Nexus：時系列予測のためのエージェントベースフレームワーク

要旨

時系列予測は単なる数値の外挿ではなく、ニュースやイベントなどの非構造化コンテクストデータを用いた推論を必要とすることが多い。特殊化された時系列基盤モデル（TSFM）は数値パターンに基づく予測に優れている一方、現実世界のテキスト信号を認識できない。逆に、LLMはゼロショット予測器として台頭しつつあるが、その性能は領域やコンテクストの接地状況に応じて不均一である。このギャップを埋めるために、我々はNexusを提案する。これは、予測を特殊化された段階に分解するマルチエージェント予測フレームワークであり、マクロレベルおよびミクロレベルの時間的変動を分離し、利用可能な場合にはコンテクスト情報を統合した上で最終予測を合成する。この分解により、Nexusは外部の統計的アンカーや単一のプロンプトに依存することなく、季節的信号から変動の激しいイベント駆動型情報に適応できる。我々は、現在の世代のLLMが従来認識されていたよりもはるかに強い本質的な予測能力を持ち、その能力は数値的およびコンテクスト的推論の編成方法に決定的に依存することを示す。LLMの知識カットオフを厳密に超えたデータ（Zillow不動産指標や変動の激しい株式市場銘柄）で評価した結果、Nexusは最先端のTSFMや強力なLLMベースラインと一貫して同等以上の性能を達成した。数値的正確性に加え、Nexusは各予測の背後にある基本的な要因を明示的に示す高品質な推論トレースを生成する。我々の結果は、現実世界の予測がシーケンスモデリングをはるかに超えたエージェント的推論問題であることを確立する。

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.