기술 요약: Nexus – 시계열 예측을 위한 에이전트 프레임워크

문제 정의

시계열 예측은 전통적으로 구조화된 데이터 내의 수치적 패턴, 계절성, 장기 의존성을 식별하는 데 뛰어난 전문 시계열 기초 모델 (TSFMs) 에 의존해 왔습니다. 그러나 이러한 모델들은 "다중 모달 진공" 상태에서 작동하여, 실제 데이터의 구조적 단절과 체제 전환을 주도하는 비구조화된 맥락 신호 (예: 뉴스, 사건, 거시경제 요약) 를 통합하지 못하는 경우가 많습니다. 반면, 대규모 언어 모델 (LLM) 은 이러한 텍스트 맥락을 해석할 수 있는 추론 능력을 갖추고 있지만, 정밀한 수치적 패턴 인식을 위한 고유한 자기회귀 메커니즘이 부족한 경우가 많아, 단독으로 제로샷 예측기로 사용될 때 최적의 성능을 내지 못합니다.

이 연구가 해결하는 핵심 과제는 연구자들이 직면하는 "타협"입니다. 즉, 통계 모델을 활용하기 위해 중요한 정성적 맥락을 포기하거나, 시계열 특성을 포착하는 데 어려움을 겪는 LLM 에 의존해야 하는 상황입니다. 본 논문은 과거의 수치 시퀀스 ($X_{1:\tau}$) 와 관련된 비구조화된 텍스트 ($E_{1:\tau}$) 를 기반으로, 미래의 수치 값 ($X_{\tau+1:\tau+T}$) 과 그 근본적인 인과적 근거 ($R$) 를 공동으로 예측하는 다중 모달 문제로 과제를 정의합니다.

방법론: Nexus 프레임워크

통계적 엄밀함과 맥락적 추론 간의 간극을 메우기 위해, 저자들은 Nexus라는 완전히 LLM 기반의 다중 에이전트 프레임워크를 소개합니다. 단일 모놀리식 모델이 예측의 모든 측면을 처리하도록 강요하는 대신, Nexus 는 작업을 세 가지 논리적 단계로 분해합니다.

1. 맥락화

긴 맥락 시나리오에서의 인지 과부하를 방지하기 위해 **역사적 맥락 에이전트 ($A_{ctx}$)**가 원시 다중 모달 데이터를 처리합니다. 이 에이전트는 원시 수치 값과 밀집된 텍스트를 매우 구조화된 시간순 타임라인 ($H_{1:\tau}$) 으로 변환합니다. 각 시간 단계에서 이 에이전트는 노이즈를 필터링하고 수치 값과 주요 동인 요인의 간결한 요약을 명시적으로 연결하여, 하위 에이전트들이 인과 관계에 대한 고충실도 신호를 받도록 보장합니다.

2. 이중 해상도 예측 전망 생성

Nexus 는 구조화된 역사 데이터에서 두 가지 상호 보완적인 관점을 생성합니다.

• 거시 추론 에이전트 ($A_{macro}$): 전체 예측 기간에 대한 광범위한 궤적을 매핑하는 상향식 접근 방식을 채택합니다. 이는 예상 체제를 설정하고 최종 예측이 근본적인 전환과 일치하도록 보장합니다.
• 미시 추론 에이전트 ($A_{micro}$): 세분화된 단계별 접근 방식을 채택합니다. 이는 모든 미래 시간 단계에 대한 즉각적인 촉매제, 단기 전환, 국소적 변동성을 평가하여 특정 사건에 대한 대응력을 보장합니다.

3. 예측 통합 및 보정

• 예측 통합 에이전트 ($A_{syn}$): 이 에이전트는 학습된 가이드라인 ($G$) 을 조건으로 하여 거시 및 미시 관점을 동적으로 병합합니다. 이는 구조화된 역사와 이중 전망을 통합하여 최종 수치 예측과 명시적 추론을 생성합니다.
• 보정 에이전트 ($A_{calib}$): 수동 지시 설계 없이 특정 도메인에 적응하기 위해, Nexus 는 전진 시뮬레이션 백테스팅 메커니즘을 사용합니다. 이는 역사적 분할 전반에 걸친 예측 오차를 분석하여 비판 규칙 ($G_i$) 을 생성합니다. 이러한 규칙들은 교차되어 견고한 마스터 가이드라인 ($G$) 을 형성하며, 이는 숨겨진 검증 세트에서 성능 향상을 가져오는 경우에만 적용되어 과적합을 방지합니다.

주요 기여

본 논문은 세 가지 주요 기여를 합니다:

1. 추론의 분리: 효과적인 LLM 예측은 LLM 의 고유한 수치적 한계를 극복하기 위해 거시적 추세를 세분화된 시계열 특징으로부터 분리해야 함을 보여줍니다.
2. Nexus 프레임워크: 거시 (거시적) 및 미시 (세분화된) 전망을 모델링한 후 이를 동적으로 통합하여 단일하고 견고한 예측으로 만드는 다중 에이전트 아키텍처를 소개합니다.
3. 최첨단 성능: Nexus 는 TimesFM-2.5 와 같은 전용 TSFM 을 순수 수치 환경에서도 능가하거나 그 성능에 필적하는 결과를 달성하며, 높은 계절성 (Zillow) 과 변동성 (주식) 데이터셋 모두에서 우수한 성과를 보이며, 매우 해석 가능한 추론 흔적을 생성함을 입증합니다.

실험 결과

저자들은 데이터 누출 없이 제로샷 평가를 보장하기 위해, 기반 LLM 의 지식 컷오프 (2025 년 1 월) 이후의 데이터로 Nexus 를 평가했습니다. 사용된 데이터셋은 다음과 같습니다.

• Zillow 부동산 지표: 미국 주요 15 개 대도시 지역의 주간 판매 재고 수.
• 주식 시장 주식: 7 개 다양한 상장 기업의 주간 종가 (예: AAPL, GOOGL, RKLB).

성능 지표:

• 다중 모달 맥락: Nexus 는 강력한 체인 오브 씽킹 (CoT) 베이스라인보다 일관되게 우수한 성과를 보였습니다. Claude-4.5-Sonnet 을 사용한 Zillow 데이터셋에서 Nexus 는 CoT 베이스라인 대비 MAPE 를 86.6% 감소시키고 RMSE 를 88.6% 감소시켰습니다.
• 수치 맥락만: 텍스트 맥락이 없더라도 Nexus 는 TimesFM-2.5 와 동등하거나 더 나은 성능을 발휘했습니다. 예를 들어, Gemini-3.1-Pro 를 사용한 Zillow 데이터셋에서 Nexus 는 CoT 베이스라인 대비 MAPE 를 10.4% 개선했으며, 전문 TSFM 의 성능과 일치했습니다.
• 추론 품질: 교차 평가 방법 (Gemini 가 Claude 를 평가하고 그 반대) 을 사용한 쌍별 평가에서 Nexus 는 도메인 관련성, 사건 타당성, 논리 - 수치 일관성 등 다양한 기준에 따라 **63.5% 에서 97.1%**의 경우에서 CoT 베이스라인보다 선호되었습니다.

구성 요소 분석:
Ablation 연구는 모든 구성 요소가 필수적임을 확인했습니다. 미시 추론 에이전트를 제거하면 주식 데이터에서 MAPE 가 증가하여 변동성에 대한 세분화된 분석의 필요성을 나타냈습니다. 마찬가지로, 거시 추론 에이전트를 제거하면 성능이 저하되어 전반적인 추세 지침의 필요성을 강조했습니다.

중요성과 주장

본 논문은 실제 세계 예측이 단순한 시퀀스 모델링을 넘어선 근본적인 에이전트 추론 문제라고 주장합니다. 예측 과정을 분해함으로써 Nexus 는 수치 및 맥락적 추론이 효과적으로 조직화된다면 현재 세대의 LLM 이 이전에 인식된 것보다 더 강력한 고유한 예측 능력을 보유하고 있음을 보여줍니다.

저자들은 Nexus 가 해석 가능하고, 견고하며, 매우 적응력 있는 예측 시스템을 개발하기 위한 유망한 접근 방식을 제공한다고 강조합니다. 수정 없이 예측을 생성하는 정적 모델과 달리, Nexus 는 각 예측의 근본적인 동인을 명시적으로 보여주는 고품질 추론 흔적을 생성하여 수치적 추세와 정성적 맥락 간의 간극을 메웁니다. 이 연구는 예측의 미래가 모놀리식 모델에 있는 것이 아니라, 통계적 속성과 근본적인 동인을 통합할 수 있는 다중 에이전트 시스템에 있음을 시사합니다.