Nexus : Un cadre agentique pour la prévision de séries temporelles

Résumé

La prévision de séries temporelles ne se résume pas à une simple extrapolation numérique, mais exige souvent un raisonnement intégrant des données contextuelles non structurées telles que des actualités ou des événements. Alors que les modèles de fondation spécialisés dans les séries temporelles (TSFM) excellent dans la prévision à partir de motifs numériques, ils restent insensibles aux signaux textuels du monde réel. Inversement, bien que les LLM émergent comme des prévisionnistes zéro-shot, leurs performances demeurent inégales selon les domaines et l’ancrage contextuel. Pour combler cet écart, nous présentons Nexus, un cadre de prévision multi-agents qui décompose la prédiction en étapes spécialisées : isoler les fluctuations temporelles de niveau macro et micro, et intégrer les informations contextuelles lorsqu’elles sont disponibles avant de synthétiser une prévision finale. Cette décomposition permet à Nexus de s’adapter de signaux saisonniers à des informations volatiles liées à des événements, sans recourir à des ancres statistiques externes ni à des sollicitations monolithiques. Nous montrons que les LLM de la génération actuelle possèdent une capacité de prévision intrinsèque nettement plus forte que ce qui était reconnu auparavant, dépendant de manière cruciale de la manière dont les raisonnements numériques et contextuels sont organisés. Évalué sur des données postérieures aux coupures de connaissances des LLM, couvrant les métriques immobilières de Zillow et des actions boursières volatiles, Nexus égale ou dépasse systématiquement les TSFM de pointe et les bases de référence solides avec LLM. Au-delà de la précision numérique, Nexus produit des traces de raisonnement de haute qualité qui montrent explicitement les moteurs fondamentaux derrière chaque prévision. Nos résultats établissent que la prévision dans le monde réel est un problème de raisonnement agentique qui s’étend bien au-delà de la simple modélisation de séquences.

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.