Edward Nikulin, Weermodel‑expert bij Mind Money – Interviewserie

Edward Nikulin, weermodel‑expert en hoofd van de handelsafdeling bij de Europese broker Mind Money, is een bekwame kwantitatieve onderzoeker en datawetenschapper met meer dan acht jaar ervaring in marktmodellering, systematisch handelen en AI‑gedreven analyses. Hij is de auteur van het weermodel dat wordt gebruikt voor de propriëtaire handelsstrategieën van Mind Money.

Mind Money is een Europees investerings‑ en brokerplatform gevestigd in Limassol, Cyprus, dat toegang biedt tot wereldwijde aandelen, obligaties, ETF's en geselecteerde IPO‑ en pre‑IPO‑kansen. Het opereert onder CySEC‑regulering en MiFID II‑naleving en richt zich op transparante prijsstelling, gediversifieerde beleggingsopties en professioneel portfoliobeheer voor cliënten die blootstelling zoeken aan internationale financiële markten.

Edward Nikulin deelt zijn know‑how en expertise in het toepassen van klimaat‑ en weermodelering op de analyse van grondstoffenmarkten. Zijn reis van handelaar naar weermodel‑specialist heeft een onderscheidend perspectief gevormd op hoe financiële en milieu‑data elkaar kruisen. In dit artikel legt hij uit hoe zijn weer‑grondstoffenmodel in de praktijk werkt: welke soorten klimaat‑ en weer‑variabelen worden opgenomen — van seizoensgebonden temperatuurveranderingen tot neerslagpatronen en extreme gebeurtenissen — en hoe die invoer wordt omgezet in bruikbare handels‑ en risicosignalen. Door marktintuïtie te combineren met wetenschappelijke modellering biedt Edward lezers een zeldzaam inzicht in hoe weerintelligentie vandaag een doorslaggevende factor kan worden in grondstoffenstrategieën.

Kunt u ons door uw reis leiden van handelaar tot klimaat‑ en weermodel‑expert, en hoe die achtergrond de manier waarop u vandaag grondstoffenmarkten analyseert, vormgeeft?

Mijn achtergrond ligt in kwantitatief handelen en data‑wetenschap. Veel jaren werkte ik aan systematische grondstoffen‑ en derivatenstrategieën, waardoor ik altijd dacht in termen van handelssignalen en risico. Vervolgens werd ik uitgenodigd door een startup die zich richt op het optimaliseren van maritieme logistiek om een AI‑richting gerelateerd aan weer en klimaat te leiden. Dat bracht me in zeer nauw dagelijks contact met hydrometeorologen, ecologen en domeinspecialisten die heel anders denken dan handelaren.

Die ervaring was cruciaal: ik leerde hoe weerexperts redeneren over fysieke processen, onzekerheid en tijdsvertragingen. En net zo belangrijk leerde ik hoe verschillend hun mentale modellen zijn ten opzichte van die in de markten.

Vandaag werk ik op het snijvlak van die twee werelden. Ik ben het weer niet benaderd als een voorspellingsprobleem (eigenlijk heeft het weinig zin om NOAA‑ en ECMWF‑modellen te proberen te overtreffen), en ik ben de markten niet benaderd als louter statistische ruis. Mijn handelsachtergrond dwingt elk klimaatsignaal om zeer praktische vragen te beantwoorden: wanneer, via welk mechanisme en met welke waarschijnlijkheid deze informatie daadwerkelijk de prijs beïnvloedt. Die combinatie bepaalt sterk hoe ik nu grondstoffenmarkten analyseer.

Hoe werkt uw weer‑grondstoffenmodel in de praktijk — welke soorten klimaat‑ en weerdata neemt u op, en hoe worden die variabelen omgezet in bruikbare handels‑ of risicosignalen?

In de praktijk integreert het model verschillende lagen data in plaats van te vertrouwen op één enkele bron.

Aan de weerkant gebruiken we real‑time en kortetermijngegevens van numerieke weer­voorspellingsmodellen, hyper‑lokale meteorologische stationsdata nabij productiezones, en satelliet‑afgeleide indicatoren zoals vegetatie‑ en droogte‑indices. Aan de klimaatzijde volgen we signalen op langere termijn via reanalyse‑datasets en grootschalige klimaat‑indices zoals ENSO, NAO, PDO en andere.

De werkelijke sleutelstap is geen voorspelling, maar impactvertaling. Ruwe weer‑variabelen worden gekoppeld aan productie‑, logistieke‑ of vraag‑mechanismen die relevant zijn voor een specifieke grondstof. Die relaties worden geformaliseerd via een regel‑gebaseerd en probabilistisch kader, vaak met Monte‑Carlo‑simulaties om onzekerheid te vangen.

De output is geen weer­voorspelling, maar een gestructureerd signaal: probabilistisch‑gewogen scenario’s, risico‑asymmetrie en tijd‑verschuivende impact‑schattingen. Dat maakt het mogelijk de signalen te gebruiken voor handelsbeslissingen of voor risicobeheersing, afhankelijk van de horizon.

Uw model draait al meerdere jaren met sterke prestaties — hoe gedroeg het zich tijdens grote weer‑verstoring, en wat onthulden die periodes over de marktreacties op klimaatschokken?

Een van de belangrijkste inzichten uit het live draaien van het model is dat markten bijna nooit onmiddellijk reageren op weerschokken en zelden lineair reageren.

Een recent goed voorbeeld is aardgas. Eind oktober begon ons model een hoge en stijgende waarschijnlijkheid van een polaire vortex‑verstoring te signaleren. Op dat moment leek de spot‑weer relatief onschadelijk, de voorraden waren comfortabel en het markt‑narratief was neutraal. De prijzen reageerden nauwelijks.

Het belangrijke was dat het model geen binair signaal gaf. Het toonde een waarschijnlijkheidscurve die in november en december bleef stijgen, naarmate de atmosferische patronen onstabieler werden. Pas later, toen koudere scenario’s consequent verschenen in openbare voorspellingen en mediaverhalen, begon aardgas een sterke opwaartse trend te vertonen.

Die episode toonde duidelijk iets dat we keer op keer zien:

• eerst komt fysieke atmosferische stress,
• dan de accumulatie van waarschijnlijkheid,
• dan informatieverspreiding,
• en pas aan het einde zien we prijsaanpassing.

Hoe gebruiken grondstofhandelaren en -investeerders momenteel klimaat‑ en weerdata in hun risicomanagementstrategieën, en waar denkt u dat de meeste deelnemers nog tekortschieten?

De meeste deelnemers gebruiken weerdata nog steeds grotendeels discretionair. Ze volgen voorspellingen, lezen deskundige commentaren en passen posities aan op basis van de waargenomen ernst van gebeurtenissen. In risicomanagement wordt klimaatdata vaak retrospectief gebruikt.

Waar ze tekortschieten, is de formalisering. Weersignalen zijn vaak subjectief, inconsistent gewogen en slecht geïntegreerd met de marktstructuur. Een ander veelvoorkomend probleem is overreageren op visueel dramatische maar economisch irrelevante anomalieën, of onderreageren op langzaam bewegende processen die veel belangrijker zijn voor het aanbod.

Het grootste gat is het ontbreken van een duidelijke koppeling tussen weer, productie‑impact en prijsreactie.

Welke specifieke klimaat‑ of weerindicatoren denkt u dat het belangrijkst zullen zijn voor grondstoffenmarkten tot 2026, met name voor landbouw en energie?

Voor de landbouw zullen blijvende vochtbalans‑indicatoren — droogte‑ontwikkeling, bodemvocht en vegetatie‑gezondheid — veel belangrijker zijn dan individuele weergebeurtenissen. Temperatuurextremen tijdens gevoelige groeifasen blijven ook cruciaal.

Voor energie zal de focus liggen op temperatuur‑anomalieën aan de vraagzijde, met name winter‑volatiliteit voor verwarmingsvraag en zomer‑hitte‑stress op energiesystemen. Aan de klimaatzijde zullen grootschalige oscillaties zoals ENSO de regionale aanbod‑vraag‑onevenwichtigheden blijven beïnvloeden.

Op welke manieren verschilt uw aanpak van meer traditionele grondstof‑voorspellingsmodellen of standaard weer‑gebaseerde analyses die op de markten worden gebruikt?

Het belangrijkste verschil is dat we niet proberen prijzen of weer direct te voorspellen, en we nemen ook geen standaard weer­voorspellingen. Ons team richt zich op kwantitatieve modellering van de impact van weer en klimaat op prijzen.

Traditionele modellen extrapoleren vaak prijzen statistisch of behandelen weer als een externe verklarende variabele met een zwakke structuur. Standaard weeranalyse daarentegen is meestal beschrijvend en niet markt‑gericht. Onze aanpak formaliseert de causale keten tussen milieufactoren en marktimpact, waarbij onzekerheid, timing en relevantie expliciet worden gemodelleerd.

Wat zijn de grootste uitdagingen voor investeerders bij het integreren van klimaatdata in besluitvorming in de praktijk, en hoe kunnen ze veelvoorkomende valkuilen vermijden?

De grootste uitdaging is het scheiden van signaal en ruis. Klimaatdata is hoog‑dimensionaal, langzaam bewegend en vaak emotioneel gekleurd door mediaverhalen.

Veelvoorkomende valkuilen zijn onder meer overfitting van historische correlaties, het negeren van tijdsvertragingen, en de veronderstelling dat meer data automatisch leidt tot betere beslissingen. Een andere fout is het behandelen van klimaattrends als deterministisch in plaats van probabilistisch.

In de praktijk komen de meeste van deze problemen voort uit een gebrek aan begrip. Het integreren van klimaatdata in handel of risicobeheer is niet eenvoudig. Het vereist veel tijd om de fysieke mechanismen, regionale specificiteiten, databeperkingen en, vooral, hoe markten deze informatie daadwerkelijk verwerken, te begrijpen. Zonder die basis leidt klimaatdata vaak tot valse zekerheid in plaats van betere beslissingen.

Alleen al het inhuren van meteorologen kan de kloof in weerexpertise verkleinen, maar lost het kernprobleem niet op: het vertalen van weer‑ en klimaatsignalen naar meetbare marktimpact en prijsdynamiek. Op dat moment zijn er eigenlijk slechts twee haalbare routes. Ofwel samenwerken met teams die deze capaciteit al hebben opgebouwd en bruikbare inzichten kunnen leveren, of investeren in het opzetten van een eigen weer‑ en klimaat‑desk die markt‑expertise combineert met milieuwetenschap.

Hoe verwacht u dat langetermijn‑klimatentrends de wereldwijde grondstoffenmarkten structureel zullen hervormen in de komende jaren?

We zien al een toename in volatiliteit in plaats van soepele trendverschuivingen. Klimaatverandering verschuift niet alleen gemiddelden, maar verhoogt de frequentie en clustering van extremen.

Structureel betekent dit een grotere onzekerheid in aanbod, hogere risicopremies en meer nadruk op flexibiliteit in logistiek en voorraadbeheer. Sommige regio’s zullen minder betrouwbare leveranciers worden, terwijl andere strategisch belangrijker kunnen worden.

Naarmate klimaatrisico centraler wordt in institutionele kaders, hoe ziet u klimaat‑geïnformeerde modellen die invloed hebben op portefeuillebouw, openbaarmaking of risicorapportage?

Klimaat‑geïnformeerde modellen zullen geleidelijk verschuiven van kwalitatieve overlays naar kwantitatieve risicoinvoeren. Bij portefeuillebouw kunnen ze de positionering, tail‑risk‑exposure en diversificatie‑aannames informeren. In openbaarmaking en rapportage bieden ze een beter onderbouwde, scenario‑gebaseerde manier om klimaat‑exposure te bespreken zonder te vertrouwen op eenvoudige narratieven.

Na verloop van tijd verwacht ik dat klimaatrisico op grondstoffenmarkten op dezelfde manier wordt behandeld als macro‑ of volatiliteitsrisico: niet als een aparte ESG‑categorie, maar als een kerncomponent van marktrisico.

Kunt u een voorbeeld delen waarbij inzichten uit uw model een significante grondstofprijsbeweging voorspelden voordat deze duidelijk werd voor de bredere markt?

Zoals ik eerder al zei, is aardgas een duidelijk voorbeeld van de modelinzichten.

Daarnaast zien we nog duidelijkere voorbeelden die van toepassing zijn op de landbouwmarkten.

Bijvoorbeeld, in de Braziliaanse sinaasappelsapproductie in 2023 toonden satelliet‑gebaseerde vocht‑ en vegetatie‑indices een aanhoudende droogtestress maanden voordat dit werd weerspiegeld in officiële opbrengstschattingen of marktcommentaren. De prijzen bleven aanvankelijk stabiel omdat de schade nog niet waarneembaar was. Zodra de productie‑prognoses werden herzien en de krantenkoppen volgden, pasten de prijzen zich snel aan, maar tegen die tijd was het onderliggende risico al wekenlang aan het opbouwen.

Een ander voorbeeld is de productie van Robusta‑koffie in Vietnam in 2023‑2024. In dat geval verminderde langdurige droogte en hitte‑stress geleidelijk het productiepotentieel, terwijl de markt de situatie aanvankelijk als tijdelijk beschouwde. Het model registreerde vroegtijdig de cumulatieve aard van de stress. Toen de productieverliezen onmiskenbaar werden, stegen de prijzen scherp.

Een vergelijkbaar patroon trad op in de cacaomarkten in West‑Afrika in november 2023, toen ongewoon aanhoudende Harmattan‑winden vochttekorten en bestuivingsproblemen veroorzaakten. De fysieke stress was duidelijk zichtbaar lang vóór de marktreactie, die pas versnelde toen zorgen over het aanbod in de algemene narratieven verschenen.

In al deze gevallen is het belangrijkste inzicht hetzelfde: het model helpt langzame, accumulerende fysieke stress te identificeren die de risico‑asymmetrie verschuift lang voordat de markt reageert. Daarom zijn timing en probabilistische beoordeling veel belangrijker dan reageren op krantenkoppen of geïsoleerde weergebeurtenissen.

Bedankt voor het geweldige interview, lezers die meer willen weten, kunnen terecht op Mind Money.