[논문리뷰] Nexus : An Agentic Framework for Time Series Forecasting

링크: 논문 PDF로 바로 열기

메타데이터

저자: Sarkar Snigdha Sarathi Das, Palash Goyal, Mihir Parmar, Nanyun Peng, Vishy Tirumalashetty, Chun-Liang Li, Rui Zhang, Jinsung Yoon, Tomas Pfister

---

1. Key Terms & Definitions (핵심 용어 및 정의)

• TSFM (Time Series Foundation Models): 대규모 수치 데이터셋으로 사전 학습되어 복잡한 시계열의 패턴과 장기 의존성을 파악하는 모델.
• Agentic Framework: 단순히 수치 예측을 넘어, 외부 문맥 정보(Text, News 등)를 파악하고 논리적 추론(Reasoning) 과정을 통해 예측 결과를 생성하는 다중 에이전트 시스템.
• CoT (Chain-of-Thought): 모델이 최종 수치를 생성하기 전, 단계적인 사고 과정을 명시적으로 서술하게 하여 복잡한 문제 해결 능력을 향상시키는 기법.
• Contextualization: 원시 시계열 데이터와 비구조화된 텍스트 데이터를 결합하여 모델이 이해하기 쉬운 구조화된 타임라인으로 변환하는 사전 처리 단계.

2. Motivation & Problem Statement (연구 배경 및 문제 정의)

본 논문은 기존 TSFM과 LLM 기반 시계열 예측 연구가 가진 구조적 한계를 해결하기 위해 Nexus를 제안한다. 기존의 TSFM은 수치적 패턴 파악에는 능숙하나 현실 세계의 뉴스나 사건과 같은 비구조화된 문맥 정보를 활용하지 못하며, LLM은 텍스트 추론은 뛰어나지만 시계열 데이터의 고유한 수치적 특성을 학습하는 데 어려움을 겪는다 [Figure 1]. 이러한 불일치는 예측의 정확도 저하와 해석 불가능한 결과라는 문제를 야기한다. 따라서 저자들은 수치적 통계와 현실적 맥락을 결합할 수 있는 에이전트 기반의 새로운 프레임워크가 필요하다고 판단하였다.

Figure 1 — TSFM, LLM, Nexus 비교

3. Method & Key Results (제안 방법론 및 핵심 결과)

본 논문은 예측을 세 단계로 분리하는 Nexus 프레임워크를 제안한다: 1) Contextualization (원시 데이터의 구조화), 2) Dual-Resolution Forecast Outlook Generation (거시적/미시적 전망 생성), 3) Forecast Synthesis and Calibration (통합 및 교정) [Figure 2]. Contextualization 단계에서는 Historical Context Agent가 텍스트와 수치를 결합하여 인과관계 중심의 타임라인을 구축한다. 이어지는 Dual-Resolution 단계에서 Macro-Reasoning Agent는 거시적 트렌드를, Micro-Reasoning Agent는 단기적 변동성과 외부 촉매를 각각 분석하여 상호 보완적인 전망을 제공한다. 마지막으로 Forecast Synthesizer Agent가 이들을 통합하며, Calibration Agent가 과거 오류를 바탕으로 가이드라인을 생성하여 성능을 최적화한다.

Figure 2 — Nexus 다중 에이전트 프레임워크

실험 결과, Nexus는 Gemini-3.1-Pro 및 Claude-4.5-Sonnet 기반 환경에서 TimesFM-2.5와 강력한 CoT-Baseline을 일관되게 압도하였다. Zillow 데이터셋에서는 CoT-Baseline 대비 최대 88.6%의 RMSE 개선(Claude 기준)을 보였으며, 수치 전용 환경에서도 TimesFM-2.5와 대등하거나 더 우수한 성능을 기록하였다 [Table 2, Table 3]. 정성적 평가에서도 Nexus는 도메인 관련성, 이벤트 논리성, 분석적 깊이 측면에서 높은 평가를 받았다 [Table 4].

4. Conclusion & Impact (결론 및 시사점)

본 연구는 Nexus를 통해 시계열 예측이 단순한 수치적 외삽(Extrapolation)을 넘어선 에이전트 기반의 논리적 추론 과정임을 입증하였다. 거시적 트렌드와 미시적 이벤트를 분리하여 처리하는 방식은 LLM의 고질적인 수치적 한계를 효과적으로 보완한다. 이 연구는 산업 현장에서 해석 가능한(Interpretable) 예측 모델의 필요성을 강조하며, 향후 복잡하고 변동성이 큰 금융 및 실물 경제 데이터 예측 분야에 중요한 이정표를 제시한다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.