Edward Nikulin, vädermodellexpert på Mind Money – Intervjuserie

Edward Nikulin, vädermodellexpert och chef för handelsdivisionen på den europeiska mäklaren Mind Money, är en skicklig kvantitativ forskare och datavetare med mer än åtta års erfarenhet av marknadsmodellering, systematisk handel och AI‑driven analys. Han är författaren till vädermodellen som används för Mind Money:s egna handelsstrategier.

Mind Money är en europeisk investerings- och mäklarplattform med bas i Limassol, Cypern, som erbjuder tillgång till globala aktier, obligationer, ETF:er samt utvalda IPO‑ och pre‑IPO‑möjligheter. Plattformen verkar under CySEC‑reglering och MiFID II‑efterlevnad och fokuserar på transparent prissättning, diversifierade investeringsalternativ och professionell portföljförvaltning för kunder som söker exponering mot internationella finansmarknader.

Edward Nikulin delar med sig av sin kunskap och expertis i att tillämpa klimat- och vädermodellering på analysen av råvarumarknader. Hans resa från handlare till vädermodellspecialist har format ett distinkt perspektiv på hur finansiella och miljömässiga data korsas. I detta avsnitt förklarar han hur hans väder‑råvarumodell fungerar i praktiken: vilka typer av klimat‑ och vädervariabler som inkluderas — från säsongsbetonade temperaturförändringar till nederbördsmönster och extrema händelser — och hur dessa indata omvandlas till handlingsbara handels‑ och risk‑signaler. Genom att kombinera marknadsintuition med vetenskaplig modellering ger Edward läsarna en sällsynt inblick i hur väderintelligens kan bli en avgörande faktor i råvarustrategier idag.

Kan du gå igenom din resa från att vara handlare till att bli klimat‑ och vädermodellexpert, och hur den bakgrunden formar ditt sätt att analysera råvarumarknader idag?

Min bakgrund är inom kvantitativ handel och datavetenskap. I många år arbetade jag med systematiska råvaru‑ och derivatstrategier, så jag tänkte alltid i termer av handelssignaler och risk. Därefter blev jag inbjuden av en startup som fokuserar på att optimera maritim logistik att leda en AI‑inriktning relaterad till väder och klimat. Det satte mig i mycket nära daglig kontakt med hydrometeorologer, ekologer och ämnesspecialister som tänker mycket annorlunda än handlare.

Den erfarenheten var avgörande: jag lärde mig hur väderexperter resonerar kring fysiska processer, osäkerhet och tidsfördröjningar. Och lika viktigt, jag lärde mig hur olika deras mentala modeller är jämfört med de som används på marknaderna.

Idag arbetar jag i skärningspunkten mellan dessa två världar. Jag närmar mig inte väder som ett prognosproblem (faktiskt är det lite meningsfullt att försöka slå NOAA‑ och ECMWF‑modeller), och jag ser inte marknader som enbart statistiskt brus. Min handelsbakgrund tvingar varje klimatsignal att besvara mycket praktiska frågor: när, genom vilken mekanism och med vilken sannolikhet påverkar denna information faktiskt priset. Den kombinationen formar starkt hur jag analyserar råvarumarknader nu.

Hur fungerar din väder‑råvarumodell i praktiken — vilka typer av klimat‑ och väderdata inkluderar du, och hur omvandlas dessa variabler till handlingsbara handels‑ eller risk‑signaler?

I praktiken integrerar modellen flera lager av data snarare än att förlita sig på en enda källa.

På vädersidan använder vi realtids‑ och korttidsdata från numeriska väderprognosmodeller, hyperlokala meteorologiska stationsdata nära produktionszoner samt satellitbaserade indikatorer som vegetation‑ och torkindex. På klimatsidan spårar vi längre tidshorisont‑signaler via reanalys‑datamängder och storskaliga klimatindex som ENSO, NAO, PDO och andra.

Det verkliga nyckelsteget är inte förutsägelse utan översättning av påverkan. Råa vädervariabler kartläggs till produktions‑, logistik‑ eller efterfrågesidans mekanismer som är relevanta för en specifik råvara. Dessa samband formaliseras genom ett regelbaserat och probabilistiskt ramverk, ofta med Monte‑Carlo‑simuleringar för att fånga osäkerhet.

Resultatet är inte en väderprognos, utan en strukturerad signal: sannolikhetsviktade scenarier, riskasymmetri och tidsförskjutna påverkansestimat. Det är detta som möjliggör att signalerna kan användas antingen för handelsbeslut eller för riskkontroll, beroende på tidshorisonten.

Din modell har varit i drift i flera år med stark prestanda — hur beter den sig under stora väderstörningar, och vad avslöjade dessa perioder om marknadens reaktioner på klimatchocker?

En av de viktigaste insikterna från att köra modellen i realtid är att marknader nästan aldrig reagerar på väderskocker omedelbart och mycket sällan reagerar på ett linjärt sätt.

Ett bra nyligt exempel är naturgas. I slutet av oktober började vår modell flagga en hög och ökande sannolikhet för en störning av polarvortexen. Vid den tidpunkten såg spotvädret fortfarande relativt ofarligt ut, lagren var tillfredsställande och marknadsnarrativet var neutralt. Priserna reagerade knappt.

Det viktiga var att modellen inte producerade en binär signal. Den visade en sannolikhetskurva som fortsatte att stiga genom november och in i december, i takt med att atmosfäriska mönster blev mer instabila. Först senare, när kallare scenarier började dyka upp konsekvent i offentliga prognoser och medienarrativ, gick naturgas in i en stark uppåttrend.

Detta avsnitt tydliggjorde något vi ser om och om igen:

• först kommer fysisk atmosfärisk stress,
• sedan sannolikhetsackumulering,
• sedan informationsspridning,
• och först i slutet ser vi prisjustering.

Hur använder råvaruhandlare och investerare för närvarande klimat‑ och väderdata i sina riskhanteringsstrategier, och var tror du att de flesta deltagare fortfarande brister?

De flesta deltagare använder fortfarande väderdata på ett i stor utsträckning diskretionärt sätt. De följer prognoser, läser expertkommentarer och justerar positioner baserat på den upplevda allvaret i händelserna. I riskhantering används klimatdata ofta retrospektivt.

Där de brister är i formaliseringen. Vädersignaler är ofta subjektiva, ojämnt viktade och dåligt integrerade med marknadsstrukturen. Ett annat vanligt problem är att överreagera på visuellt dramatiska men ekonomiskt irrelevanta avvikelser, eller underreagera på långsamt rörliga processer som har mycket större betydelse för utbudet.

Det största gapet är avsaknaden av en tydlig koppling mellan väder, produktionspåverkan och prisrespons.

Vilka specifika klimat‑ eller väderindikatorer tror du kommer att vara viktigast för råvarumarknader fram till 2026, särskilt för jordbruk och energi?

För jordbruket kommer bestående fuktbalansindikatorer — torkutveckling, markfuktighet och växtlighetens hälsa — att vara mycket viktigare än enskilda väderhändelser. Temperaturextremer under känsliga tillväxtfaser kommer också att förbli kritiska.

För energi kommer fokus att ligga på efterfrågesidans temperaturavvikelser, särskilt vintervolatilitet för uppvärmningsbehov och sommarvärmebelastning på elsystemen. På klimatsidan kommer storskaliga svängningar som ENSO fortsätta påverka regionala obalanser mellan utbud och efterfrågan.

På vilka sätt skiljer sig ditt tillvägagångssätt från mer traditionella råvaruförutsägelsemodeller eller standard väderbaserad analys som används på marknaderna?

Den största skillnaden är att vi inte försöker förutsäga priser eller väder direkt, och vi tar inte heller vanliga väderprognoser. Vårt team fokuserar på kvantitativ modellering av väders och klimats påverkan på priser.

Traditionella modeller extrapolerar ofta priser statistiskt eller behandlar väder som en extern förklarande variabel med svag struktur. Standard väderanalys, å andra sidan, tenderar att vara beskrivande snarare än marknadsmedveten. Vårt tillvägagångssätt formaliserar den kausala kedjan mellan miljöförhållanden och marknadspåverkan, och modellerar explicit osäkerhet, timing och relevans.

Vilka är de största utmaningarna som investerare möter när de försöker integrera klimatdata i verkliga beslutsprocesser, och hur kan de undvika vanliga fallgropar?

Den största utmaningen är att skilja signal från brus. Klimatdata är högdimensionell, långsam och ofta känslomässigt laddad av medienarrativ.

Vanliga fallgropar inkluderar överanpassning av historiska korrelationer, att ignorera tidsfördröjningar och att anta att mer data automatiskt leder till bättre beslut. Ett annat misstag är att behandla klimattrender som deterministiska snarare än probabilistiska.

I verkligheten beror de flesta av dessa problem på bristande förståelse. Att integrera klimatdata i handel eller riskhantering är inte så enkelt. Det kräver en betydande mängd tid för att förstå fysiska mekanismer, regionala specifika förhållanden, databegränsningar och, framför allt, hur marknader faktiskt bearbetar denna information. Utan den grunden tenderar klimatdata att skapa falsk självsäkerhet snarare än bättre beslut.

Att bara anställa meteorologer kan hjälpa till att minska kunskapsgapet inom väder, men det löser inte kärnproblemet: att översätta väder‑ och klimatsignaler till mätbar marknadspåverkan och prisdynamik. Vid den tidpunkten finns i praktiken bara två hållbara vägar. Antingen samarbeta med team som redan har byggt upp denna förmåga och kan leverera handlingsbara insikter, eller investera i att bygga en dedikerad väder‑ och klimatavdelning internt som kombinerar marknadsexpertis med miljövetenskap.

Hur förväntar du dig att långsiktiga klimattrender strukturellt omformar globala råvarumarknader under de kommande åren?

Vi ser redan ökad volatilitet snarare än jämna trendförändringar. Klimatförändringarna flyttar inte bara medelvärden, de ökar frekvensen och klustringen av extrema händelser.

Strukturellt innebär detta ökad osäkerhet kring utbud, högre riskpremier och ett större fokus på flexibilitet i logistik och lagerhantering. Vissa regioner blir mindre pålitliga leverantörer, medan andra kan få ökad strategisk betydelse.

När klimatrisk blir mer central i institutionella ramverk, hur ser du att klimatinformerade modeller påverkar portföljkonstruktion, rapportering eller riskredovisning?

Klimatinformerade modeller kommer gradvis att gå från kvalitativa överlägg till kvantitativa riskinmatningar. I portföljkonstruktion kan de informera positionering, exponering mot svansrisk och diversifieringsantaganden. I rapportering och redovisning ger de ett mer försvarbart, scenariosbaserat sätt att diskutera klimatexponering utan att förlita sig på enkla narrativ.

Med tiden förväntar jag mig att klimatrisk behandlas på råvarumarknader på samma sätt som makro‑ eller volatilitet‑risk: inte som en separat ESG‑kategori, utan som en kärnkomponent i marknadsrisken.

Kan du ge ett exempel där insikter från din modell hjälpte till att förutse en betydande råvaruprisrörelse innan den blev uppenbar för den bredare marknaden?

Som jag nämnde tidigare är naturgas ett tydligt exempel på modellens insikt.

Vi ser också ännu tydligare exempel som är tillämpliga på jordbruksmarknader.

Till exempel, i den brasilianska apelsinjuiceproduktionen 2023 avslöjade satellitbaserade fukt‑ och vegetationindex en bestående torkstress månader innan den återspeglades i officiella avkastningsuppskattningar eller marknadskommentarer. Priserna förblev initialt oförändrade eftersom skadan ännu inte var synlig. När produktionsprognoserna reviderades och rubriker följde, justerades priserna snabbt, men vid den tidpunkten hade den underliggande risken redan byggts upp i veckor.

Ett annat exempel är produktionen av Robusta‑kaffe i Vietnam 2023‑2024. I det fallet minskade långvarig torka och värmestress gradvis produktionspotentialen, medan marknaden initialt behandlade situationen som tillfällig. Modellen fångade den kumulativa naturen av stressen tidigt. När produktionsförlusterna blev obestridliga, rörde sig priserna kraftigt.

Ett liknande mönster uppstod på kakaomarknaden i Västafrika i november 2023, när ovanligt ihållande Harmattan‑vindar skapade fuktbrist och pollineringsproblem. Den fysiska stressen var tydlig långt innan marknadsreaktionen, som bara accelererade när försörjningsfrågor kom in i de vanliga narrativen.

I alla dessa fall är den centrala insikten densamma: modellen hjälper till att identifiera långsam, ackumulerande fysisk stress som förändrar riskasymmetrin långt innan marknaden reagerar. Detta är anledningen till att timing och probabilistisk bedömning betyder mycket mer än att reagera på rubriker eller enskilda väderhändelser.

Thank you for the great interview, readers who wish to learn more should visit Mind Money.