Edward Nikulin, expert en modèles météorologiques chez Mind Money – Série d’interviews

Edward Nikulin, expert en modèles météorologiques et responsable de la division trading chez le courtier européen Mind Money, est un chercheur quantitatif et data scientist chevronné avec plus de huit ans d’expérience en modélisation de marché, trading systématique et analyses pilotées par l’IA. Il est l’auteur du modèle météorologique utilisé pour les stratégies de trading propriétaires de Mind Money.

Mind Money est une plateforme européenne d’investissement et de courtage basée à Limassol, Chypre, offrant un accès aux actions, obligations, ETF mondiaux ainsi qu’à des opportunités d’IPO et de pré-IPO sélectionnées. Fonctionnant sous la réglementation CySEC et la conformité MiFID II, elle se concentre sur une tarification transparente, des options d’investissement diversifiées et une gestion de portefeuille professionnelle pour les clients recherchant une exposition aux marchés financiers internationaux.

Edward Nikulin partage son savoir‑faire et son expertise dans l’application de la modélisation climatique et météorologique à l’analyse des marchés de matières premières. Son parcours, du trader au spécialiste des modèles météorologiques, a façonné une perspective distinctive sur l’intersection des données financières et environnementales. Dans cet article, il explique comment son modèle météo‑matière première fonctionne en pratique : quels types de variables climatiques et météorologiques sont intégrés — des variations saisonnières de température aux schémas de précipitations et aux événements extrêmes — et comment ces données sont transformées en signaux de trading et de risque exploitables. En combinant intuition de marché et modélisation scientifique, Edward offre aux lecteurs une rare perspective sur la manière dont l’intelligence météorologique peut devenir un facteur décisif dans les stratégies de matières premières aujourd’hui.

Pouvez‑vous nous décrire votre parcours, du trader à l’expert en modèles climatiques et météorologiques, et comment ce bagage façonne votre analyse des marchés de matières premières aujourd’hui ?

Mon parcours est dans le trading quantitatif et la data science. Pendant de nombreuses années, j’ai travaillé sur des stratégies systématiques de matières premières et de dérivés, ce qui m’a toujours fait penser en termes de signaux de trading et de risque. Ensuite, une start‑up spécialisée dans l’optimisation de la logistique maritime m’a invité à diriger une branche IA liée à la météo et au climat. Cela m’a mis en contact quotidien très étroit avec des hydrométéorologues, des écologistes et des spécialistes du domaine qui pensent très différemment des traders.

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

Aujourd’hui, je travaille à l’intersection de ces deux mondes. Je n’aborde pas la météo comme un problème de prévision (en réalité, il y a peu de sens à essayer de surpasser les modèles NOAA et ECMWF), et je ne considère pas les marchés comme du simple bruit statistique. Mon expérience en trading oblige chaque signal climatique à répondre à des questions très pratiques : quand, par quel mécanisme et avec quelle probabilité cette information affecte réellement le prix. Cette combinaison façonne fortement ma façon d’analyser les marchés de matières premières aujourd’hui.

Comment votre modèle météo‑matière première fonctionne-t-il en pratique — quels types de données climatiques et météorologiques intégrez‑vous, et comment ces variables sont‑elles transformées en signaux de trading ou de risque exploitables ?

Concrètement, le modèle intègre plusieurs couches de données plutôt que de se fier à une source unique.

Du côté météo, nous utilisons des données en temps réel et à court terme provenant de modèles de prévision numérique, des données d stations météorologiques hyper‑locales proches des zones de production, ainsi que des indicateurs dérivés de satellites tels que les indices de végétation et de sécheresse. Du côté climat, nous suivons des signaux à plus long terme via des jeux de données de réanalyse et des indices climatiques à grande échelle comme ENSO, NAO, PDO et d’autres.

L’étape réellement clé n’est pas la prédiction, mais la traduction de l’impact. Les variables météorologiques brutes sont associées à des mécanismes de production, de logistique ou de demande pertinents pour une matière première spécifique. Ces relations sont formalisées via un cadre basé sur des règles et probabiliste, utilisant souvent des simulations Monte Carlo pour saisir l’incertitude.

Le résultat n’est pas une prévision météo, mais un signal structuré : scénarios pondérés par la probabilité, asymétrie de risque et estimations d’impact décalées dans le temps. C’est ce qui permet d’utiliser les signaux soit pour des décisions de trading, soit pour le contrôle du risque, selon l’horizon.

Votre modèle est en production depuis plusieurs années avec de solides 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’exploitation du modèle en temps réel est que les marchés réagissent presque jamais instantanément aux chocs météorologiques et très rarement de manière linéaire.

Un bon exemple récent est le gaz naturel. Fin octobre, notre modèle a commencé à signaler une probabilité élevée et croissante d’une perturbation du vortex polaire. À ce moment‑là, la météo au comptant semblait encore relativement bénigne, les stocks étaient confortables et le récit du marché était neutre. Les prix ont à peine réagi.

L’élément important était que le modèle n’a pas produit un signal binaire. Il a affiché une courbe de probabilité qui a continué à augmenter tout au long de novembre et jusqu’en décembre, à mesure que les schémas atmosphériques devenaient plus instables. Ce n’est que plus tard, lorsque les scénarios plus froids ont commencé à apparaître de façon constante dans les prévisions publiques et les récits médiatiques, que le gaz naturel a entamé une forte tendance haussière.

Cet épisode a clairement démontré quelque chose que nous observons à maintes reprises :

• d’abord vient le stress atmosphérique physique,
• puis l’accumulation de probabilité,
• puis la diffusion de l’information,
• et seulement à la fin, nous voyons l’ajustement des prix.

Comment les traders et investisseurs en matières premières utilisent‑ils actuellement les données climatiques et météorologiques dans leurs stratégies de gestion du risque, et où pensez‑vous que la plupart des participants échouent encore ?

La plupart des participants utilisent encore les données météo de manière largement discrétionnaire. Ils suivent les prévisions, lisent les commentaires d’experts et ajustent leurs positions en fonction de la gravité perçue des événements. En gestion du risque, les données climatiques sont souvent utilisées de façon rétrospective.

Leur faiblesse réside dans la formalisation. Les signaux météo sont souvent subjectifs, pondérés de manière incohérente et mal intégrés à la structure du marché. Un autre problème fréquent est la sur‑réaction à des anomalies visuellement spectaculaires mais économiquement sans importance, ou la sous‑réaction aux processus lents qui ont beaucoup plus d’impact sur l’offre.

Le principal écart est l’absence d’une cartographie claire entre la météo, l’impact sur la production et la réponse des prix.

Quels indicateurs climatiques ou météorologiques spécifiques pensez‑vous seront les plus importants pour les marchés de matières premières d’ici 2026, en particulier pour l’agriculture et l’énergie ?

Pour l’agriculture, les indicateurs persistants d’équilibre hydrique — développement de la sécheresse, humidité du sol et santé de la végétation — seront bien plus déterminants que les événements météo isolés. Les extrêmes de température pendant les phases de croissance sensibles resteront également cruciaux.

Pour l’énergie, l’accent sera mis sur les anomalies de température côté demande, notamment la volatilité hivernale pour la demande de chauffage et le stress thermique estival sur les systèmes électriques. Du côté climat, les oscillations à grande échelle comme ENSO continueront d’influencer les déséquilibres régionaux d’offre‑demande.

En quoi votre approche diffère‑t‑elle des modèles de prévision de matières premières plus traditionnels ou de l’analyse météo standard utilisée sur les marchés ?

La principale différence est que nous n’essayons pas de prévoir directement les prix ou la météo, et nous ne prenons pas non plus les prévisions météo 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 façon statistique ou traitent la météo comme une variable explicative externe avec une structure faible. L’analyse météo standard, en revanche, tend à être descriptive plutôt que consciente du marché. Notre approche formalise la chaîne causale entre les conditions environnementales et l’impact sur le marché, en modélisant explicitement l’incertitude, le timing et la pertinence.

Quels sont les plus grands 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 est de séparer le signal du bruit. Les données climatiques sont de haute dimension, évoluent lentement et sont souvent chargées émotionnellement par les récits médiatiques.

Les pièges courants incluent le sur‑ajustement aux corrélations historiques, l’ignorance des délais temporels, et l’hypothèse que davantage de données conduit automatiquement à de meilleures décisions. Une autre erreur consiste à traiter 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 le trading ou la gestion du risque n’est pas si simple. Cela nécessite un temps considérable pour comprendre les mécanismes physiques, les spécificités régionales, les limites des données et, surtout, la façon dont les marchés digèrent réellement ces informations. Sans cette base, les données climatiques ont tendance à créer une confiance illusoire plutôt que de meilleures décisions.

Simplement embaucher des météorologues peut aider à combler le manque d’expertise météo, mais cela ne résout pas le problème fondamental : traduire les signaux météo et climatiques en impacts mesurables sur le marché et en dynamiques de prix. À ce stade, il n’existe réellement que deux voies viables. Soit collaborer avec des équipes qui ont déjà développé cette capacité et peuvent fournir des insights exploitables, soit investir dans la création d’un desk dédié à la météo et au climat en interne, combinant expertise du marché et sciences environnementales.

Comment prévoyez‑vous que les tendances climatiques à long terme restructureront les marchés mondiaux de matières premières au cours des prochaines années ?

Nous observons déjà une volatilité accrue plutôt que des déplacements de tendance lisses. Le changement climatique ne se contente pas de déplacer les moyennes, il augmente la fréquence et le regroupement des extrêmes.

Structurellement, cela signifie une incertitude accrue de l’offre, des primes de risque plus élevées et une importance accrue de la flexibilité dans la logistique et la gestion des stocks. Certaines régions deviendront des fournisseurs moins fiables, tandis que d’autres pourraient gagner en importance stratégique.

Alors que le risque climatique devient plus central dans les cadres institutionnels, comment voyez‑vous les modèles informés par le climat influencer la construction de portefeuille, la divulgation ou le reporting du risque ?

Les modèles informés par le climat passeront progressivement d’ajouts qualitatifs à des entrées de risque quantitatives. Dans la construction de portefeuille, ils peuvent orienter la taille des positions, l’exposition au risque de queue et les hypothèses de diversification. Dans la divulgation et le reporting, ils offrent une méthode plus défendable, basée sur des scénarios, pour discuter de l’exposition climatique sans se reposer sur de simples récits.

Avec le temps, je m’attends à ce que le risque climatique soit traité sur les marchés de matières premières de la même manière que le risque macro ou de volatilité : non pas comme une catégorie ESG distincte, mais comme une composante centrale du risque de marché.

Pouvez‑vous partager un exemple où les insights de votre modèle ont permis d’anticiper un mouvement de prix significatif d’une matière première avant qu’il ne devienne évident pour le marché plus large ?

Comme je l’ai mentionné précédemment, le gaz naturel est un exemple clair de l’insight du modèle.

De plus, nous observons des exemples encore plus clairs applicables aux marchés agricoles.

Par exemple, dans la production de jus d’orange brésilien en 2023, les indices d’humidité et de végétation dérivés de satellites ont révélé un stress de sécheresse persistant plusieurs mois avant qu’il ne se reflète dans les estimations officielles de rendement ou les commentaires du marché. Les prix sont restés initialement stables car les dommages n’étaient pas encore observables. Une fois les prévisions de production révisées et les gros titres publiés, les prix se sont ajustés rapidement, mais à ce moment‑là, le risque sous‑jacent s’était déjà accumulé pendant des semaines.

Un autre exemple est la production de café Robusta au Vietnam en 2023‑2024. Dans ce cas, une sécheresse prolongée et un stress thermique ont progressivement réduit le potentiel de production, tandis que le marché a d’abord considéré la situation comme temporaire. Le modèle a capturé tôt la nature cumulative du stress. Lorsque les pertes de production sont devenues indéniables, les prix ont fortement réagi.

Un schéma similaire s’est produit sur les marchés du cacao en Afrique de l’Ouest en novembre 2023, lorsque des vents Harmattan exceptionnellement persistants ont créé des déficits d’humidité et des problèmes de pollinisation. Le stress physique était évident bien avant la réaction du marché, qui ne s’est accélérée qu’une fois les préoccupations d’approvisionnement entrées dans les récits grand public.

Dans tous ces cas, l’insight clé est le même : le modèle aide à identifier un stress physique lent et accumulé qui modifie l’asymétrie du risque bien avant que le marché ne réagisse. C’est pourquoi le timing et l’évaluation probabiliste comptent bien plus que la réaction aux gros titres ou aux événements météo isolés.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus devraient visiter Mind Money.