halter bagefter?

De fleste deltagere bruger stadig vejrdata på en overvejende discretionær måde. De følger prognoser, læser ekspertkommentarer og justerer positioner baseret på den opfattede alvorlighed af begivenheder. I risikostyring anvendes klimadata ofte retrospektivt.

Hvor de halter bagefter er formalisering. Vejrsignaler er ofte subjektive, vægtet inkonsekvent og dårligt integreret med markedets struktur. Et andet almindeligt problem er at overreagere på visuelt dramatiske, men økonomisk irrelevante, anomalier, eller at underreagere på langsomt bevægende processer, der betyder meget mere for udbuddet.

Det største hul er fraværet af en klar kortlægning mellem vejr, produktionspåvirkning og prisrespons.

Hvilke specifikke klima‑ eller vejrindikatorer mener du vil være mest vigtige for råvaremarkederne frem til 2026, især for landbrug og energi?

For landbrug vil vedvarende fugtbalance‑indikatorer — tørkeudvikling, jordfugtighed og vegetationens sundhed — have langt større betydning end enkelte vejr‑begivenheder. Temperatur‑ekstremer i følsomme vækstfaser vil også forblive kritiske.

For energi vil fokus være på temperatur‑anomalier på efterspørgsels‑siden, især vintervolatilitet for opvarmningsbehov og sommervarme‑stress på elsystemer. På klima‑siden vil store oscillationer som ENSO fortsat påvirke regionale udbuds‑efterspørgsels‑ubalancer.

På hvilke måder adskiller din tilgang sig fra mere traditionelle råvareprognosemodeller eller standard vejr‑baseret analyse, der anvendes på markederne?

Den primære forskel er, at vi ikke forsøger at forudsige priser eller vejr direkte, og vi bruger heller ikke standard vejrprognoser. Vores team fokuserer på kvantitativ modellering af vejr‑ og klima‑påvirkning på priser.

Traditionelle modeller extrapolerer ofte priser statistisk eller behandler vejr som en ekstern forklarende variabel med svag struktur. Standard vejr‑analyse er derimod typisk beskrivende frem for markedsbevidst. Vores tilgang formaliserer den kausale kæde mellem miljøforhold og markedspåvirkning og modellerer eksplicit usikkerhed, timing og relevans.

Hvad er de største udfordringer, investorer står over for, når de forsøger at integrere klimadata i beslutningstagning i den virkelige verden, og hvordan kan de undgå almindelige faldgruber?

Den største udfordring er at adskille signal fra støj. Klimadata er høj‑dimensionalt, langsomt bevægende og ofte følelsesmæssigt ladet af medienarrativer.

Almindelige faldgruber inkluderer over‑tilpasning af historiske korrelationer, ignorering af tidsforsinkelser og antagelsen om, at mere data automatisk fører til bedre beslutninger. En anden fejl er at behandle klimatrends som deterministiske i stedet for probabilistiske.

I virkeligheden skyldes de fleste af disse problemer en mangel på forståelse. Integration af klimadata i handel eller risikostyring er ikke så let. Det kræver en betydelig mængde tid at forstå fysiske mekanismer, regionale specifikationer, databegrænsninger og, vigtigst af alt, hvordan markederne faktisk fordøjer denne information. Uden dette fundament har klimadata en tendens til at skabe falsk selvtillid frem for bedre beslutninger.

Det er kun ved at ansætte meteorologer, at man kan mindske hullet i vejr‑ekspertise, men det løser ikke kerneproblemet: at omsætte vejr‑ og klimasignaler til målbar markedspåvirkning og prisdynamik. På dette tidspunkt er der i realiteten kun to levedygtige veje. Enten samarbejde med teams, der allerede har bygget denne kapacitet og kan levere handlingsorienterede indsigter, eller investere i at opbygge en dedikeret vejr‑ og klimadesk internt, som kombinerer markeds‑ekspertise med miljøvidenskab.

Hvordan forventer du, at langsigtede klimatrends strukturelt vil omforme de globale råvaremarkeder i løbet af de næste par år?

Vi ser allerede øget volatilitet i stedet for glatte trendskift. Klimaforandringer flytter ikke kun gennemsnit, de øger hyppigheden og klyngen af ekstreme begivenheder.

Strukturelt betyder dette øget usikkerhed omkring udbud, højere risikopræmier og større vægt på fleksibilitet i logistik og lagerstyring. Nogle regioner vil blive mindre pålidelige leverandører, mens andre kan opnå strategisk betydning.

Efterhånden som klimarisiko bliver mere central i institutionelle rammer, hvordan ser du klimainformerede modeller påvirke porteføljekonstruktion, offentliggørelse eller risikorapportering?

Klimainformerede modeller vil gradvist bevæge sig fra kvalitative overlejringer til kvantitative risikoinput. I porteføljekonstruktion kan de informere positionering, tail‑risk‑eksponering og diversifikationsantagelser. I offentliggørelse og rapportering giver de en mere forsvarlig, scenarie‑baseret måde at diskutere klimarisiko på uden at stole på simple fortællinger.

Over tid forventer jeg, at klimarisiko behandles på råvaremarkeder på samme måde som makro‑ eller volatilitet‑risiko: ikke som en separat ESG‑kategori, men som en kernekomponent i markedsrisiko.

Kan du dele et eksempel, hvor indsigter fra din model hjalp med at forudse en betydelig prisbevægelse i en råvare, før den blev åbenlys for det bredere marked?

Som jeg nævnte tidligere, er naturgas et klart eksempel på modellens indsigt.

Derudover ser vi endnu klarere eksempler, der er anvendelige på landbrugsmarkeder.

For eksempel i den brasilianske appelsinjuice‑produktion i 2023 afslørede satellit‑baserede fugt‑ og vegetation‑indekser vedvarende tørkestress måneder før det blev afspejlet i officielle udbytte‑estimater eller markedskommentarer. Priserne forblev i starten flade, fordi skaden endnu ikke var observerbar. Da produktionsprognoserne blev revideret og overskrifterne fulgte, justerede priserne hurtigt, men på det tidspunkt havde den underliggende risiko allerede bygget sig op i flere uger.

Et andet tilfælde er produktionen af Robusta‑kaffe i Vietnam i 2023‑2024. I dette forløb reducerede langvarig tørke og varmestræk gradvist produktionspotentialet, mens markedet i starten betragtede situationen som midlertidig. Modellen fangede den kumulative karakter af stressen tidligt. Da produktions‑tabene blev uomtvistelige, bevægede priserne sig kraftigt.

Et lignende mønster forekom i kakaomarkederne i Vestafrika i november 2023, da usædvanligt vedvarende Harmattan‑vinde skabte fugtmangel og bestøvningsproblemer. Fysisk stress var tydelig længe før markedets reaktion, som først accelererede, da forsyningsbekymringer kom ind i de almindelige fortællinger.

På tværs af alle disse tilfælde er den centrale indsigt den samme: Modellen hjælper med at identificere langsom, akkumulerende fysisk stress, der skifter risikosymmetrien længe før markedet reagerer. Derfor er timing og probabilistisk vurdering langt vigtigere end at reagere på overskrifter eller isolerede vejr‑begivenheder.

Tak for det fantastiske interview, læsere der ønsker at lære mere bør besøge Mind Money.