Edward Nikulin, Eksperto sa Modelo ng Panahon sa Mind Money – Serye ng Panayam

Edward Nikulin, eksperto sa modelo ng panahon at pinuno ng dibisyon ng pangangalakal sa European broker na Mind Money, ay isang bihasang quantitative researcher at data scientist na may higit sa walong taon ng karanasan sa pagmomodelo ng merkado, sistematikong pangangalakal, at AI-driven analytics. Siya ang may-akda ng modelo ng panahon na ginagamit para sa proprietary trading strategies ng Mind Money.

Mind Money ay isang European investment at brokerage platform na nakabase sa Limassol, Cyprus, na nag-aalok ng access sa mga global na stocks, bonds, ETFs, at piling IPO at pre-IPO na oportunidad. Operasyon sa ilalim ng regulasyon ng CySEC at pagsunod sa MiFID II, nakatuon ito sa transparent na pagpepresyo, diversified na mga opsyon sa pamumuhunan, at propesyonal na pamamahala ng portfolio para sa mga kliyente na naghahanap ng exposure sa internasyonal na pamilihang pinansyal.

Ibinahagi ni Edward Nikulin ang kanyang kaalaman at kadalubhasaan sa pag-aaplay ng climate at weather modeling sa pagsusuri ng commodity markets. Ang kanyang paglalakbay mula sa pagiging trader hanggang sa pagiging espesyalista sa weather‑model ay humubog ng natatanging pananaw kung paano nagsasama ang financial at environmental data. Sa artikulong ito, ipinaliwanag niya kung paano gumagana sa praktika ang kanyang weather‑commodity model: kung anong uri ng climate at weather variables ang isinasama — mula sa seasonal temperature shifts hanggang sa precipitation patterns at extreme events — at kung paano ang mga input na iyon ay ginagawang actionable trading at risk signals. Sa pamamagitan ng pagsasama ng market intuition at scientific modeling, nag-aalok si Edward sa mga mambabasa ng isang bihirang pananaw kung paano maaaring maging isang mapagpasyang salik ang weather intelligence sa commodity strategies ngayon.

Maaari mo bang ilahad ang iyong paglalakbay mula sa pagiging trader hanggang sa pagiging eksperto sa climate at weather model, at kung paano hinuhubog ng background na iyon ang paraan ng iyong pagsusuri sa commodity markets ngayon?

Ang aking background ay nasa quantitative trading at data science. Sa maraming taon, nagtrabaho ako sa systematic commodity at derivatives strategies, kaya palagi akong nag-iisip sa mga trading signals at risk. Pagkatapos, inimbitahan ako ng isang startup na nakatuon sa pag-optimize ng marine logistics upang pangunahan ang AI direction na may kaugnayan sa weather at climate. Iyon ay nagdala sa akin sa napakalapit na araw-araw na pakikipag-ugnayan sa mga hydrometeorologists, ecologists, at mga domain specialist na nag-iisip nang lubos na iba sa mga trader.

Mahalaga ang karanasang iyon: Natutunan ko kung paano mag-isip ang mga weather expert tungkol sa mga pisikal na proseso, kawalan ng katiyakan, at mga pagkaantala sa oras. At ganoon din kahalaga, natutunan ko kung gaano kaiba ang kanilang mental models kumpara sa mga ginagamit sa mga pamilihan.

Sa ngayon, nagtatrabaho ako sa intersection ng dalawang mundong iyon. Hindi ko tinatrato ang weather bilang isang forecasting problem (sa katunayan, kakaunti ang saysay ng pagsubukang talunin ang mga modelo ng NOAA at ECMWF), at hindi ko rin tinatrato ang mga pamilihan bilang purong statistical noise. Ang aking trading background ay nag-uutos sa bawat climate signal na sagutin ang napaka-praktikal na mga tanong: kailan, sa pamamagitan ng anong mekanismo, at sa anong probabilidad ang impormasyong ito ay talagang makakaapekto sa presyo. Ang kombinasyong iyon ay malakas na humuhubog sa kung paano ko sinusuri ang commodity markets ngayon.

Paano gumagana sa praktika ang iyong weather‑commodity model — anong uri ng climate at weather data ang iyong isinasama, at paano ang mga variable na iyon ay ginagawang actionable trading o risk signals?

Sa praktikal na pagsasalita, ang modelo ay nag-iintegrate ng ilang layer ng data sa halip na umasa sa isang solong pinagmulan.

Sa panig ng weather, kinukuha namin ang real-time at near-term data mula sa numerical weather prediction models, hyper-local na data mula sa mga meteorological station malapit sa mga production zone, at mga satellite-derived indicator tulad ng vegetation at drought indices. Sa panig ng climate, sinusubaybayan namin ang mga signal na may mas mahabang horizon sa pamamagitan ng reanalysis datasets at malawak na climate indices tulad ng ENSO, NAO, PDO, at iba pa.

Ang tunay na susi ay hindi ang prediksyon, kundi ang pagsasalin ng epekto. Ang raw weather variables ay ini-map sa mga mekanismo ng produksyon, logistics, o demand-side na mahalaga para sa isang tiyak na commodity. Ang mga ugnayang iyon ay pormal na inilalahad sa pamamagitan ng isang rules-based at probabilistic framework, madalas gumagamit ng Monte Carlo simulations upang mahuli ang kawalan ng katiyakan.

Ang output ay hindi isang weather forecast, kundi isang structured signal: probability-weighted scenarios, risk asymmetry, at time-shifted impact estimates. Iyon ang nagbibigay-daan sa mga signal na magamit para sa mga trading decision o para sa risk control, depende sa horizon.

Ang iyong modelo ay live na sa ilang taon na may malakas na performance — paano ito nagpakita noong mga malalaking weather disruption, at ano ang ipinakita ng mga panahong iyon tungkol sa reaksyon ng merkado sa mga climate shock?

Isa sa pinakamahalagang insight mula sa pagpapatakbo ng modelo nang live ay na halos hindi kailanman agad tumutugon ang mga merkado sa mga weather shock at bihira lamang na tumugon ito sa linear na paraan.

Isang magandang kamakailang halimbawa ay ang Natural Gas. Noong huling bahagi ng Oktubre, nagsimulang i-flag ng aming modelo ang mataas at tumataas na probabilidad ng isang polar vortex disruption. Sa puntong iyon, ang spot weather ay mukhang medyo banayad pa, ang imbentaryo ay kumportable, at ang market narrative ay neutral. Halos walang reaksyon ang presyo.

Ang mahalagang bahagi ay hindi naglabas ng binary signal ang modelo. Ipinakita nito ang probability curve na patuloy na tumataas mula Nobyembre hanggang Disyembre, habang nagiging mas hindi matatag ang atmospheric patterns. Tanging kalaunan, nang magsimulang lumitaw nang tuloy-tuloy ang mga mas malamig na scenario sa mga pampublikong forecast at media narrative, ay pumasok ang Natural Gas sa isang malakas na uptrend.

Ang episode na iyon ay malinaw na nagpakita ng isang bagay na paulit-ulit naming nakikita:

• una ay ang pisikal na atmospheric stress,
• pagkatapos ay ang pag-iipon ng probabilidad,
• pagkatapos ay ang pagkalat ng impormasyon,
• at sa huli lamang, nakikita natin ang pag-aayos ng presyo.

Paano ginagamit ng mga commodity trader at investor ang climate at weather data sa kanilang risk-management strategies, at sa tingin mo saan pa nagkukulang ang karamihan sa mga kalahok?

Karamihan sa mga kalahok ay gumagamit pa rin ng weather data sa isang halos discretionary na paraan. Sinusubaybayan nila ang mga forecast, nagbabasa ng expert commentary, at inaayos ang mga posisyon batay sa perceived severity ng mga pangyayari. Sa risk management, madalas na ginagamit ang climate data nang retrospectively.

Ang kanilang kahinaan ay ang formalization. Ang mga weather signal ay madalas subjective, hindi pare-pareho ang bigat, at mahina ang integrasyon sa istruktura ng merkado. Isa pang karaniwang isyu ay ang sobrang pag-react sa mga visual na dramatiko ngunit hindi ekonomikal na mahalaga na anomalies, o ang kulang na pag-react sa mga mabagal na proseso na mas mahalaga para sa supply.

Ang pinakamalaking puwang ay ang kawalan ng malinaw na mapping sa pagitan ng weather, epekto sa produksyon, at tugon ng presyo.

Aling mga tiyak na climate o weather indicator ang sa tingin mo ay magiging pinakamahalaga para sa commodity markets hanggang 2026, lalo na para sa agrikultura at enerhiya?

Para sa agrikultura, ang mga patuloy na moisture balance indicator — pag-unlad ng tagtuyot, soil moisture, at kalusugan ng vegetasyon — ay magiging mas mahalaga kaysa sa mga indibidwal na weather event. Ang mga temperature extremes sa panahon ng sensitibong growth phases ay mananatiling kritikal.

Para sa enerhiya, tututukan ang demand-side temperature anomalies, lalo na ang winter volatility para sa heating demand at summer heat stress sa mga power system. Sa panig ng climate, ang malalaking oscillation tulad ng ENSO ay magpapatuloy na makaapekto sa regional supply-demand imbalances.

Sa anong mga paraan naiiba ang iyong approach kumpara sa mas tradisyonal na commodity forecasting model o standard na weather-based analysis na ginagamit sa mga merkado?

Ang pangunahing pagkakaiba ay hindi namin sinusubukang i-forecast ang mga presyo o weather nang direkta, at hindi rin kami kumukuha ng vanilla weather forecasts. Ang aming koponan ay nakatuon sa quantitative modeling ng epekto ng weather at climate sa mga presyo.

Ang mga tradisyonal na modelo ay madalas nag-eextrapolate ng mga presyo nang estadistikal o itinuturing ang weather bilang isang external explanatory variable na may mahina na istruktura. Ang standard na weather analysis, sa kabilang banda, ay kadalasang nagiging descriptive kaysa market-aware. Ang aming approach ay nagfoformalize ng causal chain sa pagitan ng mga environmental condition at market impact, malinaw na nagmo-modelo ng kawalan ng katiyakan, timing, at relevance.

Ano ang pinakamalaking hamon na kinahaharap ng mga investor kapag sinusubukang isama ang climate data sa totoong desisyon, at paano nila maiiwasan ang mga karaniwang pitfalls?

Ang pinakamalaking hamon ay ang paghihiwalay ng signal mula sa ingay. Ang climate data ay high-dimensional, mabagal ang galaw, at madalas emosyonal na pinapainit ng mga media narrative.

Kabilang sa mga karaniwang pitfalls ang overfitting ng historical correlations, pagwawalang-bahala sa time lags, at pag-aakalang mas maraming data ay awtomatikong magdudulot ng mas magagandang desisyon. Isa pang pagkakamali ay ang pagtrato sa climate trends bilang deterministic sa halip na probabilistic.

Sa katotohanan, karamihan sa mga problemang ito ay nagmumula sa kakulangan ng pag-unawa. Ang pagsasama ng climate data sa trading o risk management ay hindi ganoon kadali. Nangangailangan ito ng malaking oras upang maunawaan ang mga pisikal na mekanismo, mga regional specifics, limitasyon ng data, at, higit sa lahat, kung paano talaga tinatanggap ng mga merkado ang impormasyong ito. Kung wala ang pundasyong iyon, ang climate data ay nagdudulot ng maling kumpiyansa sa halip na mas magagandang desisyon.

Ang simpleng pagkuha ng mga meteorologist ay maaaring makatulong na isara ang puwang sa weather expertise, ngunit hindi nito nalulutas ang pangunahing problema: ang pagsasalin ng weather at climate signals sa nasusukat na market impact at pricing dynamics. Sa puntong iyon, talagang may dalawang magagamit na landas lamang. Alinman ay makipagtulungan sa mga koponang nakabuo na ng kakayahang ito at maaaring magbigay ng actionable insights, o mamuhunan sa pagbuo ng isang dedikadong weather at climate desk sa loob ng kumpanya na pinagsasama ang market expertise at environmental science.

Paano mo inaasahan na ang mga pangmatagalang climate trend ay structurally na magbabago sa global commodity markets sa susunod na ilang taon?

Nakikita na namin ang pagtaas ng volatility kaysa sa mga maayos na pagbabago ng trend. Ang climate change ay hindi lamang naglilipat ng mga average, pinapataas nito ang dalas at clustering ng mga extreme.

Sa estruktura, nangangahulugan ito ng pagtaas ng supply uncertainty, mas mataas na risk premiums, at mas malaking diin sa flexibility sa logistics at inventory management. Ang ilang rehiyon ay magiging hindi gaanong maaasahang supplier, habang ang iba ay maaaring makakuha ng estratehikong kahalagahan.

Habang ang climate risk ay nagiging mas sentral sa mga institusyonal na balangkas, paano mo nakikita na ang mga climate-informed model ay makakaapekto sa portfolio construction, disclosure, o risk reporting?

Ang mga climate-informed model ay unti-unting lilipat mula sa qualitative overlays patungo sa quantitative risk inputs. Sa portfolio construction, maaari nilang gabayan ang position sizing, tail-risk exposure, at diversification assumptions. Sa disclosure at reporting, nagbibigay ito ng mas mapanagot, scenario-based na paraan upang talakayin ang climate exposure nang hindi umaasa sa simpleng narrative.

Sa paglipas ng panahon, inaasahan ko na ang climate risk ay ituturing sa commodity markets katulad ng macro o volatility risk: hindi bilang hiwalay na ESG category, kundi bilang pangunahing bahagi ng market risk.

Maaari mo bang ibahagi ang isang halimbawa kung saan ang mga insight mula sa iyong modelo ay nakatulong na ma-anticipate ang isang makabuluhang paggalaw ng presyo ng commodity bago ito naging halata sa mas malawak na merkado?

Tulad ng nabanggit ko kanina, ang natural gas ay isang malinaw na halimbawa ng insight ng modelo.

Gayundin, nakikita namin ang mas malinaw na mga halimbawa na naaangkop sa mga agricultural market.

Halimbawa, sa produksyon ng Brazilian orange juice noong 2023, ang satellite-based moisture at vegetation indices ay nagpakita ng patuloy na drought stress ilang buwan bago ito naipakita sa opisyal na yield estimates o market commentary. Ang mga presyo ay initially nanatiling flat dahil hindi pa nakikita ang pinsala. Nang ma-revise ang production forecasts at sumunod ang mga headline, mabilis na nag-adjust ang presyo, ngunit sa oras na iyon, ang pinagbabatayan na risk ay nabuo na nang ilang linggo.

Isa pang halimbawa ay ang produksyon ng Robusta coffee sa Vietnam noong 2023-2024. Sa episode na iyon, ang matagal na tagtuyot at heat stress ay unti-unting nagbawas ng production potential, habang ang merkado ay initially itinuturing ang sitwasyon bilang pansamantala. Na-capture ng modelo ang cumulative nature ng stress nang maaga. Nang naging hindi maikakaila ang mga pagkalugi sa produksyon, biglang gumalaw ang presyo.

Isang katulad na pattern ang naganap sa cocoa markets sa West Africa noong Nobyembre 2023, nang ang hindi pangkaraniwang matagal na Harmattan winds ay lumikha ng moisture deficits at pollination issues. Ang pisikal na stress ay halata nang maaga bago ang reaksyon ng merkado, na tumaas lamang nang pumasok ang mga alalahanin sa supply sa mainstream na narrative.

Sa lahat ng mga kasong ito, pareho ang pangunahing insight: ang modelo ay tumutulong na matukoy ang mabagal, nag-iipong pisikal na stress na nagbabago ng risk asymmetry nang maaga bago tumugon ang merkado. Ito ang dahilan kung bakit ang timing at probabilistic assessment ay mas mahalaga kaysa sa pag-react sa mga headline o hiwalay na weather events.

Salamat sa mahusay na panayam, mga mambabasa na nais pang matuto ay dapat bumisita sa Mind Money.