Edward Nikulin, esperto di modelli meteorologici presso Mind Money – Serie di interviste

Edward Nikulin, esperto di modelli meteorologici e capo della divisione trading presso il broker europeo Mind Money, è un abile ricercatore quantitativo e scienziato dei dati con più di otto anni di esperienza nella modellazione di mercato, nel trading sistematico e nell’analisi basata sull’intelligenza artificiale. È l’autore del modello meteorologico utilizzato per le strategie di trading proprietarie di Mind Money.

Mind Money è una piattaforma europea di investimento e intermediazione con sede a Limassol, Cipro, che offre accesso ad azioni globali, obbligazioni, ETF e opportunità IPO e pre-IPO selezionate. Operando secondo la regolamentazione CySEC e la conformità MiFID II, si concentra su prezzi trasparenti, opzioni di investimento diversificate e gestione professionale del portafoglio per i clienti che cercano esposizione ai mercati finanziari internazionali.

Edward Nikulin condivide il suo know-how e la sua esperienza nell’applicazione della modellistica climatica e meteorologica all’analisi dei mercati delle materie prime. Il suo percorso da trader a specialista di modelli meteorologici ha plasmato una prospettiva distintiva su come i dati finanziari e ambientali si intersecano. In questo articolo, spiega come funziona nella pratica il suo modello meteorologico-commodity: quali tipi di variabili climatiche e meteorologiche sono incorporati – dai cambiamenti stagionali della temperatura ai modelli di precipitazione e agli eventi estremi – e come tali input vengono convertiti in segnali di trading e di rischio attuabili. Combinando l’intuizione del mercato con la modellizzazione scientifica, Edward offre ai lettori una rara visione di come l’intelligenza meteorologica possa diventare un fattore decisivo nelle strategie delle materie prime oggi.

Puoi raccontarci il tuo viaggio dall’essere un trader al diventare un esperto di clima e modelli meteorologici, e come questo background modella il modo in cui analizzi i mercati delle materie prime oggi?

Il mio background è nel trading quantitativo e nella scienza dei dati. Per molti anni ho lavorato su strategie sistematiche su materie prime e derivati, quindi ho sempre pensato in termini di segnali di trading e rischio. Successivamente, sono stato invitato da una startup focalizzata sull’ottimizzazione della logistica marina a guidare una direzione dell’intelligenza artificiale relativa al tempo e al clima. Ciò mi ha messo in stretto contatto quotidiano con idrometeorologi, ecologisti e specialisti del settore che la pensano in modo molto diverso dai commercianti.

Quell’esperienza è stata fondamentale: ho imparato come gli esperti meteorologici ragionano sui processi fisici, sull’incertezza e sui ritardi temporali. E, cosa altrettanto importante, ho imparato quanto siano diversi i loro modelli mentali da quelli utilizzati nei mercati.

Oggi lavoro all’intersezione di questi due mondi. Non considero il meteo come un problema di previsione (in realtà, non ha molto senso cercare di battere i modelli NOAA ed ECMWF), e non considero i mercati come un puro rumore statistico. Il mio background nel trading costringe ogni segnale climatico a rispondere a domande molto pratiche: quando, attraverso quale meccanismo e con quale probabilità queste informazioni influenzano effettivamente il prezzo. Questa combinazione modella fortemente il modo in cui analizzo oggi i mercati delle materie prime.

Come funziona nella pratica il vostro modello meteo-commodity: quali tipi di dati climatici e meteorologici incorporate e come vengono convertite tali variabili in segnali di trading o di rischio utilizzabili?

In pratica, il modello integra diversi livelli di dati anziché fare affidamento su un’unica fonte.

Dal punto di vista meteorologico, prendiamo dati in tempo reale e a breve termine da modelli numerici di previsione meteorologica, dati di stazioni meteorologiche iperlocali vicino a zone di produzione e indicatori derivati ​​​​da satellite come indici di vegetazione e siccità. Dal punto di vista climatico, tracciamo segnali a orizzonte più lungo attraverso set di dati di rianalisi e indici climatici su larga scala come ENSO, NAO, PDO e altri.

Il vero passo chiave non è la previsione, ma la traduzione dell’impatto. Le variabili meteorologiche grezze sono mappate sulla produzione, sulla logistica o sui meccanismi sul lato della domanda che contano per una merce specifica. Tali relazioni sono formalizzate attraverso un quadro basato su regole e probabilistico, spesso utilizzando simulazioni Monte Carlo per catturare l’incertezza.

Il risultato non è una previsione meteorologica, ma un segnale strutturato: scenari ponderati in base alla probabilità, asimmetria del rischio e stime di impatto spostate nel tempo. Questo è ciò che consente di utilizzare i segnali per decisioni di trading o per il controllo del rischio, a seconda dell’orizzonte.

Il tuo modello è attivo da diversi anni con ottime prestazioni: come si è comportato durante le principali perturbazioni meteorologiche e cosa hanno rivelato quei periodi sulle reazioni del mercato agli shock climatici?

Una delle informazioni più importanti derivanti dall’utilizzo del modello dal vivo è che i mercati non reagiscono quasi mai istantaneamente agli shock meteorologici e molto raramente reagiscono in modo lineare.

Un buon esempio recente è il gas naturale. Alla fine di ottobre, il nostro modello ha iniziato a segnalare un’elevata e crescente probabilità di un’interruzione del vortice polare. A quel punto, il clima spot sembrava ancora relativamente favorevole, le scorte erano confortevoli e la narrazione del mercato era neutrale. I prezzi hanno reagito a malapena. 

La parte importante era che il modello non produceva un segnale binario. Ha mostrato una curva di probabilità che ha continuato a salire per tutto novembre e dicembre, quando i modelli atmosferici sono diventati più instabili. Solo più tardi, quando scenari più freddi hanno iniziato ad apparire costantemente nelle previsioni pubbliche e nei resoconti dei media, il gas naturale è entrato in un forte trend rialzista.

Quell’episodio ha dimostrato chiaramente qualcosa che osserviamo ripetutamente:

• prima arriva lo stress atmosferico fisico,
• poi l’accumulo di probabilità,
• poi la diffusione dell’informazione,
• e solo alla fine, vediamo l’aggiustamento dei prezzi.

In che modo i trader e gli investitori in materie prime utilizzano attualmente i dati climatici e meteorologici nelle loro strategie di gestione del rischio, e dove ritiene che la maggior parte degli operatori sia ancora carente?

La maggior parte dei partecipanti utilizza ancora i dati meteorologici in modo ampiamente discrezionale. Tengono traccia delle previsioni, leggono i commenti degli esperti e adeguano le posizioni in base alla gravità percepita degli eventi. Nella gestione del rischio, i dati climatici vengono spesso utilizzati in modo retrospettivo.

Il punto in cui non riescono è la formalizzazione. I segnali meteorologici sono spesso soggettivi, ponderati in modo incoerente e scarsamente integrati con la struttura del mercato. Un altro problema comune è la reazione eccessiva ad anomalie visivamente drammatiche ma economicamente irrilevanti, o la reazione insufficiente a processi lenti che contano molto di più per l’offerta.

Il divario più grande è l’assenza di una chiara mappatura tra condizioni meteorologiche, impatto sulla produzione e risposta dei prezzi.

Quali specifici indicatori climatici o meteorologici ritiene saranno più importanti per i mercati delle materie prime fino al 2026, in particolare per l’agricoltura e l’energia?

Per l’agricoltura, gli indicatori persistenti del bilancio idrico – sviluppo di siccità, umidità del suolo e salute della vegetazione – conteranno molto più dei singoli eventi meteorologici. Anche le temperature estreme durante le fasi sensibili della crescita rimarranno critiche.

Per l’energia, l’attenzione si concentrerà sulle anomalie della temperatura dal lato della domanda, in particolare sulla volatilità invernale della domanda di riscaldamento e sullo stress da caldo estivo sui sistemi energetici. Dal punto di vista climatico, oscillazioni su larga scala come ENSO continueranno a influenzare gli squilibri regionali tra domanda e offerta.

In che modo il suo approccio differisce dai modelli più tradizionali di previsione delle materie prime o dalle normali analisi meteorologiche utilizzate nei mercati?

La differenza principale è che non cerchiamo di prevedere direttamente i prezzi o il meteo, e non prendiamo nemmeno in considerazione previsioni meteorologiche standard. Il nostro team si concentra sulla modellizzazione quantitativa dell’impatto meteorologico e climatico sui prezzi.

I modelli tradizionali spesso estrapolano i prezzi statisticamente o trattano il clima come una variabile esplicativa esterna con una struttura debole. L’analisi meteorologica standard, d’altro canto, tende ad essere descrittiva piuttosto che orientata al mercato. Il nostro approccio formalizza la catena causale tra condizioni ambientali e impatto sul mercato, modellando esplicitamente incertezza, tempistica e rilevanza.

Quali sono le maggiori difficoltà che gli investitori incontrano quando cercano di integrare i dati climatici nelle decisioni concrete, e come possono evitare gli errori più comuni?

La sfida più grande è separare il segnale dal rumore. I dati climatici sono ad alta dimensione, si muovono lentamente e spesso sono caricati emotivamente dalle narrazioni dei media.

Le trappole più comuni includono l’adattamento eccessivo delle correlazioni storiche, l’ignorare i ritardi temporali e il presupposto che più dati portino automaticamente a decisioni migliori. Un altro errore è considerare le tendenze climatiche come deterministiche piuttosto che probabilistiche.

In realtà, la maggior parte di questi problemi derivano da una mancanza di comprensione. Integrare i dati climatici nel trading o nella gestione del rischio non è così semplice. È necessaria una notevole quantità di tempo per comprendere i meccanismi fisici, le specificità regionali, i limiti dei dati e, soprattutto, il modo in cui i mercati effettivamente digeriscono queste informazioni. Senza questo fondamento, i dati climatici tendono a creare falsa fiducia piuttosto che decisioni migliori.

La semplice assunzione di meteorologi può aiutare a colmare il divario nelle competenze meteorologiche, ma non risolve il problema principale: tradurre i segnali meteorologici e climatici in un impatto misurabile sul mercato e in dinamiche di prezzo. A quel punto, ci sono davvero solo due strade percorribili. Collabora con team che hanno già sviluppato questa capacità e possono fornire informazioni fruibili, oppure investi nella creazione interna di un desk dedicato al meteo e al clima che combini le competenze di mercato con le scienze ambientali.

In che modo prevede che le tendenze climatiche di lungo periodo rimodelleranno strutturalmente i mercati globali delle materie prime nei prossimi anni?

Stiamo già assistendo a una maggiore volatilità anziché a cambiamenti graduali di tendenza. Il cambiamento climatico non sposta solo le medie, ma aumenta la frequenza e il raggruppamento degli estremi.

Strutturalmente, ciò significa una maggiore incertezza dell’offerta, premi di rischio più elevati e una maggiore enfasi sulla flessibilità nella logistica e nella gestione delle scorte. Alcune regioni diventeranno fornitori meno affidabili, mentre altre potrebbero acquisire un’importanza strategica.

Con il rischio climatico sempre più centrale nei quadri istituzionali, come vede i modelli basati sul clima influenzare la costruzione dei portafogli, l’informativa o la rendicontazione del rischio?

I modelli basati sul clima passeranno gradualmente da sovrapposizioni qualitative a input di rischio quantitativi. Nella costruzione del portafoglio, possono informare il dimensionamento della posizione, l’esposizione al rischio di coda e le ipotesi di diversificazione. Nella divulgazione e nel reporting, forniscono un modo più difendibile e basato su scenari per discutere dell’esposizione al clima senza fare affidamento su narrazioni semplici.

Nel corso del tempo, mi aspetto che il rischio climatico venga trattato sui mercati delle materie prime in modo simile al rischio macro o di volatilità: non come una categoria ESG separata, ma come una componente fondamentale del rischio di mercato.

Può condividere un esempio in cui le indicazioni del suo modello hanno aiutato ad anticipare un movimento significativo dei prezzi delle materie prime prima che diventasse evidente al mercato più ampio?

Come accennato in precedenza, il gas naturale è un chiaro esempio di model insight.

Inoltre, vediamo esempi ancora più chiari applicabili ai mercati agricoli.

Ad esempio, nella produzione brasiliana di succo d’arancia nel 2023, gli indici satellitari di umidità e vegetazione hanno rivelato uno stress da siccità persistente mesi prima che si riflettesse nelle stime ufficiali della resa o nei commenti di mercato. Inizialmente i prezzi rimasero stabili perché il danno non era ancora osservabile. Una volta riviste le previsioni di produzione e seguite le notizie, i prezzi si sono adeguati rapidamente, ma a quel punto il rischio sottostante si era già accumulato da settimane.

Un altro esempio è la produzione di caffè Robusta in Vietnam nel 2023-2024. In quell’episodio, la siccità prolungata e lo stress da caldo hanno gradualmente ridotto il potenziale produttivo, mentre il mercato inizialmente considerava la situazione temporanea. Il modello ha catturato fin dall’inizio la natura cumulativa dello stress. Quando le perdite di produzione divennero innegabili, i prezzi subirono forti oscillazioni.

Un modello simile si è verificato nei mercati del cacao nell’Africa occidentale nel novembre 2023, quando i venti Harmattan insolitamente persistenti hanno creato deficit di umidità e problemi di impollinazione. Lo stress fisico era evidente ben prima della reazione del mercato, che si è solo accelerato quando le preoccupazioni sull’offerta sono entrate nelle narrazioni tradizionali.

In tutti questi casi, l’intuizione chiave è la stessa: il modello aiuta a identificare lo stress fisico lento e accumulato che sposta l’asimmetria del rischio molto prima che il mercato risponda. Questo è il motivo per cui i tempi e la valutazione probabilistica sono molto più importanti della reazione ai titoli dei giornali o agli eventi meteorologici isolati.

Grazie per l’ottima intervista, i lettori che desiderano saperne di più dovrebbero visitare Mind Money.