Nexus: Ein agentisches Framework für Zeitreihenprognose

Zusammenfassung

Zeitreihenprognose ist nicht bloß numerische Extrapolation, sondern erfordert oft die Verarbeitung unstrukturierter kontextueller Daten wie Nachrichten oder Ereignisse. Während spezialisierte Time Series Foundation Models (TSFMs) hervorragend auf der Grundlage numerischer Muster prognostizieren können, bleiben sie gegenüber realen textuellen Signalen ignorant. Umgekehrt sind LLMs zwar als Nullschuss-Prognostiker im Kommen, doch ihre Leistung ist je nach Domäne und kontextueller Verankerung ungleichmäßig. Um diese Lücke zu schließen, stellen wir Nexus vor, ein Multi-Agenten-Prognoseframework, das die Vorhersage in spezialisierte Phasen zerlegt: Isolierung makro- und mikromorphologischer zeitlicher Schwankungen, Integration kontextueller Informationen, sofern verfügbar, und Synthese einer endgültigen Prognose. Diese Zerlegung ermöglicht es Nexus, sich von saisonalen Signalen bis hin zu volatilen, ereignisgesteuerten Informationen anzupassen, ohne dabei auf externe statistische Anker oder monolithisches Prompting angewiesen zu sein. Wir zeigen, dass aktuelle LLMs eine wesentlich stärkere intrinsische Prognosefähigkeit besitzen als bisher anerkannt, was entscheidend davon abhängt, wie numerische und kontextuelle Argumentation organisiert sind. Bewertet auf Daten, die strikt nach den Wissensgrenzen der LLMs liegen, einschließlich Zillow-Immobilienkennzahlen und volatilen Aktienmärkten, erreicht Nexus durchgängig eine gleichwertige oder bessere Leistung als hochmoderne TSFMs und starke LLM-Baselines. Über die numerische Genauigkeit hinaus erzeugt Nexus hochwertige Argumentationsketten, die explizit die grundlegenden Treiber hinter jeder Prognose aufzeigen. Unsere Ergebnisse belegen, dass Prognosen in der realen Welt ein agentisches Argumentationsproblem darstellen, das weit über die reine Sequenzmodellierung hinausgeht.

English

Time series forecasting is not just numerical extrapolation, but often requires reasoning with unstructured contextual data such as news or events. While specialized Time Series Foundation Models (TSFMs) excel at forecasting based on numerical patterns, they remain unaware to real-world textual signals. Conversely, while LLMs are emerging as zero-shot forecasters, their performance remains uneven across domains and contextual grounding. To bridge this gap, we introduce Nexus, a multi-agent forecasting framework that decomposes prediction into specialized stages: isolating macro-level and micro-level temporal fluctuations, and integrating contextual information when available before synthesizing a final forecast. This decomposition enables Nexus to adapt from seasonal signals to volatile, event-driven information without relying on external statistical anchors or monolithic prompting. We show that current-generation LLMs possess substantially stronger intrinsic forecasting ability than previously recognized, depending critically on how numerical and contextual reasoning are organized. Evaluated on data strictly succeeding LLM knowledge cutoffs spanning Zillow real estate metrics and volatile stock market equities, Nexus consistently matches or outperforms state-of-the-art TSFMs and strong LLM baselines. Beyond numerical accuracy, Nexus produces high-quality reasoning traces that explicitly show the fundamental drivers behind each forecast. Our results establish that real-world forecasting is an agentic reasoning problem extending well beyond only sequence modeling.