Nexus: 시계열 예측을 위한 에이전트 기반 프레임워크

Nexus : An Agentic Framework for Time Series Forecasting

시계열 예측은 단순한 수치적 외삽을 넘어, 뉴스나 이벤트와 같은 비정형 맥락 데이터를 활용하는 추론 능력을 요구합니다. 기존의 시계열 파운데이션 모델(TSFM)은 수치 패턴 기반 예측에 뛰어난 성능을 보이지만, 실제 세계의 텍스트 기반 신호에는 무지합니다. 반면, LLM은 제로샷 예측 모델로 등장하고 있지만, 도메인과 맥락에 따라 성능 편차가 큽니다. 이러한 격차를 해소하기 위해, 우리는 예측을 특화된 단계로 분해하여 작동하는 멀티 에이전트 예측 프레임워크인 Nexus를 소개합니다. Nexus는 거시적 및 미시적 시간적 변동을 분리하고, 가용한 경우 맥락 정보를 통합한 후 최종 예측을 생성합니다. 이러한 분해는 Nexus가 외부 통계적 기준이나 통합적인 프롬프트에 의존하지 않고 계절적 신호부터 예측 불가능한 이벤트 기반 정보까지 적응할 수 있도록 합니다. Zillow 부동산 지표 및 변동성이 큰 주식 시장 데이터를 사용하여 실험한 결과, Nexus는 최첨단 TSFM과 강력한 LLM 기준 모델보다 우수한 성능을 보였으며, 현재 세대의 LLM이 이전에 인식되지 않았던 훨씬 강력한 내재적인 예측 능력을 가지고 있음을 보여주었습니다. 또한, Nexus는 수치적 정확성 외에도 각 예측의 근본적인 원인을 명확하게 보여주는 고품질 추론 과정을 제공합니다. 이러한 결과는 실제 세계의 예측이 단순히 시퀀스 모델링을 넘어선 에이전트 기반 추론 문제라는 것을 입증합니다.

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.