Edward Nikulin, Experto en Modelos Meteorológicos en Mind Money – Serie de Entrevistas

Edward Nikulin, experto en modelos meteorológicos y jefe de la división de trading en el bróker europeo Mind Money, es un investigador cuantitativo y científico de datos competente con más de ocho años de experiencia en modelado de mercados, trading sistemático y análisis impulsado por IA. Es el autor del modelo meteorológico utilizado en las estrategias de trading propietarias de Mind Money.

Mind Money es una plataforma europea de inversión y corretaje con sede en Limassol, Chipre, que ofrece acceso a acciones, bonos, ETFs y oportunidades seleccionadas de IPO y pre-IPO a nivel global. Operando bajo la regulación de CySEC y el cumplimiento de MiFID II, se centra en precios transparentes, opciones de inversión diversificadas y gestión profesional de carteras para clientes que buscan exposición a los mercados financieros internacionales.

Edward Nikulin comparte su know‑how y experiencia en la aplicación del modelado climático y meteorológico al análisis de los mercados de materias primas. Su trayectoria de trader a especialista en modelos meteorológicos ha forjado una perspectiva distintiva sobre cómo se intersectan los datos financieros y medioambientales. En este artículo, explica cómo funciona en la práctica su modelo clima‑materia prima: qué tipos de variables climáticas y meteorológicas se incorporan — desde cambios estacionales de temperatura hasta patrones de precipitación y eventos extremos — y cómo esos insumos se convierten en señales de trading y riesgo accionables. Al combinar la intuición del mercado con el modelado científico, Edward ofrece a los lectores una visión rara de cómo la inteligencia meteorológica puede convertirse en un factor decisivo en las estrategias de materias primas hoy.

¿Puedes guiarnos a través de tu trayectoria, desde ser trader hasta convertirte en experto en modelos climáticos y meteorológicos, y cómo ese trasfondo moldea la forma en que analizas los mercados de materias primas hoy?

Mi experiencia está 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 pensé en términos de señales de trading y riesgo. Luego, una startup centrada en optimizar la logística marítima me invitó a liderar una dirección de IA relacionada con el clima y el tiempo. Eso me puso en contacto diario muy cercano con hidrometeorólogos, ecologistas y especialistas del dominio que piensan de forma muy diferente a los traders.

Esa experiencia fue fundamental: aprendí cómo los expertos en meteorología razonan sobre procesos físicos, incertidumbre y retrasos temporales. Y, tan importante como eso, descubrí cuán diferentes son sus modelos mentales de los que se utilizan en los mercados.

Hoy, trabajo en la intersección de esos dos mundos. No abordo el clima como un problema de pronóstico (de hecho, tiene poco sentido intentar superar a los modelos de NOAA y ECMWF), y no trato los mercados como mero ruido estadístico. Mi experiencia en trading obliga a que cada señal climática responda a preguntas muy prácticas: cuándo, a través de qué mecanismo y con qué probabilidad esa información afecta realmente al precio. Esa combinación moldea fuertemente la forma en que analizo ahora los mercados de materias primas.

¿Cómo funciona en la práctica tu modelo clima‑materia prima — qué tipos de datos climáticos y meteorológicos incorporas, y cómo se convierten esas variables en señales de trading o riesgo accionables?

En términos prácticos, el modelo integra varias capas de datos en lugar de depender de una única fuente.

En el aspecto meteorológico, utilizamos datos en tiempo real y a corto plazo de modelos numéricos de predicción del tiempo, datos de estaciones meteorológicas hiperlocales cerca de zonas de producción y indicadores derivados de satélite como índices de vegetación y sequía. En el aspecto climático, seguimos señales de horizonte más largo a través de conjuntos de datos de reanálisis e índices climáticos a gran escala como ENSO, NAO, PDO y otros.

El paso clave real no es la predicción, sino la traducción del impacto. Las variables meteorológicas crudas se asignan a mecanismos de producción, logística o demanda que son relevantes para una materia prima específica. esas relaciones se formalizan mediante un marco basado en reglas y probabilístico, a menudo usando simulaciones Monte Carlo para capturar la incertidumbre.

La salida no es un pronóstico meteorológico, sino una señal estructurada: escenarios ponderados por probabilidad, asimetría de riesgo y estimaciones de impacto desplazado en el tiempo. Eso es lo que permite que las señales se utilicen tanto para decisiones de trading como para control de riesgo, según el horizonte.

Tu modelo ha estado en funcionamiento durante varios años con un rendimiento sólido — ¿cómo se comportó durante grandes interrupciones climáticas y qué revelaron esos periodos sobre las reacciones del mercado a los choques climáticos?

Una de las ideas más importantes al operar el modelo en tiempo real es que los mercados casi nunca reaccionan a los choques climáticos de forma instantánea y rara vez lo hacen de manera lineal.

Un buen ejemplo reciente es el gas natural. A finales de octubre, nuestro modelo comenzó a señalar una alta y creciente probabilidad de una interrupción por vórtice polar. En ese momento, el clima puntual aún parecía relativamente benigno, los inventarios eran cómodos y la narrativa del mercado era neutral. Los precios apenas reaccionaron.

La parte importante fue que el modelo no generó una señal binaria. Mostró una curva de probabilidad que siguió aumentando durante noviembre y hasta diciembre, a medida que los patrones atmosféricos se volvieron más inestables. Sólo más tarde, cuando los escenarios más fríos empezaron a aparecer de forma constante en los pronósticos públicos y en las narrativas mediáticas, el gas natural entró en una fuerte tendencia alcista.

Ese episodio demostró claramente algo que vemos una y otra vez:

• primero llega el estrés atmosférico físico,
• luego la acumulación de probabilidad,
• luego la difusión de información,
• y solo al final, vemos el ajuste de precios.

¿Cómo están utilizando actualmente los traders e inversores de materias primas los datos climáticos y meteorológicos en sus estrategias de gestión de riesgos, y dónde crees que la mayoría de los participantes aún fallan?

La mayoría de los participantes todavía utilizan los datos meteorológicos de forma mayormente discrecional. Siguen los pronósticos, leen comentarios de expertos y ajustan posiciones basándose en la gravedad percibida de los eventos. En la gestión de riesgos, los datos climáticos a menudo se usan de forma retrospectiva.

Donde fallan es en la formalización. Las señales meteorológicas suelen ser subjetivas, con ponderaciones inconsistentes y pobremente integradas con la estructura del mercado. Otro problema frecuente es reaccionar en exceso a anomalías visualmente dramáticas pero económicamente irrelevantes, o reaccionar insuficientemente a procesos lentos que importan mucho más para la oferta.

La mayor brecha es la ausencia de un mapeo claro entre el clima, el impacto en la producción y la respuesta del precio.

¿Qué indicadores climáticos o meteorológicos específicos crees que serán los más importantes para los mercados de materias primas hasta 2026, particularmente para la agricultura y la energía?

Para la agricultura, los indicadores persistentes de balance de humedad — desarrollo de sequía, humedad del suelo y salud de la vegetación — serán mucho más relevantes que los eventos meteorológicos individuales. Los extremos de temperatura durante fases de crecimiento sensibles también seguirán siendo críticos.

Para la energía, el foco estará en las anomalías de temperatura del lado de la demanda, especialmente la volatilidad invernal para la demanda de calefacción y el estrés por calor veraniego en los sistemas eléctricos. En el aspecto climático, oscilaciones a gran escala como ENSO seguirán influyendo en los desequilibrios regionales de oferta‑demanda.

¿En qué aspectos tu enfoque difiere de los modelos tradicionales de pronóstico de materias primas o del análisis estándar basado en el clima que se usa en los mercados?

La principal diferencia es que no intentamos pronosticar precios ni el clima directamente, y tampoco utilizamos pronósticos meteorológicos estándar. Nuestro equipo se centra en el modelado cuantitativo del impacto del clima y el tiempo sobre los precios.

Los modelos tradicionales a menudo extrapolan los precios estadísticamente o tratan el clima como una variable explicativa externa con una estructura débil. El análisis meteorológico estándar, por otro lado, tiende a ser descriptivo más que orientado al mercado. Nuestro enfoque formaliza la cadena causal entre las condiciones ambientales y el impacto en el mercado, modelando explícitamente la incertidumbre, el tiempo y la relevancia.

¿Cuáles son los mayores desafíos que enfrentan los inversores al intentar integrar datos climáticos en la toma de decisiones del mundo real, y cómo pueden evitar los errores comunes?

El mayor desafío es separar la señal del ruido. Los datos climáticos son de alta dimensión, de movimiento lento y a menudo están cargados emocionalmente por las narrativas mediáticas.

Los errores comunes incluyen sobreajustar correlaciones históricas, ignorar los retrasos 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 provienen de una falta de comprensión. Integrar datos climáticos en el trading o la gestión de riesgos no es tan fácil. Requiere una cantidad significativa de tiempo para entender los mecanismos físicos, las especificidades regionales, las limitaciones de los datos y, lo más importante, cómo los mercados realmente digieren esta información. Sin esa base, los datos climáticos tienden a generar una confianza falsa en lugar de mejores decisiones.

Simplemente contratar meteorólogos puede ayudar a cerrar la brecha en la experiencia meteorológica, pero no resuelve el problema central: traducir las señales meteorológicas y climáticas en un impacto de mercado medible y dinámicas de precios. En ese punto, realmente solo hay dos caminos viables. O bien colaborar con equipos que ya han desarrollado esta capacidad y pueden proporcionar ideas accionables, o invertir en crear una mesa dedicada al clima y al tiempo internamente que combine la experiencia del mercado con la ciencia ambiental.

¿Cómo esperas que las tendencias climáticas a largo plazo reconfiguren estructuralmente los mercados globales de materias primas en los próximos años?

Ya estamos viendo una mayor volatilidad en lugar de cambios de tendencia suaves. El cambio climático no solo desplaza los promedios, sino que aumenta la frecuencia y el agrupamiento de extremos.

Estructuralmente, esto significa una mayor incertidumbre de suministro, primas de riesgo más altas y un mayor énfasis en la flexibilidad en la logística y la gestión de inventarios. Algunas regiones se volverán proveedores menos fiables, mientras que otras pueden ganar importancia estratégica.

A medida que el riesgo climático se vuelve más central en los marcos institucionales, ¿cómo ves que los modelos informados por el clima influyan en la construcción de carteras, la divulgación o los informes de riesgo?

Los modelos informados por el clima pasarán gradualmente de superposiciones cualitativas a insumos de riesgo cuantitativos. En la construcción de carteras, pueden informar el dimensionamiento de posiciones, la exposición al riesgo de cola y los supuestos de diversificación. En la divulgación y los informes, ofrecen una forma más defensible, basada en escenarios, de discutir la exposición climática sin depender de narrativas simples.

Con el tiempo, espero que el riesgo climático se trate en los mercados de materias primas de manera similar al riesgo macro o de volatilidad: no como una categoría ESG separada, sino como un componente central del riesgo de mercado.

¿Puedes compartir un ejemplo donde las ideas de tu modelo ayudaron a anticipar un movimiento significativo del precio de una materia prima antes de que fuera evidente para el mercado amplio?

Como mencioné anteriormente, el gas natural es un ejemplo claro de la visión del modelo.

Además, vemos ejemplos aún más claros aplicables a los mercados agrícolas.

Por ejemplo, en la producción de jugo de naranja brasileño en 2023, los índices de humedad y vegetación basados en satélite revelaron un estrés de sequía persistente meses antes de que se reflejara en los estimados oficiales de rendimiento o en los comentarios del mercado. Los precios inicialmente se mantuvieron planos porque el daño aún no era observable. Una vez que se revisaron los pronósticos de producción y los titulares siguieron, los precios se ajustaron rápidamente, pero para entonces, el riesgo subyacente ya se había estado acumulando durante semanas.

Otro caso es la producción de café Robusta en Vietnam en 2023-2024. En ese episodio, la sequía prolongada y el estrés por calor redujeron gradualmente el potencial de producción, mientras que el mercado inicialmente trató la situación como temporal. El modelo capturó la naturaleza acumulativa del estrés desde el principio. Cuando las pérdidas de producción se volvieron innegables, los precios se movieron bruscamente.

Un patrón similar se produjo en los mercados de cacao en África Occidental en noviembre de 2023, cuando los vientos Harmattan inusualmente persistentes crearon 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 las preocupaciones de suministro entraron en las narrativas principales.

En todos estos casos, la idea clave es la misma: el modelo ayuda a identificar un estrés físico lento y acumulativo que desplaza la asimetría del riesgo mucho antes de que el mercado responda. Por eso, la sincronización y la evaluación probabilística importan mucho más que reaccionar a los titulares o a eventos climáticos aislados.

Gracias por la excelente entrevista, los lectores que deseen aprender más deberían visitar Mind Money.