Edward Nikulin, especialista em modelo climático na Mind Money – Série de entrevistas

Edward Nikulin, especialista em modelo climático e chefe da divisão de trading na corretora europeia Mind Money, é um pesquisador quantitativo e cientista de dados experiente, com mais de oito anos de atuação em modelagem de mercado, trading sistemático e análises impulsionadas por IA. Ele é o autor do modelo climático usado nas estratégias de trading proprietárias da Mind Money.

Mind Money é uma plataforma europeia de investimento e corretagem com sede em Limassol, Chipre, que oferece acesso a ações, títulos, ETFs globais e oportunidades selecionadas de IPO e pré‑IPO. Operando sob regulação da CySEC e em conformidade com a MiFID II, foca em precificação transparente, opções de investimento diversificadas e gestão profissional de portfólios para clientes que buscam exposição aos mercados financeiros internacionais.

Edward Nikulin compartilha seu know‑how e expertise na aplicação de modelagem climática e meteorológica à análise dos mercados de commodities. Sua trajetória de trader a especialista em modelo climático moldou uma perspectiva distinta sobre como os dados financeiros e ambientais se cruzam. Neste artigo, ele explica como seu modelo clima‑commodity funciona na prática: quais tipos de variáveis climáticas e meteorológicas são incorporados — desde variações sazonais de temperatura até padrões de precipitação e eventos extremos — e como esses insumos são convertidos em sinais de trading e risco acionáveis. Ao combinar intuição de mercado com modelagem científica, Edward oferece aos leitores uma visão rara de como a inteligência climática pode se tornar um fator decisivo nas estratégias de commodities hoje.

Você pode nos contar sua trajetória, desde ser trader até se tornar um especialista em modelo climático e meteorológico, e como esse histórico molda a forma como você analisa os mercados de commodities hoje?

Minha formação é em trading quantitativo e ciência de dados. Por muitos anos, trabalhei em estratégias sistemáticas de commodities e derivativos, portanto, sempre pensava em termos de sinais de trading e risco. Depois, fui convidado por uma startup focada em otimizar a logística marítima para liderar uma área de IA relacionada ao clima e à meteorologia. Isso me colocou em contato diário muito próximo com hidrometeorologistas, ecologistas e especialistas de domínio que pensam de forma muito diferente dos traders.

Essa experiência foi crucial: aprendi como os especialistas em clima raciocinam sobre processos físicos, incerteza e atrasos temporais. E, igualmente importante, percebi o quanto seus modelos mentais diferem daqueles usados nos mercados.

Hoje, trabalho na interseção desses dois mundos. Não encaro o clima como um problema de previsão (na verdade, faz pouco sentido tentar superar os modelos da NOAA e da ECMWF), e não vejo os mercados como mero ruído estatístico. Minha experiência em trading obriga cada sinal climático a responder perguntas muito práticas: quando, por qual mecanismo e com que probabilidade essa informação realmente afeta o preço. Essa combinação molda fortemente a forma como analiso os mercados de commodities atualmente.

Como funciona seu modelo clima‑commodity na prática — que tipos de dados climáticos e meteorológicos você incorpora, e como essas variáveis são convertidas em sinais de trading ou risco acionáveis?

Na prática, o modelo integra várias camadas de dados em vez de depender de uma única fonte.

Do lado meteorológico, utilizamos dados em tempo real e de curto prazo de modelos numéricos de previsão do tempo, dados de estações meteorológicas hiper‑locais próximas às zonas de produção e indicadores derivados de satélite, como índices de vegetação e seca. Do lado climático, acompanhamos sinais de horizonte mais longo por meio de conjuntos de dados de reanálise e índices climáticos de grande escala como ENSO, NAO, PDO e outros.

A etapa realmente crucial não é a previsão, mas a tradução do impacto. Variáveis meteorológicas brutas são mapeadas para mecanismos de produção, logística ou demanda que são relevantes para uma commodity específica. Essas relações são formalizadas por meio de uma estrutura baseada em regras e probabilística, frequentemente usando simulações de Monte Carlo para capturar a incerteza.

A saída não é uma previsão meteorológica, mas um sinal estruturado: cenários ponderados por probabilidade, assimetria de risco e estimativas de impacto deslocadas no tempo. Isso permite que os sinais sejam usados tanto para decisões de trading quanto para controle de risco, dependendo do horizonte.

Seu modelo está em operação há vários anos com desempenho sólido — como ele se comportou durante grandes interrupções climáticas, e o que esses períodos revelaram sobre as reações do mercado a choques climáticos?

Uma das percepções mais importantes ao operar o modelo ao vivo é que os mercados quase nunca reagem instantaneamente a choques climáticos e raramente reagem de forma linear.

Um exemplo recente relevante é o Gás Natural. No final de outubro, nosso modelo começou a sinalizar uma alta e crescente probabilidade de interrupção por vórtice polar. Nesse momento, o clima à vista ainda parecia relativamente benigno, os estoques estavam confortáveis e a narrativa do mercado era neutra. Os preços quase não reagiram. 

A parte importante foi que o modelo não produziu um sinal binário. Ele mostrou uma curva de probabilidade que continuou subindo ao longo de novembro e dezembro, à medida que os padrões atmosféricos se tornaram mais instáveis. Só mais tarde, quando cenários mais frios começaram a aparecer consistentemente nas previsões públicas e nas narrativas da mídia, o Gás Natural entrou em uma forte tendência de alta.

Esse episódio demonstrou claramente algo que vemos repetidamente:

• primeiro vem o estresse atmosférico físico,
• depois a acumulação de probabilidade,
• depois a difusão de informação,
• e só no final, vemos o ajuste de preço.

Como os traders e investidores de commodities estão atualmente usando dados climáticos e meteorológicos em suas estratégias de gestão de risco, e onde você acha que a maioria dos participantes ainda falha?

A maioria dos participantes ainda usa dados meteorológicos de forma amplamente discricionária. Eles acompanham previsões, leem comentários de especialistas e ajustam posições com base na gravidade percebida dos eventos. Na gestão de risco, os dados climáticos são frequentemente usados de forma retrospectiva.

O ponto onde falham é a formalização. Os sinais meteorológicos são frequentemente subjetivos, ponderados de forma inconsistente e mal integrados à estrutura de mercado. Outro problema comum é reagir excessivamente a anomalias visualmente dramáticas, porém economicamente irrelevantes, ou reagir de forma insuficiente a processos de movimento lento que têm muito mais impacto na oferta.

A maior lacuna é a ausência de um mapeamento claro entre clima, impacto na produção e resposta de preço.

Quais indicadores climáticos ou meteorológicos específicos você acredita que serão mais importantes para os mercados de commodities até 2026, particularmente para agricultura e energia?

Para a agricultura, indicadores persistentes de balanço de umidade — desenvolvimento de seca, umidade do solo e saúde da vegetação — terão muito mais importância do que eventos meteorológicos individuais. Extremos de temperatura durante fases de crescimento sensíveis também permanecerão críticos.

Para a energia, o foco será nas anomalias de temperatura do lado da demanda, especialmente a volatilidade no inverno para a demanda de aquecimento e o estresse térmico no verão nos sistemas de energia. No lado climático, oscilações de grande escala como ENSO continuarão a influenciar desequilíbrios regionais de oferta‑demanda.

De que maneira sua abordagem difere dos modelos de previsão de commodities mais tradicionais ou da análise padrão baseada em clima usada nos mercados?

A principal diferença é que não tentamos prever preços ou clima diretamente, e também não utilizamos previsões meteorológicas convencionais. Nossa equipe foca na modelagem quantitativa do impacto do clima e da meteorologia nos preços.

Modelos tradicionais frequentemente extrapolam preços estatisticamente ou tratam o clima como uma variável explicativa externa com estrutura fraca. A análise meteorológica padrão, por outro lado, tende a ser descritiva ao invés de orientada ao mercado. Nossa abordagem formaliza a cadeia causal entre condições ambientais e impacto de mercado, modelando explicitamente a incerteza, o timing e a relevância.

Quais são os maiores desafios que os investidores enfrentam ao tentar integrar dados climáticos na tomada de decisão prática, e como podem evitar armadilhas comuns?

O maior desafio é separar o sinal do ruído. Os dados climáticos são de alta dimensionalidade, de movimento lento e frequentemente carregados emocionalmente por narrativas da mídia.

Armadilhas comuns incluem overfitting de correlações históricas, ignorar atrasos temporais e assumir que mais dados levam automaticamente a decisões melhores. Outro erro é tratar as tendências climáticas como determinísticas ao invés de probabilísticas.

Na prática, a maioria desses problemas decorre da falta de compreensão. Integrar dados climáticos ao trading ou à gestão de risco não é tão simples. Exige um tempo considerável para entender os mecanismos físicos, as especificidades regionais, as limitações dos dados e, sobretudo, como os mercados realmente assimilam essas informações. Sem essa base, os dados climáticos tendem a gerar confiança falsa em vez de decisões melhores.

Contratar apenas meteorologistas pode ajudar a reduzir a lacuna de expertise em clima, mas não resolve o problema central: traduzir sinais meteorológicos e climáticos em impacto de mercado mensurável e dinâmicas de precificação. Nesse ponto, realmente existem apenas duas vias viáveis. Ou colaborar com equipes que já desenvolveram essa capacidade e podem fornecer insights acionáveis, ou investir na criação de um desk interno dedicado a clima e meteorologia que combine expertise de mercado com ciência ambiental.

Como você espera que as tendências climáticas de longo prazo reformulem estruturalmente os mercados globais de commodities nos próximos anos?

Já estamos observando maior volatilidade em vez de mudanças de tendência suaves. A mudança climática não apenas desloca médias, mas aumenta a frequência e o agrupamento de extremos.

Estruturalmente, isso significa maior incerteza de oferta, prêmios de risco mais elevados e maior ênfase na flexibilidade em logística e gestão de estoques. Algumas regiões deixarão de ser fornecedores confiáveis, enquanto outras podem ganhar importância estratégica.

À medida que o risco climático se torna mais central nos frameworks institucionais, como você vê os modelos informados por clima influenciando a construção de portfólios, divulgação ou relatórios de risco?

Os modelos informados por clima gradualmente passarão de sobreposições qualitativas para entradas de risco quantitativas. Na construção de portfólios, podem orientar o dimensionamento de posições, a exposição a riscos de cauda e as premissas de diversificação. Na divulgação e nos relatórios, oferecem uma forma mais defensável, baseada em cenários, de discutir a exposição climática sem depender de narrativas simples.

Com o tempo, espero que o risco climático seja tratado nos mercados de commodities de forma semelhante ao risco macro ou de volatilidade: não como uma categoria ESG separada, mas como um componente central do risco de mercado.

Você pode compartilhar um exemplo em que insights do seu modelo ajudaram a antecipar um movimento significativo de preço de commodity antes que se tornasse óbvio para o mercado mais amplo?

Como mencionei anteriormente, o gás natural é um exemplo claro da percepção do modelo.

Além disso, vemos exemplos ainda mais claros aplicáveis aos mercados agrícolas.

Por exemplo, na produção de suco de laranja no Brasil em 2023, índices de umidade e vegetação baseados em satélite revelaram estresse de seca persistente meses antes de serem refletidos nas estimativas oficiais de produção ou nos comentários de mercado. Os preços inicialmente permaneceram estáveis porque o dano ainda não era observável. Quando as previsões de produção foram revisadas e as manchetes seguiram, os preços ajustaram rapidamente, mas naquele momento o risco subjacente já vinha se acumulando há semanas.

Outro caso é a produção de café Robusta no Vietnã em 2023‑2024. Nesse episódio, seca prolongada e estresse térmico reduziram gradualmente o potencial de produção, enquanto o mercado inicialmente tratou a situação como temporária. O modelo capturou cedo a natureza cumulativa do estresse. Quando as perdas de produção se tornaram indiscutíveis, os preços moveram‑se de forma acentuada.

Um padrão semelhante ocorreu nos mercados de cacau na África Ocidental em novembro de 2023, quando ventos Harmattan incomumente persistentes criaram déficits de umidade e problemas de polinização. O estresse físico foi evidente muito antes da reação do mercado, que só se acelerou quando as preocupações de oferta entraram nas narrativas predominantes.

Em todos esses casos, a percepção chave é a mesma: o modelo ajuda a identificar estresse físico lento e acumulado que altera a assimetria de risco muito antes da resposta do mercado. Por isso, o timing e a avaliação probabilística são muito mais importantes do que reagir a manchetes ou eventos climáticos isolados.

Obrigado pela ótima entrevista, leitores que desejam saber mais devem visitar a Mind Money.