Edward Nikulin, Säämallin asiantuntija Mind Moneyssa – Haastattelusarja

Edward Nikulin, säämallin asiantuntija ja Eurooppalaisen välittäjän Mind Money kaupankäyntiosaston johtaja, on taitava kvantitatiivinen tutkija ja datatieteilijä, jolla on yli kahdeksan vuoden kokemus markkinamallinnuksesta, systemaattisesta kaupankäynnistä ja tekoälypohjaisesta analytiikasta. Hän on Mind Moneyn omaan kaupankäyntistrategiaan käytetyn säämallin tekijä.

Mind Money on eurooppalainen sijoitus- ja välitysalusta, jonka pääkonttori on Limassolissa, Kyproksella, ja se tarjoaa pääsyn globaaleihin osakkeisiin, joukkovelkakirjoihin, ETF:iin sekä valikoituihin IPO- ja pre-IPO-mahdollisuuksiin. Toimien CySEC-sääntelyn ja MiFID II -vaatimusten alaisina, se keskittyy läpinäkyvään hinnoitteluun, monipuolisiin sijoitusvaihtoehtoihin ja ammattimaiseen salkunhallintaan asiakkaille, jotka hakevat altistumista kansainvälisille rahoitusmarkkinoille.

Edward Nikulin jakaa tietotaitonsa ja asiantuntemuksensa ilmaston- ja säämallinnuksen soveltamisesta hyödyke­markkinoiden analyysiin. Hänen matkansa kauppiaasta säämalli‑asiantuntijaksi on muokannut erottuvan näkökulman siihen, miten taloudelliset ja ympäristötiedot limittyvät. Tässä artikkelissa hän selittää, miten hänen sää‑ja‑hyödykemallinsa toimii käytännössä: mitä ilmasto‑ ja säämuuttujia sisällytetään — vuodenaikaisista lämpötilan vaihteluista sademääräkaavioihin ja äärimmäisiin tapahtumiin — ja miten nämä syötteet muutetaan toteuttamiskelpoisiksi kaupankäynti‑ ja riskisignaaleiksi. Yhdistämällä markkinaintuitiota tieteelliseen mallinnukseen Edward tarjoaa lukijoille harvinaisen näkemyksen siitä, miten säääly voi tänään muodostua ratkaisevaksi tekijäksi hyödykestrategioissa.

Voisitko kertoa matkasi kauppiaasta ilmasto- ja säämallin asiantuntijaksi, ja miten tuo tausta muokkaa tapaasi analysoida hyödykemarkkinoita tänään?

Taustani on kvantitatiivisessa kaupankäynnissä ja datatieteessä. Monien vuosien ajan työskentelin systemaattisissa hyödyke‑ ja johdannaisstrategioissa, joten ajatteluni pyöri aina kaupankäyntisignaalien ja riskin ympärillä. Sitten minut kutsuttiin startup‑yritykseen, joka keskittyy merilogistiikan optimointiin, johtamaan tekoälytoimintaa, joka liittyy säähän ja ilmastoon. Tämä toi minut erittäin läheiseen päivittäiseen yhteyteen hydrometeorologien, ekologien ja alansa asiantuntijoiden kanssa, jotka ajattelevat hyvin eri tavalla kuin kauppiaat.

Kokemus oli ratkaiseva: opin, miten sääasiantuntijat pohtivat fysikaalisia prosesseja, epävarmuutta ja aikaviiveitä. Ja yhtä tärkeää, opin, kuinka erilaiset heidän mentaaliset mallinsa ovat verrattuna markkinoilla käytettyihin.

Tänään työskentelen näiden kahden maailman risteyskohdassa. En lähesty säätä ennustamisongelmana (itse asiassa on vähän järkeä yrittää päihittää NOAA‑ ja ECMWF‑mallit), eikä markkinoita puhtaana tilastollisena kohinana. Kaupankäyntitaustani pakottaa jokaisen ilmastosignaalin vastaamaan hyvin käytännön kysymyksiin: milloin, millä mekanismilla ja millä todennäköisyydellä tämä tieto vaikuttaa hintaan. Tämä yhdistelmä muokkaa voimakkaasti sitä, miten analysoin hyödykemarkkinoita nyt.

Miten sää‑ja‑hyödykemallisi toimii käytännössä — mitä ilmasto‑ ja säätietoja sisällytät, ja miten nämä muuttujat muutetaan toteuttamiskelpoisiksi kaupankäynti‑ tai riskisignaaleiksi?

Käytännössä malli yhdistää useita datakerroksia sen sijaan, että perustuisi yhteen lähteeseen.

Sään osalta otamme reaaliaikaisia ja lähitulevaisuuden tietoja numeerisista sääennustemalleista, hyperlokaalista meteorologisesta asemadataa tuotantoalueiden lähellä sekä satelliittiperusteisia indikaattoreita, kuten kasvillisuuden ja kuivuusindeksejä. Ilmaston osalta seuraamme pitkän aikavälin signaaleja uudelleenanalyysitietokannoista ja laajamittaisista ilmastoindekseistä, kuten ENSO, NAO, PDO ja muista.

Todellinen avainaskel ei ole ennustaminen, vaan vaikutuksen kääntäminen. Raakat säämuuttujat kartoitetaan tuotanto-, logistiikka- tai kysyntäpuolen mekanismeihin, jotka ovat merkityksellisiä tietylle hyödykkeelle. Nämä suhteet formalisoidaan sääntöperusteisen ja todennäköisyyspohjaisen kehyksen avulla, usein käyttäen Monte Carlo‑simulointeja epävarmuuden kaappaamiseksi.

Tuloste ei ole sääennuste, vaan strukturoitu signaali: todennäköisyyspainotetut skenaariot, riskiasymmetria ja aikaviiveiset vaikutusarviot. Tämä mahdollistaa signaalien käytön joko kaupankäyntipäätöksiin tai riskinhallintaan, riippuen aikahorisontista.

Mallisi on ollut käytössä useita vuosia vahvalla suorituskyvyllä — miten se käyttäytyi merkittävien sääkatastrofien aikana, ja mitä nuo periodit paljastivat markkinoiden reaktioista ilmastoshokkeihin?

Yksi tärkeimmistä havainnoista mallin live‑käytöstä on, että markkinat lähes koskaan eivät reagoi sääshokkeihin välittömästi, eikä ne harvoin reagoi lineaarisesti.

Hyvä viimeaikainen esimerkki on maakaasu. Myöhäisenä lokakuussa mallimme alkoi merkitä korkeaa ja kasvavaa todennäköisyyttä napavorteksen häiriölle. Tuolloin paikkasää näytti edelleen melko lievältä, varastot olivat riittävät, ja markkinakertomus oli neutraali. Hinnat reagoivat tuskin.

Tärkeä osa oli, että malli ei tuottanut binääristä signaalia. Se näytti todennäköisyyskäsivyn, joka nousi edelleen marraskuun ja joulukuun aikana, kun ilmakehän mallit muuttuivat epävakaammiksi. Vasta myöhemmin, kun kylmemmät skenaariot alkoivat ilmestyä johdonmukaisesti julkisissa ennusteissa ja mediakertomuksissa, maakaasu siirtyi voimakkaaseen nousutrendiin.

Tuo jakso osoitti selvästi jotain, mitä näemme yhä uudelleen:

• ensiksi tulee fyysinen ilmakehän stressi,
• sen jälkeen todennäköisyyden kertymä,
• sen jälkeen tiedon diffuusio,
• ja vasta lopussa näemme hintojen korjaantumisen.

Miten hyödykekauppiaat ja sijoittajat tällä hetkellä käyttävät ilmasto- ja säätietoja riskienhallintastrategioissaan, ja missä mielestäsi suurin osa osallistujista vielä epäonnistuu?

Useimmat osallistujat käyttävät säätietoja edelleen pitkälti harkintaperusteisesti. He seuraavat ennusteita, lukevat asiantuntijakommentteja ja säätävät positioita tapahtumien koetun vakavuuden perusteella. Riskienhallinnassa ilmastotietoja käytetään usein retrospektiivisesti.

Heikko kohta on formalisointi. Sääsignaalit ovat usein subjektiivisia, painotettuja epäjohdonmukaisesti ja huonosti integroituna markkinarakenteeseen. Toinen yleinen ongelma on liiallinen reagoiminen visuaalisesti dramaattisiin, mutta taloudellisesti merkityksettömiin poikkeamiin, tai alireagoiminen hitaasti eteneviin prosesseihin, jotka vaikuttavat paljon enemmän tarjontaan.

Suurin aukko on selkeän yhteyden puuttuminen sään, tuotantovaikutuksen ja hintareaktion välillä.

Mitä erityisiä ilmasto‑ tai sääindikaattoreita pidät tärkeimpinä hyödykemarkkinoille vuoteen 2026 asti, erityisesti maataloudessa ja energiassa?

Maataloudessa pysyvät kostotasapainon indikaattorit — kuivuuden kehittyminen, maaperän kosteus ja kasvillisuuden kunto — ovat paljon merkityksellisempiä kuin yksittäiset sääilmiöt. Lämpötilan äärimmäiset vaihtelut herkissä kasvuvaiheissa pysyvät myös kriittisinä.

Energiassa keskitytään kysyntäpuolen lämpötilapoikkeamiin, erityisesti talven vaihteluihin lämmityskysynnässä ja kesän lämpöstressiin energiajärjestelmissä. Ilmaston puolella laajamittaiset oskillaatiot, kuten ENSO, jatkavat vaikutustaan alueellisiin tarjonta‑kysyntä‑epätasapainoihin.

Miten lähestymistapasi eroaa perinteisemmistä hyödykeennusteiden malleista tai markkinoilla käytetyistä tavallisista sääpohjaisista analyyseistä?

Pääasiallinen ero on, että emme yritä ennustaa hintoja tai säätä suoraan, emmekä myöskään käytä perinteisiä sääennusteita. Tiimimme keskittyy kvantitatiiviseen mallinnukseen, jossa sää- ja ilmastovaikutukset hintoihin otetaan huomioon.

Perinteiset mallit usein joko extrapoloivat hintoja tilastollisesti tai käsittelevät säätä ulkoisena selittävänä muuttujana, jolla on heikko rakenne. Tavallinen sääanalyysi puolestaan on kuvailevaa eikä markkinoihin suuntautunutta. Lähestymistapamme formalisoituu syy‑seuraketjuna ympäristöolosuhteiden ja markkinavaikutuksen välillä, mallintaen eksplisiittisesti epävarmuutta, ajoitusta ja merkityksellisyyttä.

Mitkä ovat suurimmat haasteet, joita sijoittajat kohtaavat yrittäessään integroida ilmastotietoja todelliseen päätöksentekoon, ja miten he voivat välttää yleisiä sudenkuoppia?

Suurin haaste on erottaa signaali kohinasta. Ilmastotiedot ovat korkean ulottuvuuden, hitaasti liikkuvia, ja usein mediajuttujen aiheuttamia tunnepitoisia.

Yleisiä sudenkuoppia ovat historiallisten korrelaatioiden ylisovittaminen, aikaviiveiden huomiotta jättäminen ja oletus, että enemmän dataa automaattisesti johtaa parempiin päätöksiin. Toinen virhe on käsitellä ilmastotrendejä deterministisinä sen sijaan, että ne olisivat todennäköisyyspohjaisia.

Todellisuudessa suurin osa näistä ongelmista johtuu ymmärryksen puutteesta. Ilmastotietojen integrointi kaupankäyntiin tai riskienhallintaan ei ole helppoa. Se vaatii merkittävän ajan fyysisten mekanismien, alueellisten erityispiirteiden, datarajoitusten ja, mikä tärkeintä, sen ymmärtämiseen, miten markkinat todella sulattavat tiedon. Ilman tätä perustaa ilmastotiedot luovat usein väärää itsevarmuutta sen sijaan, että ne johtaisivat parempiin päätöksiin.

Pelkkä meteorologien palkkaaminen voi auttaa kaventamaan sääasiantuntemuksen puutetta, mutta se ei ratkaise ydinkysymystä: säätietojen ja ilmastosignaalien kääntämistä mitattavaksi markkinavaikutukseksi ja hinnoitteludynamiikaksi. Tässä vaiheessa on oikeastaan vain kaksi toimivaa polkua. Joko tehdään yhteistyötä tiimien kanssa, jotka ovat jo rakentaneet tämän kyvyn ja voivat tarjota toteuttamiskelpoisia oivalluksia, tai investoida oman sää‑ ja ilmastotiimin perustamiseen, joka yhdistää markkinakokemuksen ympäristötieteeseen.

Miten odotat pitkän aikavälin ilmastotrendien rakenteellisesti muokkaavan globaaleja hyödykemarkkinoita seuraavien vuosien aikana?

Olemme jo havainneet lisääntynyttä volatiliteettia tasaisen trendimuutoksen sijaan. Ilmastonmuutos ei ainoastaan siirrä keskiarvoja, vaan lisää äärimmäisten tapahtumien tiheyttä ja ryhmittymistä.

Rakenneellisesti tämä merkitsee lisääntynyttä toimitusvarmuuden epävarmuutta, korkeampia riskipreemioita ja suurempaa painotusta joustavuuteen logistiikassa ja varastonhallinnassa. Jotkut alueet muuttuvat vähemmän luotettaviksi toimittajiksi, kun taas toiset voivat saada strategista merkitystä.

Kun ilmastoriski nousee keskeiseksi institutionaalisissa kehyksissä, miten näet ilmastotietoon perustuvien mallien vaikuttavan salkunrakennukseen, raportointiin tai riskiraportointiin?

Ilmastotietoon perustuvat mallit siirtyvät vähitellen kvalitatiivisista lisäyksistä kvantitatiivisiksi riskisyötteiksi. Salkunrakennuksessa ne voivat ohjata positioiden koon määritystä, häntäriskialtistusta ja diversifikaatio-oletuksia. Raportoinnissa ja tiedonannossa ne tarjoavat puolustettavamman, skenaarioihin perustuvan tavan käsitellä ilmastoon altistumista ilman pelkkien kertomusten varassa olemista.

Ajan myötä odotan, että ilmastoriskiä käsitellään hyödykemarkkinoilla samalla tavalla kuin makro‑ tai volatiliteettiriskiä: ei erillisenä ESG‑kategoriana, vaan markkinariskin keskeisenä osana.

Voisitko jakaa esimerkin, jossa mallisi oivallukset auttoivat ennakoimaan merkittävän hyödykehintaliikkeen ennen kuin se tuli ilmeiseksi laajemmalle markkinalle?

Kuten aiemmin mainitsin, maakaasu on selkeä esimerkki mallin oivalluksesta.

Lisäksi näemme vieläkin selkeämpiä esimerkkejä, jotka koskevat maatalousmarkkinoita.

Esimerkiksi Brasilian appelsiinimehun tuotannossa vuonna 2023 satelliittiperustaiset kosteus- ja kasvillisuusindeksit paljastivat jatkuvan kuivuusstressin kuukausia ennen kuin se heijastui virallisissa satoennusteissa tai markkinakommenteissa. Hinnat pysyivät aluksi tasaisina, koska vahinkoa ei vielä ollut havaittavissa. Kun tuotantoennusteita tarkistettiin ja otsikot seurasivat, hinnat korjasivat nopeasti, mutta siihen mennessä taustalla oleva riski oli jo kerääntynyt viikkoja.

Toinen esimerkki on Robusta-kahvin tuotanto Vietnamissa vuosina 2023‑2024. Tässä tapauksessa pitkäkestoinen kuivuus ja lämpöstressi vähensivät vähitellen tuotantopotentiaalia, kun taas markkinat aluksi käsittelivät tilanteen tilapäisenä. Malli tallensi stressin kumulatiivisen luonteen varhaisessa vaiheessa. Kun tuotantotappiot olivat kiistattomia, hinnat nousivat jyrkästi.

Vastaava kaava ilmeni kaakaomarkkinoilla Länsi-Afrikassa marraskuussa 2023, kun epätavallisen pitkäkestoinen Harmattan‑tuuli aiheutti kosteuspuutteita ja pölytysongelmia. Fyysinen stressi oli ilmeinen kauemmin ennen markkinareaktiota, joka vain kiihtyi, kun toimitusongelmat nousivat valtavirran kertomuksiin.

Kaikissa näissä tapauksissa keskeinen oivallus on sama: malli auttaa tunnistamaan hitaasti kertautuvan fyysisen stressin, joka siirtää riskiasymmetriaa kauan ennen kuin markkinat reagoivat. Tästä syystä ajoitus ja todennäköisyysarviointi merkitsevät paljon enemmän kuin reagoiminen otsikoihin tai erillisiin sääilmiöihin.

Kiitos erinomaisesta haastattelusta, lukijat, jotka haluavat oppia lisää, tulisi vierailla Mind Money.