Nexus : 시계열 예측을 위한 에이전틱 프레임워크

초록

시계열 예측은 단순한 수치 외삽이 아니라, 뉴스나 사건과 같은 구조화되지 않은 맥락적 데이터를 추론해야 하는 경우가 많다. 전문 시계열 기반 모델(TSFM)은 수치적 패턴에 기반한 예측에 뛰어나지만, 실제 세계의 텍스트 신호에는 무지한 상태로 남아 있다. 반면, 대규모 언어 모델(LLM)이 제로샷 예측기로 부상하고 있지만, 그 성능은 도메인과 맥락적 근거에 따라 여전히 불균형하다. 이러한 격차를 해소하기 위해 우리는 Nexus를 소개한다. 이는 예측을 특화된 단계들로 분해하는 다중 에이전트 예측 프레임워크로, 거시적 수준과 미시적 수준의 시간적 변동을 분리하고, 가용한 경우 맥락적 정보를 통합한 후 최종 예측을 종합한다. 이러한 분해를 통해 Nexus는 외부 통계적 기준점이나 단일 프롬프트에 의존하지 않고 계절적 신호에서 변동성이 큰 사건 기반 정보까지 적응할 수 있다. 우리는 현재 세대의 LLM이 이전에 인식된 것보다 훨씬 강력한 본질적 예측 능력을 보유하며, 이는 수치적 추론과 맥락적 추론이 어떻게 조직화되는지에 결정적으로 의존함을 보여준다. Zillow 부동산 지표와 변동성이 큰 주식 시장 자산을 포함하는, LLM 지식 중단점 이후의 데이터에 대해 엄격히 평가한 결과, Nexus는 최신 TSFM 및 강력한 LLM 기준선과 일관되게 일치하거나 이를 능가한다. 수치적 정확성 외에도 Nexus는 각 예측의 근본적 동인을 명시적으로 보여주는 고품질 추론 흔적을 생성한다. 우리의 결과는 실제 세계 예측이 단순한 시퀀스 모델링을 훨씬 넘어서는 에이전트적 추론 문제임을 확립한다.

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.