Entrevistas
Edward Nikulin, experto en modelos meteorológicos de Mind Money – Serie de entrevistas
Edward Nikulin, experto en modelos meteorológicos y responsable de la división de trading del bróker europeo Mind Money, es un experto investigador cuantitativo y científico de datos con más de ocho años de experiencia en modelado de mercado, trading sistemático y análisis basado en IA. Es el autor del modelo meteorológico utilizado en las estrategias de trading propias de Mind Money.
Cuidado con el dinero Es una plataforma europea de inversión y corretaje con sede en Limassol, Chipre, que ofrece acceso a acciones, bonos y ETF globales, así como a oportunidades seleccionadas de salida a bolsa y pre-IPO. Opera bajo la regulación de la CySEC y cumple con la MiFID II, y se centra en la transparencia de precios, la diversificación de opciones de inversión y la gestión profesional de carteras para clientes que buscan exposición a los mercados financieros internacionales.
Edward Nikulin comparte sus conocimientos y experiencia en la aplicación de la modelización climática y meteorológica al análisis de los mercados de materias primas. Su trayectoria, desde comerciante hasta especialista en modelos meteorológicos, ha forjado una perspectiva única sobre la interacción entre los datos financieros y ambientales. En este artículo, explica cómo funciona en la práctica su modelo de clima y materias primas: qué tipos de variables climáticas y meteorológicas incorpora —desde cambios estacionales de temperatura hasta patrones de precipitación y fenómenos extremos— y cómo estos datos se convierten en señales operativas de trading y riesgo. Al combinar la intuición del mercado con la modelización científica, Edward ofrece a los lectores una perspectiva excepcional sobre cómo la inteligencia meteorológica puede convertirse en un factor decisivo en las estrategias de materias primas actuales.
¿Puede contarnos su experiencia desde que comenzó como comerciante hasta convertirse en experto en modelos climáticos y meteorológicos, y cómo esos antecedentes influyen en su forma de analizar los mercados de materias primas hoy en día?
Mi formación se centra en el trading cuantitativo y la ciencia de datos. Durante muchos años trabajé en estrategias sistemáticas de materias primas y derivados, por lo que siempre pensaba en términos de señales de trading y riesgo. Posteriormente, una startup dedicada a optimizar la logística marítima me invitó a liderar una estrategia de IA relacionada con el tiempo y el clima. Esto me permitió mantener un contacto diario muy estrecho con hidrometeorólogos, ecólogos y especialistas en la materia que piensan de forma muy diferente a la de los traders.
Esa experiencia fue crucial: aprendí cómo razonan los meteorólogos sobre los procesos físicos, la incertidumbre y los retrasos. Y, lo que es igual de importante, aprendí lo diferentes que son sus modelos mentales de los que se utilizan en los mercados.
Hoy, trabajo en la intersección de ambos mundos. No abordo el clima como un problema de pronóstico (de hecho, no tiene mucho sentido intentar superar los modelos de la NOAA y el ECMWF), ni los mercados como puro ruido estadístico. Mi experiencia en trading obliga a cada señal climática a responder a preguntas muy prácticas: cuándo, a través de qué mecanismo y con qué probabilidad afecta realmente esta información al precio. Esta combinación influye considerablemente en mi análisis actual de los mercados de materias primas.
¿Cómo funciona en la práctica su modelo de clima y materias primas? ¿Qué tipos de datos climáticos y meteorológicos incorpora y cómo se convierten esas variables en señales procesables de riesgo o comercio?
En la práctica, el modelo integra varias capas de datos en lugar de depender de una sola fuente.
En cuanto al clima, utilizamos datos en tiempo real y a corto plazo de modelos numéricos de predicción meteorológica, datos de estaciones meteorológicas hiperlocales cerca de zonas de producción e indicadores satelitales como índices de vegetación y sequía. En cuanto al clima, rastreamos señales a largo plazo mediante conjuntos de datos de reanálisis e índices climáticos a gran escala como ENSO, NAO, PDO y otros.
El verdadero paso clave no es la predicción, sino la traducción del impacto. Las variables meteorológicas brutas se relacionan con los mecanismos de producción, logística o demanda relevantes para un producto específico. Estas relaciones se formalizan mediante un marco probabilístico basado en reglas, que a menudo utiliza simulaciones de Monte Carlo para capturar la incertidumbre.
El resultado no es un pronóstico meteorológico, sino una señal estructurada: escenarios con ponderación de probabilidad, asimetría de riesgo y estimaciones de impacto diferidas en el tiempo. Esto permite utilizar las señales para tomar decisiones comerciales o para el control de riesgos, según el horizonte temporal.
Su modelo ha estado activo durante varios años con un sólido desempeño: ¿cómo se comportó durante grandes perturbaciones climáticas y qué revelaron esos períodos sobre las reacciones del mercado a los shocks climáticos?
Una de las conclusiones más importantes derivadas de la ejecución del modelo en vivo es que los mercados casi nunca reaccionan a los shocks climáticos de manera instantánea y muy rara vez reaccionan de manera lineal.
Un buen ejemplo reciente es el gas natural. A finales de octubre, nuestro modelo comenzó a indicar una alta y creciente probabilidad de una perturbación por vórtice polar. En ese momento, el clima spot aún parecía relativamente benigno, los inventarios se mantenían cómodos y la narrativa del mercado era neutral. Los precios apenas reaccionaron.
Lo importante fue que el modelo no produjo una señal binaria. Mostró una curva de probabilidad que siguió ascendiendo durante noviembre y diciembre, a medida que los patrones atmosféricos se volvían más inestables. Solo más tarde, cuando los escenarios más fríos comenzaron a aparecer de forma constante en los pronósticos públicos y los medios de comunicación, el gas natural entró en una fuerte tendencia alcista.
Ese episodio demostró claramente algo que vemos una y otra vez:
- Primero viene el estrés atmosférico físico,
- luego acumulación de probabilidad,
- Luego la difusión de la información,
- y sólo al final, vemos el ajuste de precios.
¿Cómo utilizan actualmente los comerciantes e inversores de materias primas los datos meteorológicos y climáticos en sus estrategias de gestión de riesgos, y en qué áreas cree usted que aún fallan la mayoría de los participantes?
La mayoría de los participantes aún utilizan los datos meteorológicos de forma mayoritariamente discrecional. Siguen los pronósticos, consultan a expertos y ajustan sus posturas en función de la gravedad percibida de los eventos. En la gestión de riesgos, los datos climáticos suelen utilizarse retrospectivamente.
Donde fallan es en la formalización. Las señales meteorológicas suelen ser subjetivas, tienen una ponderación inconsistente y están mal integradas con la estructura del mercado. Otro problema común es reaccionar exageradamente ante anomalías visualmente dramáticas, pero económicamente irrelevantes, o reaccionar de forma insuficiente ante procesos de lento desarrollo que son mucho más importantes para el suministro.
La brecha más grande es la ausencia de una correlación clara entre el clima, el impacto en la producción y la respuesta de los precios.
¿Qué indicadores climáticos o meteorológicos específicos cree usted que serán los más importantes para los mercados de materias primas hasta 2026, en particular para la agricultura y la energía?
Para la agricultura, los indicadores persistentes del balance hídrico —desarrollo de sequías, humedad del suelo y salud de la vegetación— serán mucho más importantes que los fenómenos meteorológicos individuales. Las temperaturas extremas durante las fases sensibles de crecimiento también seguirán siendo críticas.
En el ámbito energético, la atención se centrará en las anomalías de temperatura de la demanda, especialmente la volatilidad invernal de la demanda de calefacción y el estrés térmico estival en los sistemas eléctricos. En el ámbito climático, oscilaciones a gran escala como el ENSO seguirán influyendo en los desequilibrios regionales entre la oferta y la demanda.
¿En qué aspectos su enfoque se diferencia de los modelos más tradicionales de previsión de materias primas o del análisis estándar basado en el clima que se utiliza en los mercados?
La principal diferencia radica en que no intentamos pronosticar precios ni el clima directamente, ni tampoco utilizamos pronósticos meteorológicos convencionales. Nuestro equipo se centra en la modelización cuantitativa del impacto del clima y el tiempo en los precios.
Los modelos tradicionales suelen extrapolar los precios estadísticamente o tratar el clima como una variable explicativa externa con una estructura débil. El análisis meteorológico estándar, por otro lado, tiende a ser descriptivo en lugar de considerar el mercado. Nuestro enfoque formaliza la cadena causal entre las condiciones ambientales y el impacto en el mercado, modelando explícitamente la incertidumbre, la temporalidad y la relevancia.
¿Cuáles son los mayores desafíos que enfrentan los inversores cuando intentan integrar datos climáticos en la toma de decisiones del mundo real y cómo pueden evitar errores comunes?
El mayor desafío es separar la señal del ruido. Los datos climáticos son de alta dimensión, se mueven lentamente y, a menudo, están cargados de emociones por las narrativas mediáticas.
Entre los errores más comunes se incluyen el sobreajuste de las correlaciones históricas, ignorar los desfases temporales y asumir que más datos conducen automáticamente a mejores decisiones. Otro error es tratar las tendencias climáticas como deterministas en lugar de probabilísticas.
En realidad, la mayoría de estos problemas se deben a la falta de comprensión. Integrar los datos climáticos en el comercio o la gestión de riesgos no es tan fácil. Se requiere mucho tiempo para comprender los mecanismos físicos, las particularidades regionales, las limitaciones de los datos y, sobre todo, cómo los mercados asimilan realmente esta información. Sin esa base, los datos climáticos tienden a generar falsa confianza en lugar de mejores decisiones.
La simple contratación de meteorólogos puede ayudar a reducir la brecha en la experiencia meteorológica, pero no resuelve el problema principal: traducir las señales meteorológicas y climáticas en un impacto medible en el mercado y una dinámica de precios. En ese punto, solo existen dos caminos viables: colaborar con equipos que ya cuentan con esta capacidad y pueden aportar información práctica, o invertir en la creación de un departamento interno especializado en meteorología y clima que combine la experiencia del mercado con la ciencia ambiental.
¿Cómo espera que las tendencias climáticas a largo plazo reformulen estructuralmente los mercados mundiales de materias primas en los próximos años?
Ya estamos observando una mayor volatilidad en lugar de cambios suaves en las tendencias. El cambio climático no solo altera los promedios, sino que también incrementa la frecuencia y la agrupación de los extremos.
Estructuralmente, esto implica una mayor incertidumbre en el suministro, primas de riesgo más altas y un mayor énfasis en la flexibilidad logística y la gestión de inventarios. Algunas regiones se volverán proveedores menos fiables, mientras que otras podrían adquirir importancia estratégica.
A medida que el riesgo climático adquiere un papel más central en los marcos institucionales, ¿cómo cree que los modelos basados en el clima influirán en la construcción de carteras, la divulgación o los informes de riesgos?
Los modelos basados en el clima evolucionarán gradualmente de las superposiciones cualitativas a los datos cuantitativos de riesgo. En la construcción de carteras, pueden fundamentar el tamaño de las posiciones, la exposición al riesgo de cola y los supuestos de diversificación. En la divulgación y la presentación de informes, ofrecen una forma más defendible y basada en escenarios para analizar la exposición al clima sin depender de narrativas simples.
Con el tiempo, espero que el riesgo climático en los mercados de materias primas se trate de manera similar al riesgo macroeconómico o de volatilidad: no como una categoría ESG separada, sino como un componente central del riesgo de mercado.
¿Puede compartir un ejemplo en el que los conocimientos de su modelo ayudaron a anticipar un movimiento significativo en el precio de un producto básico antes de que fuera evidente para el mercado en general?
Como mencioné anteriormente, el gas natural es un claro ejemplo de la visión del modelo.
También vemos ejemplos aún más claros aplicables a los mercados agrícolas.
Por ejemplo, en la producción brasileña de jugo de naranja en 2023, los índices satelitales de humedad y vegetación revelaron un estrés hídrico persistente meses antes de que se reflejara en las estimaciones oficiales de rendimiento o en los comentarios del mercado. Inicialmente, los precios se mantuvieron estables porque los daños aún no eran observables. Una vez que se revisaron los pronósticos de producción y se publicaron los titulares, los precios se ajustaron rápidamente; sin embargo, para entonces, el riesgo subyacente ya llevaba semanas acumulándose.
Otro ejemplo es la producción de café Robusta en Vietnam en 2023-2024. En ese episodio, la sequía prolongada y el estrés térmico redujeron gradualmente el potencial de producción, mientras que el mercado inicialmente consideró la situación como temporal. El modelo captó la naturaleza acumulativa del estrés desde el principio. Cuando las pérdidas de producción se hicieron innegables, los precios fluctuaron bruscamente.
Un patrón similar se observó en los mercados de cacao de África Occidental en noviembre de 2023, cuando vientos harmattan inusualmente persistentes provocaron déficits de humedad y problemas de polinización. El estrés físico era evidente mucho antes de la reacción del mercado, que solo se aceleró una vez que la preocupación por el suministro se popularizó.
En todos estos casos, la idea clave es la misma: el modelo ayuda a identificar el estrés físico lento y acumulativo que modifica la asimetría del riesgo mucho antes de que el mercado responda. Por eso, la sincronización y la evaluación probabilística son mucho más importantes que reaccionar a los titulares o a fenómenos meteorológicos aislados.
Gracias por la gran entrevista, los lectores que deseen obtener más información deben visitar Cuidado con el dinero.
