Edward Nikulin, værmodell‑ekspert hos Mind Money – Intervjuserie

Edward Nikulin, værmodell‑ekspert og leder for handelsdivisjonen hos den europeiske megleren Mind Money, er en dyktig kvantitativ forsker og datavitenskapsmann med mer enn åtte års erfaring innen markedsmodellering, systematisk handel og AI‑drevet analyse. Han er forfatteren av værmodellen som brukes i Mind Money sine proprietære handelsstrategier.

Mind Money er en europeisk investerings‑ og meglerplattform basert i Limassol, Kypros, som tilbyr tilgang til globale aksjer, obligasjoner, ETF‑er og utvalgte IPO‑ og pre‑IPO‑muligheter. Plattformen opererer under CySEC‑regulering og MiFID II‑etterlevelse, og fokuserer på transparent prising, diversifiserte investeringsalternativer og profesjonell porteføljeforvaltning for kunder som søker eksponering mot internasjonale finansmarkeder.

Edward Nikulin deler sin kunnskap og ekspertise i å anvende klima‑ og værmodellering på analysen av råvaremarkeder. Hans reise fra trader til værmodellspesialist har gitt ham et særegent perspektiv på hvordan finansielle og miljømessige data krysser hverandre. I dette innlegget forklarer han hvordan hans vær‑råvaremodell fungerer i praksis: hvilke typer klima‑ og værvariabler som inkluderes – fra sesongmessige temperaturendringer til nedbørsmønstre og ekstreme hendelser – og hvordan disse inputene omdannes til handlingsbare handels‑ og risikosignaler. Ved å kombinere markedsintuisjon med vitenskapelig modellering gir Edward leserne en sjelden innsikt i hvordan værintelligens kan bli en avgjørende faktor i råvarestrategier i dag.

Kan du gå gjennom din reise fra å være trader til å bli klima‑ og værmodell‑ekspert, og hvordan den bakgrunnen former måten du analyserer råvaremarkeder på i dag?

Min bakgrunn er innen kvantitativ handel og datavitenskap. I mange år jobbet jeg med systematiske råvare‑ og derivatstrategier, så jeg tenkte alltid i termer av handelssignaler og risiko. Deretter ble jeg invitert av en oppstartsbedrift som fokuserer på optimalisering av maritim logistikk til å lede en AI‑retning relatert til vær og klima. Det ga meg svært tett daglig kontakt med hydrometeorologer, økologer og fagspesialister som tenker veldig annerledes enn tradere.

Den erfaringen var kritisk: Jeg lærte hvordan vær‑eksperter resonnerer om fysiske prosesser, usikkerhet og tidsforsinkelser. Og like viktig, jeg lærte hvor forskjellige deres mentale modeller er fra de som brukes i markedene.

I dag jobber jeg i skjæringspunktet mellom disse to verdenene. Jeg ser ikke på vær som et prognoseproblem (faktisk gir det lite mening å prøve å slå NOAA‑ og ECMWF‑modellene), og jeg ser ikke på markedene som ren statistisk støy. Min handelsbakgrunn tvinger hvert klimasignal til å svare på svært praktiske spørsmål: når, gjennom hvilken mekanisme, og med hvilken sannsynlighet påvirker denne informasjonen faktisk prisen. Denne kombinasjonen former sterkt hvordan jeg analyserer råvaremarkeder nå.

Hvordan fungerer din vær‑råvaremodell i praksis – hvilke typer klima‑ og værdata inkorporerer du, og hvordan omdannes disse variablene til handlingsbare handels‑ eller risikosignaler?

Praktisk talt integrerer modellen flere lag med data i stedet for å stole på en enkelt kilde.

På vær‑siden bruker vi sanntids‑ og korttidsdata fra numeriske værprognosemodeller, hyperlokale meteorologiske stasjonsdata nær produksjonsområder, og satellitt‑avledede indikatorer som vegetasjons‑ og tørkeindekser. På klima‑siden følger vi langsiktige signaler gjennom reanalyse‑datasett og store klimatiske indekser som ENSO, NAO, PDO og andre.

Det virkelige nøkkeltrinnet er ikke prediksjon, men oversettelse av påvirkning. Rå vær‑variabler kartlegges til produksjons‑, logistikk‑ eller etterspørsels‑mekanismer som er relevante for en spesifikk råvare. Disse sammenhengene formaliseres gjennom et regel‑basert og probabilistisk rammeverk, ofte ved bruk av Monte‑Carlo‑simuleringer for å fange usikkerhet.

Resultatet er ikke en værprognose, men et strukturert signal: sannsynlighetsvektede scenarier, risikosymmetri og tidsforskjøvede påvirkningsestimater. Det er dette som gjør at signalene kan brukes enten til handelsbeslutninger eller til risikokontroll, avhengig av tidshorisonten.

Modellen din har vært i drift i flere år med sterk ytelse – hvordan oppførte den seg under store værforstyrrelser, og hva avslørte disse periodene om markedets reaksjoner på klimasjokk?

En av de viktigste innsiktene fra å kjøre modellen i live er at markedene nesten aldri reagerer på værshocker umiddelbart og svært sjelden reagerer på en lineær måte.

Et godt nylig eksempel er naturgass. Sent i oktober begynte modellen vår å signalisere en høy og økende sannsynlighet for en forstyrrelse av en polar vortex. På det tidspunktet så spotvær fortsatt relativt ufarlig ut, lagerbeholdningene var komfortable, og markedets narrativ var nøytralt. Prisene reagerte knapt.

Det viktige var at modellen ikke produserte et binært signal. Den viste en sannsynlighetskurve som fortsatte å stige gjennom november og inn i desember, etter hvert som atmosfæriske mønstre ble mer ustabile. Først senere, da kaldere scenarier begynte å dukke opp konsekvent i offentlige prognoser og medienarrativer, gikk naturgass inn i en sterk oppadgående trend.

Den episoden demonstrerte tydelig noe vi ser gang på gang:

• først kommer fysisk atmosfærisk stress,
• deretter sannsynlighetsakkumulering,
• deretter informasjonsdiffusjon,
• og først på slutten ser vi prisjustering.

Hvordan bruker råvarehandlere og investorer klima‑ og værdata i sine risikostyringsstrategier i dag, og hvor tror du de fleste deltakerne fortsatt faller kort?

De fleste deltakere bruker fortsatt værdata på en i stor grad skjønnsmessig måte. De følger prognoser, leser ekspertkommentarer og justerer posisjoner basert på oppfattet alvorlighetsgrad av hendelser. I risikostyring brukes klimadata ofte retrospektivt.

Deres svakhet ligger i formalisering. Værsignaler er ofte subjektive, ujevnt vektet og dårlig integrert med markedsstrukturen. Et annet vanlig problem er overreaksjon på visuelt dramatiske men økonomisk irrelevante anomalier, eller underreaksjon på langsomme prosesser som betyr mye mer for tilbudet.

Den største mangelen er fraværet av en klar kartlegging mellom vær, produksjonspåvirkning og prisrespons.

Hvilke spesifikke klima‑ eller værindikatorer tror du vil være mest viktige for råvaremarkedene frem til 2026, spesielt for landbruk og energi?

For landbruket vil vedvarende fuktighetsbalanse‑indikatorer – tørkeutvikling, jordfuktighet og vegetasjonshelse – ha langt større betydning enn enkeltstående værhendelser. Temperatur‑ekstremverdier i sensitive vekstfaser vil også forbli kritiske.

For energi vil fokuset være på temperaturavvik på etterspørselssiden, spesielt vintervolatilitet for oppvarmingsbehov og sommervarme på kraftsystemer. På klimasiden vil store oscillasjoner som ENSO fortsatt påvirke regionale tilbud‑etterspørsels‑ubalanser.

På hvilke måter skiller tilnærmingen din seg fra mer tradisjonelle råvareprognosemodeller eller standard vær‑basert analyse som brukes i markedene?

Hovedforskjellen er at vi ikke prøver å forutsi priser eller vær direkte, og vi bruker heller ikke vanlige værprognoser. Teamet vårt fokuserer på kvantitativ modellering av vær‑ og klima‑påvirkning på priser.

Tradisjonelle modeller extrapolerer ofte priser statistisk eller behandler vær som en ekstern forklarende variabel med svak struktur. Standard væranalyse, derimot, har en tendens til å være beskrivende snarere enn markedsbevisst. Vår tilnærming formaliserer den kausale kjeden mellom miljøforhold og markedspåvirkning, og modellerer eksplisitt usikkerhet, timing og relevans.

Hva er de største utfordringene investorer møter når de prøver å integrere klimadata i beslutningsprosesser i den virkelige verden, og hvordan kan de unngå vanlige fallgruver?

Den største utfordringen er å skille signal fra støy. Klimadata er høy‑dimensjonale, langsomme og ofte følelsesmessig ladet av medienarrativer.

Vanlige fallgruver inkluderer overtilpasning av historiske korrelasjoner, ignorering av tidsforsinkelser, og antagelsen om at mer data automatisk fører til bedre beslutninger. En annen feil er å behandle klimatrender som deterministiske i stedet for probabilistiske.

I virkeligheten skyldes de fleste av disse problemene mangel på forståelse. Å integrere klimadata i handel eller risikostyring er ikke så enkelt. Det krever betydelig tid for å forstå fysiske mekanismer, regionale spesifikasjoner, databegrensninger, og – viktigst av alt – hvordan markedene faktisk fordøyer denne informasjonen. Uten dette grunnlaget har klimadata en tendens til å skape falsk selvtillit i stedet for bedre beslutninger.

Å ansette meteorologer kan hjelpe med å tette gapet i vær‑ekspertise, men det løser ikke kjernespørsmålet: å oversette vær‑ og klimasignaler til målbar markedspåvirkning og prisdynamikk. På dette tidspunktet finnes det egentlig bare to levedyktige veier. Enten samarbeide med team som allerede har bygget denne evnen og kan levere handlingsbare innsikter, eller investere i å etablere en dedikert vær‑ og klimadesk internt som kombinerer markedskompetanse med miljøvitenskap.

Hvordan forventer du at langsiktige klimatrender vil strukturelt omforme globale råvaremarkeder i løpet av de neste årene?

Vi ser allerede økt volatilitet i stedet for jevne trendendringer. Klimaendringer flytter ikke bare gjennomsnitt, de øker frekvensen og klyngingen av ekstreme hendelser.

Strukturelt betyr dette økt usikkerhet i tilbudet, høyere risikopremier og større vekt på fleksibilitet i logistikk og lagerstyring. Noen regioner vil bli mindre pålitelige leverandører, mens andre kan få strategisk betydning.

Etter hvert som klimarisiko blir mer sentral i institusjonelle rammeverk, hvordan ser du at klimainformerte modeller påvirker porteføljekonstruksjon, rapportering eller risikorapportering?

Klimainformerte modeller vil gradvis gå fra kvalitative overlegg til kvantitative risikoinput. I porteføljekonstruksjon kan de informere posisjonsstørrelse, tail‑risk‑eksponering og diversifiseringsantakelser. I rapportering og offentliggjøring gir de en mer forsvarlig, scenario‑basert måte å diskutere klimautsatthet på uten å stole på enkle narrativer.

Over tid forventer jeg at klimarisiko vil bli behandlet på råvaremarkedene på samme måte som makro‑ eller volatilitet‑risiko: ikke som en egen ESG‑kategori, men som en kjernekomponent av markedsrisiko.

Kan du dele et eksempel der innsikter fra modellen din hjalp med å forutsi en betydelig råvareprisbevegelse før den ble åpenbar for det bredere markedet?

Som jeg nevnte tidligere, er naturgass et tydelig eksempel på modellens innsikt.

Vi ser også enda tydeligere eksempler som gjelder landbruksmarkedene.

For eksempel, i brasiliansk appelsinjuiceproduksjon i 2023 avdekket satellitt‑baserte fuktighets‑ og vegetasjonsindekser vedvarende tørkestress måneder før det ble reflektert i offisielle avlingsestimater eller markedskommentarer. Prisene holdt seg først stabile fordi skaden ennå ikke var synlig. Da produksjonsprognosene ble revidert og overskriftene fulgte, justerte prisene seg raskt, men på det tidspunktet hadde den underliggende risikoen allerede bygget seg opp i flere uker.

Et annet tilfelle er Robusta‑kaffeproduksjon i Vietnam i 2023‑2024. I dette eksempelet reduserte langvarig tørke og varmespenning gradvis produksjonspotensialet, mens markedet i starten behandlet situasjonen som midlertidig. Modellen fanget den kumulative naturen av stresset tidlig. Da produksjonstapene ble uomtvistelige, beveget prisene seg kraftig.

Et lignende mønster oppsto i kakaomarkedene i Vest‑Afrika i november 2023, da uvanlig vedvarende Harmattan‑vinder skapte fuktighetsunderskudd og pollineringproblemer. Fysisk stress var tydelig lenge før markedets reaksjon, som først akselererte da forsyningsbekymringer kom inn i hovedstrømmen av narrativer.

I alle disse tilfellene er den viktigste innsikten den samme: modellen hjelper med å identifisere langsomt, oppsamlet fysisk stress som endrer risikosymmetrien lenge før markedet reagerer. Dette er grunnen til at timing og probabilistisk vurdering betyr langt mer enn å reagere på overskrifter eller isolerte værhendelser.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Mind Money.