Edward Nikulin, Pakar Model Cuaca di Mind Money – Seri Wawancara

Edward Nikulin, pakar model cuaca dan kepala divisi perdagangan di broker Eropa Mind Money, adalah peneliti kuantitatif dan ilmuwan data yang mahir dengan lebih dari delapan tahun pengalaman dalam pemodelan pasar, perdagangan sistematis, dan analitik berbasis AI. Ia adalah penulis model cuaca yang digunakan untuk strategi perdagangan kepemilikan Mind Money.

Mind Money adalah platform investasi dan pialang Eropa yang berbasis di Limassol, Siprus, menawarkan akses ke saham global, obligasi, ETF, dan peluang IPO serta pra‑IPO terpilih. Beroperasi di bawah regulasi CySEC dan kepatuhan MiFID II, platform ini fokus pada harga yang transparan, opsi investasi yang beragam, dan manajemen portofolio profesional bagi klien yang mencari eksposur ke pasar keuangan internasional.

Edward Nikulin berbagi pengetahuan dan keahliannya dalam menerapkan pemodelan iklim dan cuaca untuk analisis pasar komoditas. Perjalanannya dari trader menjadi spesialis model cuaca telah membentuk perspektif yang khas tentang bagaimana data keuangan dan lingkungan berinteraksi. Dalam artikel ini, ia menjelaskan bagaimana model cuaca‑komoditasnya bekerja secara praktis: jenis variabel iklim dan cuaca apa yang dimasukkan — mulai dari perubahan suhu musiman hingga pola curah hujan dan peristiwa ekstrem — serta bagaimana input tersebut diubah menjadi sinyal perdagangan dan risiko yang dapat ditindaklanjuti. Dengan menggabungkan intuisi pasar dengan pemodelan ilmiah, Edward menawarkan pembaca wawasan langka tentang bagaimana intelijen cuaca dapat menjadi faktor penentu dalam strategi komoditas saat ini.

Bisakah Anda menjelaskan perjalanan Anda dari menjadi trader hingga menjadi pakar model iklim dan cuaca, dan bagaimana latar belakang itu membentuk cara Anda menganalisis pasar komoditas saat ini?

Latar belakang saya adalah dalam perdagangan kuantitatif dan ilmu data. Selama bertahun‑tahun, saya bekerja pada strategi komoditas dan derivatif sistematis, sehingga saya selalu berpikir dalam hal sinyal perdagangan dan risiko. Kemudian, saya diundang oleh sebuah startup yang fokus pada optimalisasi logistik laut untuk memimpin arah AI yang terkait dengan cuaca dan iklim. Itu membuat saya berada dalam kontak harian yang sangat dekat dengan hidrometeorolog, ekolog, dan pakar domain yang berpikir sangat berbeda dari trader.

Pengalaman itu sangat penting: saya belajar bagaimana pakar cuaca menalar tentang proses fisik, ketidakpastian, dan penundaan waktu. Dan yang tidak kalah penting, saya belajar betapa berbeda model mental mereka dibandingkan yang digunakan di pasar.

Saat ini, saya bekerja di persimpangan kedua dunia tersebut. Saya tidak memperlakukan cuaca sebagai masalah peramalan (sebenarnya, tidak banyak gunanya mencoba mengalahkan model NOAA dan ECMWF), dan saya tidak memperlakukan pasar sebagai kebisingan statistik semata. Latar belakang perdagangan saya memaksa setiap sinyal iklim menjawab pertanyaan yang sangat praktis: kapan, melalui mekanisme apa, dan dengan probabilitas berapa informasi ini benar‑benar memengaruhi harga. Kombinasi itu sangat membentuk cara saya menganalisis pasar komoditas sekarang.

Bagaimana model cuaca‑komoditas Anda bekerja secara praktis — jenis data iklim dan cuaca apa yang Anda masukkan, dan bagaimana variabel‑variabel tersebut diubah menjadi sinyal perdagangan atau risiko yang dapat ditindaklanjuti?

Secara praktis, model ini mengintegrasikan beberapa lapisan data alih‑alih bergantung pada satu sumber.

Di sisi cuaca, kami mengambil data real‑time dan jangka pendek dari model prediksi cuaca numerik, data stasiun meteorologi hiper‑lokal di dekat zona produksi, dan indikator yang dihasilkan satelit seperti indeks vegetasi dan kekeringan. Di sisi iklim, kami melacak sinyal jangka panjang melalui dataset reanalisis dan indeks iklim skala besar seperti ENSO, NAO, PDO, dan lainnya.

Langkah kunci sebenarnya bukan prediksi, melainkan penerjemahan dampak. Variabel cuaca mentah dipetakan ke mekanisme produksi, logistik, atau sisi permintaan yang relevan untuk komoditas tertentu. Hubungan tersebut diformalkan melalui kerangka kerja berbasis aturan dan probabilistik, sering kali menggunakan simulasi Monte Carlo untuk menangkap ketidakpastian.

Outputnya bukan perkiraan cuaca, melainkan sinyal terstruktur: skenario berbobot probabilitas, asimetri risiko, dan perkiraan dampak yang bergeser waktu. Itulah yang memungkinkan sinyal tersebut digunakan baik untuk keputusan perdagangan maupun untuk kontrol risiko, tergantung pada horizon.

Model Anda telah berjalan selama beberapa tahun dengan kinerja kuat — bagaimana perilakunya selama gangguan cuaca besar, dan apa yang periode tersebut ungkapkan tentang reaksi pasar terhadap guncangan iklim?

Salah satu wawasan paling penting dari menjalankan model secara langsung adalah bahwa pasar hampir tidak pernah bereaksi terhadap guncangan cuaca secara instan dan sangat jarang bereaksi secara linier.

Contoh terbaru yang baik adalah Gas Alam. Pada akhir Oktober, model kami mulai menandai probabilitas tinggi dan meningkatnya gangguan vortex kutub. Pada saat itu, cuaca spot masih tampak relatif bersahabat, persediaan nyaman, dan narasi pasar netral. Harga hampir tidak bereaksi.

Bagian pentingnya adalah model tidak menghasilkan sinyal biner. Ia menunjukkan kurva probabilitas yang terus naik selama November dan masuk Desember, seiring pola atmosfer menjadi lebih tidak stabil. Hanya kemudian, ketika skenario lebih dingin mulai muncul secara konsisten dalam perkiraan publik dan narasi media, Gas Alam memasuki tren naik yang kuat.

Episode itu jelas menunjukkan sesuatu yang kami lihat berulang‑ulang:

• pertama datang stres atmosferik fisik,
• kemudian akumulasi probabilitas,
• kemudian difusi informasi,
• dan hanya pada akhir, kita melihat penyesuaian harga.

Bagaimana pedagang dan investor komoditas saat ini menggunakan data iklim dan cuaca dalam strategi manajemen risiko mereka, dan di mana Anda pikir kebanyakan peserta masih kurang?

Sebagian besar peserta masih menggunakan data cuaca secara sebagian besar bersifat diskresi. Mereka melacak perkiraan, membaca komentar ahli, dan menyesuaikan posisi berdasarkan persepsi keparahan peristiwa. Dalam manajemen risiko, data iklim sering digunakan secara retrospektif.

Kekurangan mereka terletak pada formalisasi. Sinyal cuaca sering bersifat subjektif, bobotnya tidak konsisten, dan terintegrasi buruk dengan struktur pasar. Masalah umum lainnya adalah terlalu bereaksi terhadap anomali yang tampak dramatis secara visual namun tidak relevan secara ekonomi, atau kurang bereaksi terhadap proses lambat yang jauh lebih penting bagi pasokan.

Kesenjangan terbesar adalah tidak adanya pemetaan yang jelas antara cuaca, dampak produksi, dan respons harga.

Indikator iklim atau cuaca spesifik mana yang Anda percaya akan menjadi paling penting bagi pasar komoditas hingga 2026, terutama untuk pertanian dan energi?

Untuk pertanian, indikator keseimbangan kelembaban yang persisten — perkembangan kekeringan, kelembaban tanah, dan kesehatan vegetasi — akan jauh lebih penting daripada peristiwa cuaca individu. Ekstrem suhu selama fase pertumbuhan sensitif juga akan tetap krusial.

Untuk energi, fokus akan pada anomali suhu sisi permintaan, terutama volatilitas musim dingin untuk permintaan pemanasan dan stres panas musim panas pada sistem listrik. Di sisi iklim, osilasi skala besar seperti ENSO akan terus memengaruhi ketidakseimbangan pasokan‑permintaan regional.

Dengan cara apa pendekatan Anda berbeda dari model perkiraan komoditas tradisional atau analisis berbasis cuaca standar yang digunakan di pasar?

Perbedaan utama adalah kami tidak berusaha meramalkan harga atau cuaca secara langsung, dan kami juga tidak mengambil perkiraan cuaca standar. Tim kami fokus pada pemodelan kuantitatif dampak cuaca dan iklim terhadap harga.

Model tradisional sering kali memperkirakan harga secara statistik atau memperlakukan cuaca sebagai variabel penjelas eksternal dengan struktur lemah. Analisis cuaca standar, di sisi lain, cenderung bersifat deskriptif daripada sadar pasar. Pendekatan kami memformalkan rantai kausal antara kondisi lingkungan dan dampak pasar, secara eksplisit memodelkan ketidakpastian, timing, dan relevansi.

Apa tantangan terbesar yang dihadapi investor ketika mencoba mengintegrasikan data iklim ke dalam pengambilan keputusan dunia nyata, dan bagaimana mereka dapat menghindari jebakan umum?

Tantangan terbesar adalah memisahkan sinyal dari kebisingan. Data iklim bersifat berdimensi tinggi, bergerak lambat, dan sering kali dipengaruhi secara emosional oleh narasi media.

Jebakan umum meliputi overfitting korelasi historis, mengabaikan penundaan waktu, dan mengasumsikan bahwa lebih banyak data otomatis menghasilkan keputusan yang lebih baik. Kesalahan lain adalah memperlakukan tren iklim sebagai deterministik alih‑alih probabilistik.

Pada kenyataannya, sebagian besar masalah ini berasal dari kurangnya pemahaman. Mengintegrasikan data iklim ke dalam perdagangan atau manajemen risiko tidaklah mudah. Hal ini memerlukan waktu yang signifikan untuk memahami mekanisme fisik, spesifikasi regional, keterbatasan data, dan, yang paling penting, bagaimana pasar benar‑benar mencerna informasi ini. Tanpa fondasi tersebut, data iklim cenderung menciptakan kepercayaan palsu alih‑alih keputusan yang lebih baik.

Sekadar merekrut meteorolog dapat membantu menutup kesenjangan keahlian cuaca, tetapi tidak menyelesaikan masalah inti: menerjemahkan sinyal cuaca dan iklim menjadi dampak pasar yang terukur dan dinamika harga. Pada titik itu, sebenarnya hanya ada dua jalur yang layak. Baik berkolaborasi dengan tim yang sudah membangun kemampuan ini dan dapat memberikan wawasan yang dapat ditindaklanjuti, atau berinvestasi dalam membangun desk cuaca dan iklim khusus di dalam perusahaan yang menggabungkan keahlian pasar dengan ilmu lingkungan.

Bagaimana Anda memperkirakan tren iklim jangka panjang akan secara struktural mengubah pasar komoditas global dalam beberapa tahun ke depan?

Kami sudah melihat peningkatan volatilitas daripada pergeseran tren yang mulus. Perubahan iklim tidak hanya menggeser rata‑rata, tetapi meningkatkan frekuensi dan pengelompokan ekstrem.

Secara struktural, ini berarti ketidakpastian pasokan yang meningkat, premi risiko yang lebih tinggi, dan penekanan lebih besar pada fleksibilitas dalam logistik dan manajemen persediaan. Beberapa wilayah akan menjadi pemasok yang kurang dapat diandalkan, sementara yang lain mungkin memperoleh kepentingan strategis.

Seiring risiko iklim menjadi lebih sentral dalam kerangka institusional, bagaimana Anda melihat model berbasis iklim memengaruhi konstruksi portofolio, pengungkapan, atau pelaporan risiko?

Model berbasis iklim secara bertahap akan beralih dari lapisan kualitatif ke input risiko kuantitatif. Dalam konstruksi portofolio, model ini dapat memberi informasi tentang ukuran posisi, eksposur risiko ekor, dan asumsi diversifikasi. Dalam pengungkapan dan pelaporan, model ini menyediakan cara berbasis skenario yang lebih dapat dipertahankan untuk membahas eksposur iklim tanpa bergantung pada narasi sederhana.

Seiring waktu, saya memperkirakan risiko iklim akan diperlakukan di pasar komoditas serupa dengan risiko makro atau volatilitas: bukan sebagai kategori ESG terpisah, melainkan sebagai komponen inti risiko pasar.

Bisakah Anda berbagi contoh di mana wawasan dari model Anda membantu memperkirakan pergerakan harga komoditas signifikan sebelum menjadi jelas bagi pasar yang lebih luas?

Seperti yang saya sebutkan sebelumnya, gas alam adalah contoh jelas dari wawasan model.

Selain itu, kami melihat contoh yang bahkan lebih jelas yang berlaku untuk pasar pertanian.

Misalnya, dalam produksi jus jeruk Brazil pada 2023, indeks kelembaban dan vegetasi berbasis satelit mengungkapkan stres kekeringan yang persisten berbulan‑bulan sebelum tercermin dalam perkiraan hasil resmi atau komentar pasar. Harga awalnya tetap datar karena kerusakan belum terlihat. Setelah perkiraan produksi direvisi dan berita mengikuti, harga menyesuaikan dengan cepat, tetapi pada saat itu, risiko mendasar sudah terbentuk selama beberapa minggu.

Contoh lain adalah produksi kopi Robusta di Vietnam pada 2023‑2024. Dalam episode itu, kekeringan berkepanjangan dan stres panas secara bertahap mengurangi potensi produksi, sementara pasar pada awalnya memperlakukan situasi tersebut sebagai sementara. Model menangkap sifat kumulatif stres tersebut sejak dini. Ketika kerugian produksi menjadi tak terbantahkan, harga bergerak tajam.

Polanya serupa terjadi di pasar kakao di Afrika Barat pada November 2023, ketika angin Harmattan yang tidak biasa persisten menciptakan defisit kelembaban dan masalah penyerbukan. Stres fisik terlihat jauh sebelum reaksi pasar, yang hanya mempercepat setelah kekhawatiran pasokan masuk ke narasi utama.

Di semua kasus ini, wawasan kunci tetap sama: model membantu mengidentifikasi stres fisik yang lambat dan terakumulasi yang menggeser asimetri risiko jauh sebelum pasar merespons. Inilah mengapa penentuan waktu dan penilaian probabilistik jauh lebih penting daripada bereaksi terhadap tajuk berita atau peristiwa cuaca terisolasi.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut sebaiknya mengunjungi Mind Money.