Nexus: Um Framework Baseado em Agentes para Previsão de Séries Temporais

Resumo

A previsão de séries temporais não é apenas uma extrapolação numérica, mas frequentemente requer raciocínio com dados contextuais não estruturados, como notícias ou eventos. Embora Modelos de Base de Séries Temporais (TSFMs) especializados se destaquem na previsão baseada em padrões numéricos, eles permanecem alheios a sinais textuais do mundo real. Por outro lado, embora LLMs estejam emergindo como previsores zero-shot, seu desempenho permanece desigual entre domínios e fundamentação contextual. Para preencher essa lacuna, apresentamos Nexus, uma estrutura de previsão multiagente que decompõe a predição em etapas especializadas: isolando flutuações temporais de nível macro e micro, e integrando informações contextuais quando disponíveis antes de sintetizar uma previsão final. Essa decomposição permite que Nexus se adapte de sinais sazonais a informações voláteis e orientadas por eventos, sem depender de âncoras estatísticas externas ou prompting monolítico. Mostramos que LLMs da geração atual possuem uma capacidade intrínseca de previsão substancialmente mais forte do que reconhecido anteriormente, dependendo criticamente de como o raciocínio numérico e contextual é organizado. Avaliado em dados estritamente posteriores aos cortes de conhecimento dos LLMs, abrangendo métricas imobiliárias do Zillow e ações voláteis do mercado de capitais, Nexus consistentemente iguala ou supera TSFMs de última geração e fortes baselines de LLM. Além da precisão numérica, Nexus produz traços de raciocínio de alta qualidade que mostram explicitamente os impulsionadores fundamentais por trás de cada previsão. Nossos resultados estabelecem que a previsão no mundo real é um problema de raciocínio agentivo que se estende muito além da mera modelagem de sequências.

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.