Edward Nikulin, expert en modélisation météorologique chez Mind Money – Série d'entretiens

Edward NikulinExpert en modélisation météorologique et responsable du département trading chez le courtier européen Mind Money, il est un chercheur quantitatif et un data scientist chevronné, fort de plus de huit ans d'expérience en modélisation de marché, trading systématique et analyse de données basée sur l'IA. Il est l'auteur du modèle météorologique utilisé pour les stratégies de trading propriétaires de Mind Money.

L'esprit de l'argent est une plateforme européenne d'investissement et de courtage basée à Limassol, à Chypre, offrant un accès aux actions, obligations, ETF et à une sélection d'introductions en bourse (IPO) et de pré-IPO internationales. Opérant sous la réglementation de la CySEC et conforme à la directive MiFID II, elle privilégie une tarification transparente, des options d'investissement diversifiées et une gestion de portefeuille professionnelle pour les clients souhaitant s'exposer aux marchés financiers internationaux.

Edward Nikulin partage son savoir-faire et son expertise en matière d'application de la modélisation climatique et météorologique à l'analyse des marchés des matières premières. Son parcours, de trader à spécialiste en modélisation météorologique, lui a permis de développer une vision unique de l'intersection entre données financières et environnementales. Dans cet article, il explique le fonctionnement concret de son modèle météo-matières premières : les types de variables climatiques et météorologiques intégrées – des variations saisonnières de température aux régimes de précipitations et aux événements extrêmes – et comment ces données sont transformées en signaux exploitables pour le trading et l'évaluation des risques. En combinant l'intuition du marché et la modélisation scientifique, Edward offre aux lecteurs un éclairage précieux sur la manière dont les informations météorologiques peuvent devenir un facteur déterminant dans les stratégies de trading de matières premières actuelles.

Pouvez-vous nous décrire votre parcours, de trader à expert en modélisation climatique et météorologique, et comment cette expérience influence votre analyse actuelle des marchés des matières premières ?

Mon parcours professionnel est axé sur le trading quantitatif et la science des données. Pendant de nombreuses années, j'ai travaillé sur des stratégies systématiques de matières premières et de produits dérivés, ce qui m'a amené à raisonner constamment en termes de signaux de trading et de risque. Par la suite, une startup spécialisée dans l'optimisation de la logistique maritime m'a proposé de piloter un projet d'intelligence artificielle lié à la météorologie et au climat. Ce poste m'a permis d'être en contact quotidien et étroit avec des hydrométéorologues, des écologues et d'autres spécialistes dont les perspectives diffèrent considérablement de celles des traders.

Cette expérience a été cruciale : j’ai appris comment les experts météorologiques raisonnent sur les processus physiques, l’incertitude et les délais. Et, tout aussi important, j’ai compris à quel point leurs modèles mentaux diffèrent de ceux utilisés sur les marchés.

Aujourd'hui, je travaille à la croisée de ces deux mondes. Je n'envisage pas la météo comme un problème de prévision (d'ailleurs, il est vain de chercher à surpasser les modèles de la NOAA et de l'ECMWF), et je n'analyse pas les marchés comme de simples fluctuations statistiques. Mon expérience en trading m'oblige à considérer chaque signal climatique sous un angle très pratique : quand, par quel mécanisme et avec quelle probabilité cette information influence-t-elle réellement les prix ? Cette combinaison influence fortement ma façon d'analyser les marchés des matières premières.

Comment fonctionne concrètement votre modèle météo-matières premières ? Quels types de données climatiques et météorologiques intégrez-vous, et comment ces variables sont-elles converties en signaux de trading ou de risque exploitables ?

Concrètement, le modèle intègre plusieurs couches de données au lieu de s'appuyer sur une source unique.

Côté météorologie, nous exploitons des données en temps réel et à court terme issues de modèles numériques de prévision météorologique, des données de stations météorologiques hyperlocales proches des zones de production, ainsi que des indicateurs satellitaires tels que les indices de végétation et de sécheresse. Côté climat, nous suivons les signaux à plus long terme grâce à des jeux de données de réanalyse et des indices climatiques à grande échelle comme ENSO, NAO, PDO, etc.

L'étape cruciale n'est pas la prévision, mais la traduction de son impact. Les variables météorologiques brutes sont mises en relation avec les mécanismes de production, de logistique ou de demande qui influencent un produit donné. Ces relations sont formalisées par un cadre probabiliste basé sur des règles, utilisant souvent des simulations de Monte-Carlo pour appréhender l'incertitude.

Le résultat n'est pas une prévision météorologique, mais un signal structuré : des scénarios pondérés par la probabilité, une asymétrie des risques et des estimations d'impact décalées dans le temps. C'est ce qui permet d'utiliser ces signaux pour des décisions de trading ou pour la gestion des risques, selon l'horizon temporel.

Votre modèle est opérationnel depuis plusieurs années et affiche d'excellentes performances ; comment s'est-il comporté lors de perturbations météorologiques majeures, et que ces périodes ont-elles révélé sur les réactions du marché aux chocs climatiques ?

L'un des enseignements les plus importants tirés de l'exécution du modèle en temps réel est que les marchés ne réagissent presque jamais instantanément aux chocs climatiques et très rarement de manière linéaire.

Un bon exemple récent est celui du gaz naturel. Fin octobre, notre modèle a commencé à signaler une probabilité élevée et croissante de perturbation liée au vortex polaire. À ce moment-là, les conditions météorologiques locales semblaient encore relativement clémentes, les stocks étaient satisfaisants et le marché restait neutre. Les prix ont à peine réagi. 

L'élément important était que le modèle ne produisait pas un signal binaire. Il affichait une courbe de probabilité croissante tout au long du mois de novembre et jusqu'en décembre, à mesure que les conditions atmosphériques devenaient plus instables. Ce n'est que plus tard, lorsque les scénarios de refroidissement ont commencé à apparaître de manière constante dans les prévisions publiques et les médias, que le gaz naturel a amorcé une forte hausse.

Cet épisode a clairement démontré quelque chose que nous constatons sans cesse :

• Il y a d'abord le stress atmosphérique physique,
• puis accumulation de probabilités,
• puis la diffusion de l'information,
• et ce n'est qu'à la fin que l'on constate un ajustement de prix.

Comment les négociants et investisseurs en matières premières utilisent-ils actuellement les données climatiques et météorologiques dans leurs stratégies de gestion des risques, et selon vous, où la plupart des acteurs échouent-ils encore ?

La plupart des participants utilisent encore les données météorologiques de manière largement discrétionnaire. Ils suivent les prévisions, consultent les analyses d'experts et ajustent leurs positions en fonction de la gravité perçue des événements. En matière de gestion des risques, les données climatiques sont souvent utilisées a posteriori.

Leur principal défaut réside dans la formalisation. Les signaux météorologiques sont souvent subjectifs, pondérés de manière incohérente et mal intégrés à la structure du marché. Un autre problème fréquent est la surréaction face à des anomalies visuellement spectaculaires mais économiquement sans incidence, ou la sous-réaction face à des processus lents qui ont pourtant un impact bien plus important sur l'offre.

La principale lacune réside dans l'absence de corrélation claire entre les conditions météorologiques, l'impact sur la production et la réaction des prix.

Quels indicateurs climatiques ou météorologiques spécifiques pensez-vous être les plus importants pour les marchés des matières premières jusqu'en 2026, notamment pour l'agriculture et l'énergie ?

En agriculture, les indicateurs persistants du bilan hydrique — développement de la sécheresse, humidité du sol et santé de la végétation — seront bien plus importants que les événements météorologiques ponctuels. Les températures extrêmes durant les phases de croissance critiques demeureront également un facteur déterminant.

En matière d'énergie, l'accent sera mis sur les anomalies de température liées à la demande, notamment la volatilité hivernale des besoins de chauffage et les contraintes thermiques estivales sur les réseaux électriques. Sur le plan climatique, les oscillations à grande échelle telles qu'ENSO continueront d'influencer les déséquilibres régionaux entre l'offre et la demande.

En quoi votre approche diffère-t-elle des modèles de prévision des matières premières plus traditionnels ou des analyses météorologiques standard utilisées sur les marchés ?

La principale différence réside dans le fait que nous ne cherchons pas à prévoir directement les prix ou la météo, et nous n'utilisons pas non plus de prévisions météorologiques classiques. Notre équipe se concentre sur la modélisation quantitative de l'impact de la météo et du climat sur les prix.

Les modèles traditionnels extrapolent souvent les prix de manière statistique ou considèrent la météo comme une variable explicative externe peu structurée. L'analyse météorologique standard, quant à elle, tend à être descriptive plutôt qu'axée sur le marché. Notre approche formalise la chaîne causale entre les conditions environnementales et leur impact sur le marché, en modélisant explicitement l'incertitude, le calendrier et la pertinence.

Quels sont les principaux défis auxquels les investisseurs sont confrontés lorsqu'ils tentent d'intégrer les données climatiques dans la prise de décision concrète, et comment peuvent-ils éviter les pièges courants ?

Le principal défi consiste à distinguer le signal du bruit. Les données climatiques sont multidimensionnelles, évoluent lentement et sont souvent chargées d'émotion par les récits médiatiques.

Les pièges courants incluent le surapprentissage des corrélations historiques, la négligence des décalages temporels et la présomption que davantage de données conduisent automatiquement à de meilleures décisions. Une autre erreur consiste à considérer les tendances climatiques comme déterministes plutôt que probabilistes.

En réalité, la plupart de ces problèmes proviennent d'un manque de compréhension. Intégrer les données climatiques dans les opérations de trading ou la gestion des risques n'est pas chose aisée. Cela exige un temps considérable pour comprendre les mécanismes physiques, les spécificités régionales, les limites des données et, surtout, la manière dont les marchés traitent réellement cette information. Sans ces bases solides, les données climatiques ont tendance à engendrer un faux sentiment de confiance plutôt qu'à permettre de prendre de meilleures décisions.

L'embauche de météorologues peut certes contribuer à combler le manque d'expertise météorologique, mais elle ne résout pas le problème de fond : la traduction des signaux météorologiques et climatiques en impacts mesurables sur le marché et en dynamiques de prix. Dès lors, deux solutions viables se présentent : soit collaborer avec des équipes possédant déjà cette expertise et capables de fournir des analyses exploitables, soit investir dans la création d'un service interne dédié à la météorologie et au climat, alliant connaissance du marché et sciences environnementales.

Comment prévoyez-vous que les tendances climatiques à long terme remodèlent structurellement les marchés mondiaux des matières premières au cours des prochaines années ?

On observe déjà une volatilité accrue plutôt que des changements de tendance réguliers. Le changement climatique ne se contente pas de modifier les moyennes, il augmente la fréquence et la concentration des événements extrêmes.

Sur le plan structurel, cela se traduit par une incertitude accrue quant à l'approvisionnement, des primes de risque plus élevées et une plus grande importance accordée à la flexibilité en matière de logistique et de gestion des stocks. Certaines régions deviendront des fournisseurs moins fiables, tandis que d'autres pourraient acquérir une importance stratégique.

À mesure que le risque climatique devient plus central dans les cadres institutionnels, comment voyez-vous les modèles intégrant les données climatiques influencer la construction de portefeuille, la divulgation ou le reporting des risques ?

Les modèles intégrant les données climatiques évolueront progressivement d'une approche qualitative vers une approche quantitative intégrant les risques. Dans la construction de portefeuille, ils permettront d'orienter la taille des positions, l'exposition aux risques extrêmes et les hypothèses de diversification. En matière de communication et de reporting, ils offriront une méthode plus argumentée et fondée sur des scénarios pour aborder l'exposition au changement climatique, sans se limiter à de simples descriptions.

À terme, je m'attends à ce que le risque climatique soit traité sur les marchés des matières premières de la même manière que le risque macroéconomique ou le risque de volatilité : non pas comme une catégorie ESG distincte, mais comme une composante essentielle du risque de marché.

Pourriez-vous partager un exemple où les informations issues de votre modèle ont permis d'anticiper une variation importante du prix des matières premières avant qu'elle ne devienne évidente pour le marché en général ?

Comme je l'ai mentionné précédemment, le gaz naturel est un exemple clair de la pertinence du modèle.

Nous observons également des exemples encore plus clairs applicables aux marchés agricoles.

Par exemple, en 2023, dans la production de jus d'orange au Brésil, les indices d'humidité et de végétation obtenus par satellite ont révélé un stress hydrique persistant plusieurs mois avant qu'il ne soit pris en compte dans les estimations officielles de rendement ou les analyses de marché. Les prix sont d'abord restés stables, car les dégâts n'étaient pas encore visibles. Une fois les prévisions de production révisées et l'information relayée par les médias, les prix se sont ajustés rapidement, mais à ce moment-là, le risque sous-jacent s'était déjà installé depuis des semaines.

Un autre exemple est la production de café Robusta au Vietnam en 2023-2024. Durant cette période, une sécheresse prolongée et des vagues de chaleur ont progressivement réduit le potentiel de production, alors que le marché considérait initialement la situation comme temporaire. Le modèle a rapidement mis en évidence le caractère cumulatif de ce stress. Lorsque les pertes de production sont devenues incontestables, les prix ont fortement fluctué.

Un phénomène similaire s'est produit sur les marchés du cacao en Afrique de l'Ouest en novembre 2023, lorsque des vents d'harmattan exceptionnellement persistants ont engendré un déficit hydrique et des problèmes de pollinisation. Les tensions physiques étaient déjà perceptibles bien avant la réaction du marché, qui n'a fait que s'accentuer une fois les inquiétudes concernant l'approvisionnement devenues un sujet de préoccupation majeur.

Dans tous ces cas, l'enseignement principal reste le même : le modèle permet d'identifier les tensions physiques lentes et cumulatives qui modifient l'asymétrie des risques bien avant que le marché ne réagisse. C'est pourquoi le timing et l'évaluation probabiliste sont bien plus importants que de réagir aux gros titres ou à des événements météorologiques isolés.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus devraient visiter L'esprit de l'argent.