Edward Nikulin, Wettermodellexperte bei Mind Money – Interviewreihe

Edward NikulinDer Wettermodellexperte und Leiter der Handelsabteilung des europäischen Brokers Mind Money ist ein versierter quantitativer Forscher und Data Scientist mit über acht Jahren Erfahrung in Marktmodellierung, systematischem Handel und KI-gestützter Analytik. Er ist der Autor des Wettermodells, das Mind Money für seine proprietären Handelsstrategien verwendet.

Gedanken zum Geld ist eine europäische Investment- und Brokerage-Plattform mit Sitz in Limassol, Zypern, die Zugang zu globalen Aktien, Anleihen, ETFs sowie ausgewählten Börsengängen und Pre-IPOs bietet. Sie unterliegt der CySEC-Regulierung und erfüllt die Anforderungen von MiFID II. Der Fokus liegt auf transparenter Preisgestaltung, diversifizierten Anlagemöglichkeiten und professionellem Portfoliomanagement für Kunden, die in internationale Finanzmärkte investieren möchten.

Edward Nikulin teilt sein Know-how und seine Expertise in der Anwendung von Klima- und Wettermodellen zur Analyse von Rohstoffmärkten. Sein Werdegang vom Händler zum Wettermodell-Spezialisten hat ihm eine besondere Perspektive auf die Schnittstellen von Finanz- und Umweltdaten eröffnet. In diesem Beitrag erläutert er die praktische Funktionsweise seines Wetter-Rohstoff-Modells: Welche Klima- und Wettervariablen – von saisonalen Temperaturschwankungen über Niederschlagsmuster bis hin zu Extremereignissen – werden einbezogen und wie werden diese Daten in handlungsrelevante Handels- und Risikosignale umgewandelt? Durch die Kombination von Marktintuition und wissenschaftlicher Modellierung bietet Edward den Lesern einen seltenen Einblick, wie Wetterinformationen heute zu einem entscheidenden Faktor in Rohstoffstrategien werden können.

Können Sie uns Ihren Werdegang vom Händler zum Experten für Klima- und Wettermodelle schildern und erläutern, wie dieser Hintergrund Ihre heutige Analyse der Rohstoffmärkte prägt?

Mein Hintergrund liegt im quantitativen Handel und der Datenwissenschaft. Viele Jahre lang habe ich an systematischen Rohstoff- und Derivatestrategien gearbeitet und daher stets in Bezug auf Handelssignale und Risiko gedacht. Anschließend wurde ich von einem Startup, das sich auf die Optimierung der maritimen Logistik spezialisiert hat, eingeladen, die Leitung eines KI-Projekts im Bereich Wetter und Klima zu übernehmen. Dadurch kam ich in engen, täglichen Kontakt mit Hydrometeorologen, Ökologen und Fachexperten, die ganz anders denken als Händler.

Diese Erfahrung war entscheidend: Ich lernte, wie Wetterexperten physikalische Prozesse, Unsicherheiten und Zeitverzögerungen analysieren. Und genauso wichtig war es, zu verstehen, wie sehr sich ihre Denkmodelle von denen der Märkte unterscheiden.

Heute arbeite ich an der Schnittstelle dieser beiden Welten. Ich betrachte das Wetter nicht als reines Prognoseproblem (eigentlich macht es wenig Sinn, die Modelle von NOAA und ECMWF übertreffen zu wollen), und ich sehe die Märkte nicht als bloßes statistisches Rauschen. Meine Erfahrung im Handel zwingt mich dazu, jedes Klimasignal anhand ganz praktischer Fragen zu analysieren: Wann, durch welchen Mechanismus und mit welcher Wahrscheinlichkeit beeinflusst diese Information den Preis? Diese Kombination prägt maßgeblich meine heutige Analyse der Rohstoffmärkte.

Wie funktioniert Ihr Wetter-Rohstoff-Modell in der Praxis – welche Arten von Klima- und Wetterdaten beziehen Sie ein und wie werden diese Variablen in umsetzbare Handels- oder Risikosignale umgewandelt?

In der Praxis integriert das Modell mehrere Datenebenen, anstatt sich auf eine einzige Datenquelle zu stützen.

Im Bereich Wetter nutzen wir Echtzeit- und kurzfristige Daten aus numerischen Wettervorhersagemodellen, hyperlokale meteorologische Stationsdaten in der Nähe von Produktionsgebieten sowie satellitengestützte Indikatoren wie Vegetations- und Dürreindizes. Im Bereich Klima verfolgen wir längerfristige Signale mithilfe von Reanalysedatensätzen und großräumigen Klimaindizes wie ENSO, NAO, PDO und anderen.

Der entscheidende Schritt ist nicht die Vorhersage, sondern die Umsetzung der Auswirkungen. Wetterdaten werden mit Produktions-, Logistik- oder Nachfragemechanismen verknüpft, die für ein bestimmtes Produkt relevant sind. Diese Zusammenhänge werden mithilfe eines regelbasierten und probabilistischen Modells formalisiert, wobei häufig Monte-Carlo-Simulationen zur Erfassung von Unsicherheiten eingesetzt werden.

Das Ergebnis ist keine Wettervorhersage, sondern ein strukturiertes Signal: Wahrscheinlichkeitsszenarien, Risikoasymmetrie und zeitlich verschobene Wirkungsabschätzungen. Dadurch können die Signale je nach Zeithorizont entweder für Handelsentscheidungen oder zur Risikosteuerung genutzt werden.

Ihr Modell ist seit mehreren Jahren im Einsatz und hat sich als sehr leistungsstark erwiesen – wie hat es sich bei größeren Wetterereignissen verhalten, und was haben diese Zeiträume über die Marktreaktionen auf Klimaschocks verraten?

Eine der wichtigsten Erkenntnisse aus dem Live-Betrieb des Modells ist, dass Märkte fast nie sofort auf Wetterschocks reagieren und nur sehr selten linear reagieren.

Ein gutes aktuelles Beispiel ist Erdgas. Ende Oktober deutete unser Modell auf eine hohe und steigende Wahrscheinlichkeit einer Störung durch den Polarwirbel hin. Zu diesem Zeitpunkt schien das Wetter vor Ort noch relativ günstig, die Lagerbestände waren komfortabel und die Marktstimmung neutral. Die Preise reagierten kaum. 

Entscheidend war, dass das Modell kein binäres Signal lieferte. Es zeigte eine Wahrscheinlichkeitskurve, die im November und Dezember kontinuierlich anstieg, da die atmosphärischen Muster instabiler wurden. Erst später, als kältere Szenarien in öffentlichen Prognosen und Medienberichten regelmäßig auftauchten, begann der Erdgaspreis einen starken Aufwärtstrend.

Diese Episode hat deutlich etwas gezeigt, was wir immer wieder sehen:

• Zunächst tritt physikalischer atmosphärischer Stress auf.
• dann Wahrscheinlichkeitsakkumulation
• dann Informationsverbreitung
• Und erst am Ende sehen wir die Preisanpassung.

Wie nutzen Rohstoffhändler und Investoren aktuell Klima- und Wetterdaten in ihren Risikomanagementstrategien, und wo sehen Sie die größten Defizite der meisten Marktteilnehmer?

Die meisten Marktteilnehmer nutzen Wetterdaten nach wie vor eher nach eigenem Ermessen. Sie verfolgen Prognosen, lesen Expertenkommentare und passen ihre Positionen an die eingeschätzte Schwere der Ereignisse an. Im Risikomanagement werden Klimadaten häufig erst im Nachhinein verwendet.

Ihre Schwäche liegt in der Formalisierung. Wettersignale sind oft subjektiv, uneinheitlich gewichtet und schlecht in die Marktstruktur integriert. Ein weiteres häufiges Problem ist die Überreaktion auf visuell spektakuläre, aber wirtschaftlich irrelevante Anomalien oder die Unterreaktion auf langsame Prozesse, die für das Angebot wesentlich wichtiger sind.

Die größte Lücke besteht darin, dass kein klarer Zusammenhang zwischen Wetter, Produktionsauswirkungen und Preisreaktion hergestellt werden kann.

Welche spezifischen Klima- oder Wetterindikatoren werden Ihrer Meinung nach bis 2026 für die Rohstoffmärkte, insbesondere für die Landwirtschaft und den Energiesektor, am wichtigsten sein?

Für die Landwirtschaft werden anhaltende Indikatoren für den Feuchtigkeitshaushalt – Dürreentwicklung, Bodenfeuchtigkeit und Pflanzengesundheit – weitaus wichtiger sein als einzelne Wetterereignisse. Auch extreme Temperaturen während sensibler Wachstumsphasen bleiben kritisch.

Im Energiebereich liegt der Fokus auf den Temperaturabweichungen auf der Nachfrageseite, insbesondere auf den winterlichen Schwankungen des Heizbedarfs und der sommerlichen Hitzebelastung der Stromnetze. Klimatechnisch werden großräumige Oszillationen wie ENSO weiterhin regionale Angebots- und Nachfrageungleichgewichte beeinflussen.

Inwiefern unterscheidet sich Ihr Ansatz von traditionelleren Rohstoffprognosemodellen oder den in den Märkten üblichen wetterbasierten Analysen?

Der Hauptunterschied besteht darin, dass wir weder Preise noch Wetter direkt vorhersagen und uns auch nicht auf Standardwettervorhersagen verlassen. Unser Team konzentriert sich auf die quantitative Modellierung der Auswirkungen von Wetter und Klima auf die Preise.

Herkömmliche Modelle extrapolieren Preise häufig statistisch oder behandeln das Wetter als externe, schwach strukturierte Erklärungsvariable. Standardmäßige Wetteranalysen hingegen sind eher deskriptiv als marktorientiert. Unser Ansatz formalisiert die Kausalkette zwischen Umweltbedingungen und Marktauswirkungen und modelliert explizit Unsicherheit, Zeitpunkt und Relevanz.

Was sind die größten Herausforderungen für Investoren bei der Integration von Klimadaten in reale Entscheidungsprozesse, und wie können sie häufige Fehler vermeiden?

Die größte Herausforderung besteht darin, das Signal vom Rauschen zu trennen. Klimadaten sind hochdimensional, verändern sich langsam und sind oft durch mediale Narrative emotional aufgeladen.

Häufige Fehlerquellen sind die Überanpassung historischer Korrelationen, das Ignorieren von Zeitverzögerungen und die Annahme, dass mehr Daten automatisch zu besseren Entscheidungen führen. Ein weiterer Fehler ist die Behandlung von Klimatrends als deterministisch statt als probabilistisch.

Tatsächlich beruhen die meisten dieser Probleme auf mangelndem Verständnis. Klimadaten in den Handel oder das Risikomanagement zu integrieren, ist nicht einfach. Es erfordert viel Zeit, physikalische Mechanismen, regionale Besonderheiten, Datenbeschränkungen und vor allem die Art und Weise, wie Märkte diese Informationen verarbeiten, zu verstehen. Ohne diese Grundlage erzeugen Klimadaten eher falsche Sicherheit als bessere Entscheidungen.

Die bloße Einstellung von Meteorologen mag zwar die Lücke im Wetterwissen schließen, löst aber nicht das Kernproblem: die Übersetzung von Wetter- und Klimasignalen in messbare Marktauswirkungen und Preisdynamiken. An diesem Punkt bleiben im Grunde nur zwei praktikable Wege: Entweder man arbeitet mit Teams zusammen, die diese Kompetenz bereits aufgebaut haben und umsetzbare Erkenntnisse liefern können, oder man investiert in den Aufbau einer eigenen Wetter- und Klimaabteilung im eigenen Haus, die Marktexpertise mit Umweltwissenschaften verbindet.

Wie werden sich Ihrer Meinung nach längerfristige Klimatrends in den nächsten Jahren strukturell auf die globalen Rohstoffmärkte auswirken?

Wir beobachten bereits eine erhöhte Volatilität anstelle gleichmäßiger Trendverschiebungen. Der Klimawandel verändert nicht nur Durchschnittswerte, sondern erhöht auch die Häufigkeit und Häufung von Extremereignissen.

Strukturell bedeutet dies erhöhte Versorgungsunsicherheit, höhere Risikoprämien und einen stärkeren Fokus auf Flexibilität in Logistik und Bestandsmanagement. Einige Regionen werden weniger zuverlässige Lieferanten, während andere an strategischer Bedeutung gewinnen könnten.

Da Klimarisiken in institutionellen Rahmenbedingungen eine immer zentralere Rolle spielen, wie sehen Sie den Einfluss klimabezogener Modelle auf die Portfoliozusammenstellung, die Offenlegung von Informationen oder die Risikoberichterstattung?

Klimabasierte Modelle werden sich schrittweise von qualitativen zu quantitativen Risikoeingängen entwickeln. Bei der Portfoliozusammenstellung können sie die Positionsgröße, das Extremrisiko und die Diversifizierungsannahmen beeinflussen. In der Offenlegung und Berichterstattung bieten sie eine fundiertere, szenariobasierte Methode, um Klimarisiken zu erörtern, ohne sich auf einfache Darstellungen zu stützen.

Ich gehe davon aus, dass Klimarisiken auf den Rohstoffmärkten im Laufe der Zeit ähnlich wie Makro- oder Volatilitätsrisiken behandelt werden: nicht als separate ESG-Kategorie, sondern als Kernkomponente des Marktrisikos.

Können Sie ein Beispiel nennen, bei dem Erkenntnisse aus Ihrem Modell dazu beigetragen haben, eine signifikante Rohstoffpreisbewegung vorherzusehen, bevor sie für den breiteren Markt offensichtlich wurde?

Wie ich bereits erwähnt habe, ist Erdgas ein gutes Beispiel für die Erkenntnisse des Modells.

Darüber hinaus sehen wir noch deutlichere Beispiele, die auf Agrarmärkte anwendbar sind.

Beispielsweise zeigten satellitengestützte Feuchtigkeits- und Vegetationsindizes im brasilianischen Orangensaftsektor im Jahr 2023 anhaltenden Dürrestress Monate, bevor dieser sich in offiziellen Ertragsschätzungen oder Marktkommentaren niederschlug. Die Preise blieben zunächst stabil, da die Schäden noch nicht sichtbar waren. Nachdem die Produktionsprognosen revidiert und entsprechende Meldungen veröffentlicht wurden, passten sich die Preise rasch an, doch zu diesem Zeitpunkt hatte sich das zugrundeliegende Risiko bereits über Wochen aufgebaut.

Ein weiteres Beispiel ist die Robusta-Kaffeeproduktion in Vietnam in den Jahren 2023/2024. Damals reduzierten anhaltende Dürre und Hitzestress allmählich das Produktionspotenzial, während der Markt die Situation zunächst als vorübergehend einstufte. Das Modell erfasste frühzeitig die kumulative Wirkung des Stresses. Als die Produktionsausfälle unübersehbar wurden, stiegen die Preise sprunghaft an.

Ein ähnliches Muster zeigte sich im November 2023 auf den Kakaomärkten Westafrikas, als ungewöhnlich anhaltende Harmattanwinde zu Feuchtigkeitsdefiziten und Bestäubungsproblemen führten. Physischer Stress war bereits lange vor der Marktreaktion erkennbar, die sich erst beschleunigte, als Versorgungssorgen in den Fokus der öffentlichen Debatte rückten.

In all diesen Fällen ist die zentrale Erkenntnis dieselbe: Das Modell hilft, langsam fortschreitende physische Belastungen zu erkennen, die Risikoasymmetrien verschieben, lange bevor der Markt reagiert. Deshalb sind Timing und Wahrscheinlichkeitsanalyse weitaus wichtiger als Reaktionen auf Schlagzeilen oder einzelne Wetterereignisse.

Vielen Dank für das tolle Interview, Leser, die mehr erfahren möchten, sollten vorbeischauen Gedanken zum Geld.