Nexus: Агентный фреймворк для прогнозирования временных рядов

Аннотация

Прогнозирование временных рядов — это не просто численная экстраполяция, а зачастую требует рассуждений на основе неструктурированных контекстуальных данных, таких как новости или события. Специализированные фундаментальные модели временных рядов (TSFM), превосходно прогнозируя на основе числовых паттернов, остаются нечувствительными к реальным текстовым сигналам. С другой стороны, хотя большие языковые модели (LLM) начинают использоваться как прогнозисты в режиме zero-shot, их производительность остается неравномерной в разных предметных областях и при контекстуальной привязке. Для преодоления этого разрыва мы представляем Nexus — многогаентную систему прогнозирования, которая разбивает предсказание на специализированные этапы: выделение макроуровневых и микроуровневых временных флуктуаций, интеграцию контекстуальной информации при её наличии и последующий синтез окончательного прогноза. Такое разложение позволяет Nexus адаптироваться как к сезонным сигналам, так и к волатильной, событийно-ориентированной информации, не полагаясь на внешние статистические якоря или монолитные промпты. Мы показываем, что LLM текущего поколения обладают значительно более сильной врожденной способностью к прогнозированию, чем считалось ранее, причем это критически зависит от организации численных и контекстуальных рассуждений. При оценке на данных, строго следующих за датой отсечки знаний LLM, охватывающих метрики недвижимости Zillow и волатильные акции фондового рынка, Nexus последовательно достигает или превосходит результаты современных TSFM и сильных базовых LLM. Помимо численной точности, Nexus генерирует высококачественные цепочки рассуждений, которые явно показывают фундаментальные движущие силы каждого прогноза. Наши результаты устанавливают, что прогнозирование в реальном мире — это агентная задача рассуждения, выходящая далеко за рамки только моделирования последовательностей.

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.