Technische Samenvatting: Nexus – Een Agentic Framework voor Tijdreeksvoorspelling

Probleemformulering

Tijdreeksvoorspelling heeft traditioneel vertrouwd op gespecialiseerde Time Series Foundation Models (TSFMs) die uitstekend zijn in het identificeren van numerieke patronen, seizoensinvloeden en langetermijnafhankelijkheden binnen gestructureerde data. Deze modellen opereren echter in een "multimodaal vacuüm", waarbij ze vaak falen in het integreren van ongestructureerde contextuele signalen (bijvoorbeeld nieuws, gebeurtenissen, macro-economische samenvattingen) die structurele breuken en regimeverschuivingen in real-world data veroorzaken. Omgekeerd beschikken Large Language Models (LLMs), hoewel ze over redeneervermogen beschikken om dergelijke tekstuele context te analyseren, vaak niet over de intrinsieke autoregressieve mechanismen die nodig zijn voor precieze numerieke patroonherkenning, wat leidt tot suboptimale prestaties wanneer ze worden gebruikt als standalone zero-shot voorspellers.

De kernuitdaging die door dit werk wordt aangepakt, is het "compromis" waar onderzoekers voor staan: ofwel kritieke kwalitatieve context verwerpen om statistische modellen te gebruiken, ofwel vertrouwen op LLMs die moeite hebben met het vastleggen van eigenschappen van tijdreeksen. Het artikel formuleert de taak als een multimodaal probleem dat de gezamenlijke voorspelling vereist van toekomstige numerieke waarden ($X_{\tau+1:\tau+T}$) en hun onderliggende causale onderbouwing ($R$), gebaseerd op een historische context van zowel numerieke sequenties ($X_{1:\tau}$) als bijbehorende ongestructureerde tekst ($E_{1:\tau}$).

Methodologie: Het Nexus Framework

Om de kloof tussen statistische strengheid en contextueel redeneren te overbruggen, introduceren de auteurs Nexus, een volledig door LLM-aangedreven multi-agent framework. In plaats van een enkel monolithisch model te dwingen om alle aspecten van voorspelling te hanteren, decomposeert Nexus de taak in drie distincte logische fasen:

1. Contextualisatie

Om cognitieve overbelasting in scenario's met lange context te voorkomen, verwerkt een Historical Context Agent ($A_{ctx}$) de ruwe multimodale data. Deze agent transformeert ruwe numerieke waarden en dichte tekst in een hoogst gestructureerde, chronologische tijdlijn ($H_{1:\tau}$). Voor elke tijdstap filtert deze agent ruis en koppelt numerieke waarden expliciet aan beknopte samenvattingen van de belangrijkste drijvende factoren, zodat downstream-agents een signaal van hoge fideliteit van oorzaak en gevolg ontvangen.

2. Generatie van Voorspellingsoverzichten met Dubbele Resolutie

Nexus genereert twee complementaire perspectieven vanuit de gestructureerde geschiedenis:

• Macro-Reasoning Agent ($A_{macro}$): Neemt een top-down benadering om een brede traject voor het volledige voorspellingshorizon uit te stippelen. Deze agent stelt het verwachte regime vast en zorgt ervoor dat de uiteindelijke voorspelling in lijn is met fundamentele verschuivingen.
• Micro-Reasoning Agent ($A_{micro}$): Neemt een granulaire, stap-voor-stap benadering. Deze agent evalueert directe katalysatoren, kortetermijnverschuivingen en lokale volatiliteit voor elke toekomstige tijdstap, waardoor responsiviteit op specifieke gebeurtenissen wordt gewaarborgd.

3. Synthese en Kalibratie van Voorspellingen

• Forecast Synthesizer Agent ($A_{syn}$): Deze agent voegt de macro- en micro-perspectieven dynamisch samen. Het synthetiseert de gestructureerde geschiedenis met de dubbele overzichten, geconditioneerd op geleerde richtlijnen ($G$), om de uiteindelijke numerieke voorspelling en expliciete redenering te produceren.
• Calibration Agent ($A_{calib}$): Om zich aan te passen aan specifieke domeinen zonder handmatig ontwerp van instructies, hanteert Nexus een forward-simulation backtesting-mechanisme. Deze agent analyseert voorspellingsfouten over historische splitsingen om kritiekregels ($G_i$) te genereren. Deze regels worden gesneden om robuuste master-richtlijnen ($G$) te vormen, die alleen worden toegepast als ze een prestatieverbetering opleveren op een verborgen validatieset, waardoor overfitting wordt voorkomen.

Belangrijkste Bijdragen

Het artikel levert drie primaire bijdragen:

1. Ontkoppeling van Redeneren: Het toont aan dat effectieve LLM-voorspelling vereist dat grove trends worden gescheiden van granulaire tijdreekseigenschappen om de intrinsieke numerieke beperkingen van LLMs te overwinnen.
2. Het Nexus Framework: Het introduceert een multi-agent architectuur die macro (grof) en micro (granulair) vooruitzichten modelleert voordat deze dynamisch worden samengevoegd tot één robuuste voorspelling.
3. State-of-the-Art Prestaties: Het toont aan dat Nexus superieure resultaten behaalt op zowel sterk seizoensgebonden (Zillow) als volatiele (Aandelen) datasets, waarbij het zelfs in puur numerieke settings gelijkwaardig is aan of beter presteert dan gespecialiseerde TSFMs zoals TimesFM-2.5, terwijl het tegelijkertijd hoogst interpreteerbare redeneersporen genereert.

Experimentele Resultaten

De auteurs hebben Nexus geëvalueerd op data die strikt na de kennisafsnijpunten (januari 2025) van de onderliggende LLMs valt, om zero-shot evaluatie zonder datalekken te waarborgen. De datasets omvatten:

• Zillow Real Estate Metrics: Weekelijkse aantallen verkoopvoorraden in 15 grote metropolitane gebieden in de VS.
• Beursaandelen: Weekelijkse slotkoersen voor 7 diverse beursvennootschappen (bijvoorbeeld AAPL, GOOGL, RKLB).

Prestatiemetrics:

• Multimodale Context: Nexus presteerde consequent beter dan sterke Chain-of-Thought (CoT) baselines. Op de Zillow-dataset met Claude-4.5-Sonnet verlaagde Nexus de MAPE met 86,6% en de RMSE met 88,6% ten opzichte van de CoT-baseline.
• Alleen Numerieke Context: Zelfs zonder tekstuele context, kwam Nexus overeen met of overtrof TimesFM-2.5. Bijvoorbeeld, op de Zillow-dataset met Gemini-3.1-Pro behaalde Nexus een verbetering van 10,4% in MAPE ten opzichte van de CoT-baseline en kwam het overeen met de prestaties van de gespecialiseerde TSFM.
• Kwaliteit van Redeneren: In paarwise evaluaties met cross-judge methodologieën (Gemini beoordeelt Claude en omgekeerd) werd Nexus in 63,5% tot 97,1% van de gevallen verkiest boven de CoT-baseline over diverse criteria, waaronder domeinrelevantie, plausibiliteit van gebeurtenissen en consistentie tussen logica en getallen.

Componentanalyse:
Ablatiestudies bevestigden dat alle componenten kritiek zijn. Het verwijderen van de Micro-Reasoning-agent verhoogde de MAPE op aandelen-data, wat de noodzaak van granulaire analyse voor volatiliteit aangeeft. Evenzo degradeerde het verwijderen van de Macro-Reasoning-agent de prestaties, wat de behoefte aan overkoepelende trendrichting onderstreept.

Betekenis en Claims

Het artikel claimt dat real-world voorspelling fundamenteel een agentic redeneringsprobleem is dat verder gaat dan eenvoudige sequentiemodeling. Door het voorspellingsproces te decomponeren, toont Nexus aan dat LLMs van de huidige generatie sterkere intrinsieke voorspellingscapaciteiten bezitten dan eerder werd erkend, mits numeriek en contextueel redeneren effectief worden georganiseerd.

De auteurs benadrukken dat Nexus een veelbelovende aanpak biedt voor het ontwikkelen van interpreteerbare, robuuste en highly adaptable voorspellingssystemen. In tegenstelling tot statische modellen die voorspellingen produceren zonder herziening, produceert Nexus hoogwaardige redeneersporen die expliciet de fundamentele drijvers achter elke voorspelling tonen, waardoor de kloof tussen numerieke trends en kwalitatieve context wordt overbrugd. Het werk suggereert dat de toekomst van voorspelling niet ligt in monolithische modellen, maar in multi-agent systemen die statistische eigenschappen kunnen synthetiseren met fundamentele drijvers.