Nexus: Un marco agéntico para el pronóstico de series temporales

Resumen

La predicción de series temporales no es simplemente una extrapolación numérica, sino que a menudo requiere razonamiento con datos contextuales no estructurados, como noticias o eventos. Mientras que los Modelos Fundacionales de Series Temporales (TSFMs) especializados destacan en la predicción basada en patrones numéricos, permanecen ajenos a las señales textuales del mundo real. Por el contrario, aunque los LLMs están emergiendo como pronosticadores de cero disparos, su rendimiento sigue siendo desigual entre dominios y fundamentos contextuales. Para cerrar esta brecha, presentamos Nexus, un marco de predicción multiagente que descompone el pronóstico en etapas especializadas: aislar las fluctuaciones temporales a nivel macro y micro, e integrar información contextual cuando está disponible antes de sintetizar un pronóstico final. Esta descomposición permite que Nexus se adapte desde señales estacionales hasta información volátil impulsada por eventos, sin depender de anclajes estadísticos externos o indicaciones monolíticas. Demostramos que los LLMs de generación actual poseen una capacidad predictiva intrínseca sustancialmente más fuerte de lo reconocido anteriormente, dependiendo críticamente de cómo se organizan el razonamiento numérico y contextual. Evaluado en datos que suceden estrictamente después de los límites de conocimiento de los LLMs, abarcando métricas inmobiliarias de Zillow y acciones bursátiles volátiles, Nexus iguala o supera consistentemente a los TSFMs de última generación y a los modelos base LLM sólidos. Más allá de la precisión numérica, Nexus produce trazas de razonamiento de alta calidad que muestran explícitamente los impulsores fundamentales detrás de cada pronóstico. Nuestros resultados establecen que la predicción en el mundo real es un problema de razonamiento agéntico que se extiende mucho más allá del modelado secuencial.

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.