Resumo Técnico: Nexus – Um Framework Agente para Previsão de Séries Temporais

Formulação do Problema

A previsão de séries temporais tradicionalmente dependeu de Modelos Fundamentais de Séries Temporais (TSFMs) especializados, que se destacam na identificação de padrões numéricos, sazonalidades e dependências de longo alcance dentro de dados estruturados. No entanto, esses modelos operam em um "vácuo multimodal", frequentemente falhando em incorporar sinais contextuais não estruturados (por exemplo, notícias, eventos, resumos macroeconômicos) que impulsionam rupturas estruturais e mudanças de regime em dados do mundo real. Por outro lado, embora os Modelos de Linguagem de Grande Escala (LLMs) possuam capacidades de raciocínio para analisar tal contexto textual, eles frequentemente carecem dos mecanismos autorregressivos intrínsecos necessários para o reconhecimento preciso de padrões numéricos, levando a desempenho subótimo quando utilizados como previsores zero-shot autônomos.

O desafio central abordado por este trabalho é o "compromisso" que os pesquisadores enfrentam: ou descartam o contexto qualitativo crítico para utilizar modelos estatísticos ou dependem de LLMs que lutam para capturar propriedades de séries temporais. O artigo formula a tarefa como um problema multimodal exigindo a previsão conjunta de valores numéricos futuros ($X_{\tau+1:\tau+T}$) e sua racionalidade causal subjacente ($R$), com base em um contexto histórico de sequências numéricas ($X_{1:\tau}$) e texto não estruturado associado ($E_{1:\tau}$).

Metodologia: O Framework Nexus

Para preencher a lacuna entre o rigor estatístico e o raciocínio contextual, os autores introduzem o Nexus, um framework multiagente totalmente impulsionado por LLMs. Em vez de forçar um único modelo monolítico a lidar com todos os aspectos da previsão, o Nexus decompõe a tarefa em três estágios lógicos distintos:

1. Contextualização

Para evitar sobrecarga cognitiva em cenários de longo contexto, um Agente de Contexto Histórico ($A_{ctx}$) processa os dados multimodais brutos. Ele transforma valores numéricos brutos e texto denso em uma linha do tempo altamente estruturada e cronológica ($H_{1:\tau}$). Para cada passo de tempo, este agente filtra ruído e vincula explicitamente valores numéricos a resumos concisos dos principais fatores impulsionadores, garantindo que os agentes a jusante recebam um sinal de alta fidelidade de causa e efeito.

2. Geração de Perspectiva de Previsão de Dupla Resolução

O Nexus gera duas perspectivas complementares a partir do histórico estruturado:

• Agente de Raciocínio Macro ($A_{macro}$): Adota uma abordagem de cima para baixo para mapear uma trajetória ampla para todo o horizonte de previsão. Ele estabelece o regime esperado e garante que a previsão final esteja alinhada com mudanças fundamentais.
• Agente de Raciocínio Micro ($A_{micro}$): Adota uma abordagem granular, passo a passo. Ele avalia catalisadores imediatos, mudanças de curto prazo e volatilidade localizada para cada passo de tempo futuro, garantindo responsividade a eventos específicos.

3. Síntese e Calibração da Previsão

• Agente de Síntese de Previsão ($A_{syn}$): Este agente funde dinamicamente as perspectivas macro e micro. Ele sintetiza o histórico estruturado com as duplas perspectivas, condicionado a diretrizes aprendidas ($G$), para produzir a previsão numérica final e o raciocínio explícito.
• Agente de Calibração ($A_{calib}$): Para se adaptar a domínios específicos sem design manual de instruções, o Nexus emprega um mecanismo de backtesting de simulação forward. Ele analisa erros de previsão em divisões históricas para gerar regras de crítica ($G_i$). Essas regras são intersecionadas para formar diretrizes mestras robustas ($G$), que são aplicadas apenas se produzirem uma melhoria de desempenho em um conjunto de validação oculto, prevenindo overfitting.

Contribuições Principais

O artigo faz três contribuições principais:

1. Desacoplamento do Raciocínio: Demonstra que a previsão eficaz por LLMs requer a separação de tendências de nível grosseiro de características de séries temporais granulares para superar as limitações numéricas intrínsecas dos LLMs.
2. O Framework Nexus: Introduz uma arquitetura multiagente que modela perspectivas macro (grosseiras) e micro (granulares) antes de sintetizá-las dinamicamente em uma única previsão robusta.
3. Desempenho de Ponta: Mostra que o Nexus alcança resultados superiores em conjuntos de dados altamente sazonais (Zillow) e voláteis (Ações), igualando ou superando TSFMs dedicados como o TimesFM-2.5 mesmo em configurações puramente numéricas, enquanto gera traços de raciocínio altamente interpretáveis.

Resultados Experimentais

Os autores avaliaram o Nexus em dados estritamente posteriores aos cortes de conhecimento (janeiro de 2025) dos LLMs subjacentes para garantir avaliação zero-shot sem vazamento de dados. Os conjuntos de dados incluíram:

• Métricas Imobiliárias Zillow: Contagens semanais de inventário de vendas em 15 grandes áreas metropolitanas dos EUA.
• Ações do Mercado de Ações: Preços de fechamento semanais de 7 empresas públicas diversas (por exemplo, AAPL, GOOGL, RKLB).

Métricas de Desempenho:

• Contexto Multimodal: O Nexus superou consistentemente fortes baselines de Cadeia de Pensamento (CoT). No conjunto de dados Zillow usando Claude-4.5-Sonnet, o Nexus reduziu o MAPE em 86,6% e o RMSE em 88,6% em comparação com a baseline CoT.
• Apenas Contexto Numérico: Mesmo sem contexto textual, o Nexus igualou ou superou o TimesFM-2.5. Por exemplo, no conjunto de dados Zillow com Gemini-3.1-Pro, o Nexus alcançou uma melhoria de 10,4% no MAPE sobre a baseline CoT e igualou o desempenho do TSFM especializado.
• Qualidade do Raciocínio: Em avaliações em pares usando metodologias de julgamento cruzado (Gemini julgando Claude e vice-versa), o Nexus foi preferido em relação à baseline CoT em 63,5% a 97,1% dos casos em vários critérios, incluindo relevância de domínio, plausibilidade de eventos e consistência entre lógica e números.

Análise de Componentes:
Estudos de ablação confirmaram que todos os componentes são críticos. A remoção do Agente de Raciocínio Micro aumentou o MAPE em dados de ações, indicando a necessidade de análise granular para volatilidade. Da mesma forma, a remoção do Agente de Raciocínio Macro degradou o desempenho, destacando a necessidade de orientação de tendências abrangentes.

Significado e Alegações

O artigo alega que a previsão do mundo real é fundamentalmente um problema de raciocínio agente que vai além da simples modelagem de sequências. Ao decompor o processo de previsão, o Nexus demonstra que LLMs de geração atual possuem capacidades intrínsecas de previsão mais fortes do que anteriormente reconhecido, desde que o raciocínio numérico e contextual seja organizado efetivamente.

Os autores enfatizam que o Nexus oferece uma abordagem promissora para o desenvolvimento de sistemas de previsão interpretáveis, robustos e altamente adaptáveis. Ao contrário de modelos estáticos que produzem previsões sem revisão, o Nexus produz traços de raciocínio de alta qualidade que mostram explicitamente os principais impulsionadores por trás de cada previsão, preenchendo a lacuna entre tendências numéricas e contexto qualitativo. O trabalho sugere que o futuro da previsão não reside em modelos monolíticos, mas em sistemas multiagente que podem sintetizar propriedades estatísticas com impulsionadores fundamentais.