Nexus: Een agentisch framework voor tijdreeksvoorspelling

Samenvatting

Tijdreeksvoorspelling is niet louter numerieke extrapolatie, maar vereist vaak redeneren met ongestructureerde contextuele gegevens zoals nieuws of gebeurtenissen. Hoewel gespecialiseerde Tijdreeksfundamentmodellen (TSFM's) uitblinken in het voorspellen op basis van numerieke patronen, blijven ze blind voor real-world tekstuele signalen. Omgekeerd, hoewel LLM's opkomen als nul-shot voorspellers, zijn hun prestaties nog steeds ongelijkmatig over domeinen en contextuele verankering heen. Om deze kloof te overbruggen introduceren we Nexus, een multi-agent voorspellingsraamwerk dat de voorspelling opsplitst in gespecialiseerde fasen: het isoleren van temporele fluctuaties op macro- en microniveau, en het integreren van contextuele informatie wanneer beschikbaar, alvorens een definitieve voorspelling te synthetiseren. Deze ontleding stelt Nexus in staat zich aan te passen van seizoenssignalen tot vluchtige, gebeurtenisgestuurde informatie, zonder te vertrouwen op externe statistische ankers of monolithische prompting. We tonen aan dat huidige generatie LLM's een aanzienlijk sterker intrinsiek voorspellingsvermogen bezitten dan eerder werd erkend, wat cruciaal afhangt van hoe numeriek en contextueel redeneren wordt georganiseerd. Geëvalueerd op data die strikt na de kennisafsluitdata van LLM's valt, variërend van Zillow vastgoedmetrics tot vluchtige aandelenmarktequities, evenaart of overtreft Nexus consistent state-of-the-art TSFM's en sterke LLM-baselines. Naast numerieke nauwkeurigheid produceert Nexus hoogwaardige redeneertraces die expliciet de fundamentele drijvers achter elke voorspelling tonen. Onze resultaten bevestigen dat real-world voorspelling een agentisch redeneerprobleem is dat veel verder gaat dan alleen sequentiemodellering.

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.