Nexus 소개: 시계열 예측을 에이전트 추론 문제로 다시 보기
주식 시장이나 부동산 시세를 예측할 때, 우리는 과거의 숫자 흐름만 보지 않습니다. 금리 인상 발표, 신제품 출시, 실적 서프라이즈 같은 사건들을 함께 읽으며 "이번에는 흐름이 꺾이겠구나"를 직감합니다. 그런데 지금까지의 시계열 예측 모델 대부분은 이 절반을 통째로 버린 채 숫자만 외삽해 왔습니다.
이 논문은 이런 한계를 정면으로 다룹니다. Nexus 는 Google과 펜실베이니아 주립대학교(Pennsylvania State University) 연구진이 제안한 멀티 에이전트(multi-agent) 시계열 예측(time series forecasting) 프레임워크로, 예측을 단순한 수치 외삽이 아니라 "숫자 패턴 인식과 텍스트 기반 추론을 함께 조직화해야 하는 에이전트 추론(agentic reasoning) 문제"로 재정의합니다. 핵심 주장은 도발적입니다. 저자들은 "현세대 LLM은 지금까지 알려진 것보다 더 강한 내재적 예측 능력을 지니고 있으며, 그 능력은 수치 추론과 맥락 추론을 어떻게 조직하느냐에 결정적으로 좌우된다" 고 말합니다.
두 세계의 단절: TSFM과 LLM
시계열 예측은 여러 고위험 의사결정을 떠받치는 핵심 과제입니다. 과거에는 시계열마다 패턴이 제각각이라 도메인별 전용 알고리즘이 필요했지만, 최근 시계열 파운데이션 모델(Time Series Foundation Model, TSFM) 의 등장으로 통합된 예측 패러다임이 자리 잡았습니다. TimesFM, Chronos, MOMENT, MOIRAI 같은 모델들은 대규모 수치 시퀀스로 사전 학습되어 복잡한 계절성(seasonality), 추세, 장기 의존성을 잡아내는 데 최고 수준의 성능을 보입니다.
그런데 여기에 근본적인 맹점이 있습니다. TSFM은 오직 정형화된 숫자 시퀀스만 다루기 때문에 현실 세계의 서사(narrative)와 단절되어 있습니다. 현실의 시계열은 대개 질적인 사건과 비정형 텍스트 신호가 만들어낸 정량적 결과물입니다. 그래서 과거 데이터만으로는 설명되지 않는 구조적 단절(structural break)이나 국면 전환(regime shift) 앞에서 TSFM은 취약합니다. 마치 뉴스는 전혀 보지 않고 어제까지의 주가 그래프만 보고 내일을 찍는 애널리스트와 같습니다.
반대편에는 대형 언어 모델(Large Language Model, LLM) 이 있습니다. LLM은 이 중요한 비정형 맥락을 손쉽게 읽고 고차원 추론을 적용할 수 있습니다. 하지만 그 아키텍처에는 정밀한 수치 패턴 인식에 필요한 자기회귀적(autoregressive) 수학 메커니즘이 없습니다. Tan 등의 연구(2024)가 보였듯, LLM에게 연속적인 수치 값을 자기회귀적으로 예측하도록 강제하면 오히려 TSFM보다 못한 성능이 나오곤 합니다. 시간적 의존성을 잡아내는 내재적 장치가 없기 때문입니다.
그동안 이 간극을 메우려는 시도가 없었던 것은 아닙니다. 파라미터 효율적 재프로그래밍(Time-LLM, GPT4TS), 이산 토큰화 파이프라인(Chronos) 등이 제안되었고, 최근에는 모델 중재나 도구 사용을 자동화하는 에이전트형 시스템(Synapse, TimeCopilot)도 나왔습니다. 그러나 이들 대부분은 여전히 수치 워크플로우 자동화에 머물러 있어, 연구자들은 결국 "질적 맥락을 버리고 통계 모델을 쓸 것인가, 아니면 시계열 특성을 못 잡는 LLM의 제로샷(zero-shot) 수치 추론에 기댈 것인가" 라는 타협을 강요받아 왔습니다.
발상의 전환: 하나의 모델에 다 시키지 않는다
Nexus의 출발점은 간단합니다. 하나의 거대한 모델에게 숫자 인식과 맥락 추론을 동시에 시키지 말고, 서로 다른 역할의 에이전트로 나누자는 것입니다. 위 그림의 오른쪽처럼, Nexus는 큰 흐름을 보는 거시(macro) 관점과 개별 시점의 변동을 보는 미시(micro) 관점을 분리해서 생성한 뒤, 종합 에이전트가 이 둘을 수학적으로 결합합니다. 여기에 과거 예측 오차로부터 스스로 배우는 도메인 수준 보정(calibration) 루프까지 더해집니다.
이 구조 덕분에 Nexus는 외부 통계 앵커나 하나의 거대한 프롬프트(monolithic prompting)에 의존하지 않고도, 안정적인 계절 신호부터 사건 주도의 급변 상황까지 유연하게 적응합니다. 뒤에서 자세히 보겠지만, 지식 컷오프(knowledge cutoff) 이후 데이터로 엄격히 평가했을 때 Nexus는 전용 TSFM인 TimesFM-2.5와 강력한 LLM 베이스라인을 일관되게 맞먹거나 능가했습니다.
문제 정의
Nexus가 푸는 문제를 형식적으로 정리하면 다음과 같습니다. 길이 \tau 의 관측 구간에서 단변량 수치 시계열 \mathbf{X}_{1:\tau} = (x_1, x_2, \ldots, x_\tau) 와, 각 시점에 대응하는 비정형 텍스트(뉴스, 재무 보고서, 거시경제 요약 등) 시퀀스 \mathbf{E}_{1:\tau} = (e_1, e_2, \ldots, e_\tau) 가 주어집니다. 이 둘을 묶은 것이 멀티모달 과거 맥락 \mathcal{C}_{1:\tau} = (\mathbf{X}_{1:\tau}, \mathbf{E}_{1:\tau}) 입니다.
목표는 이후 T 개 시점의 수치 예측 \mathbf{X}_{\tau+1:\tau+T} 를 생성하는 것인데, 여기서 한 가지가 더 붙습니다. 전통적인 순수 수치 예측과 달리, 예측값을 이끈 근본 동인과 사건을 설명하는 자연어 추론 \mathbf{R} 도 함께 출력해야 합니다. 즉 학습해야 할 매핑은 다음과 같습니다.
정량적 데이터와 정성적 맥락을 함께 종합해 예측값과 그 근거를 동시에 내놓는 것, 이것이 Nexus가 근사하려는 함수입니다.
Nexus 프레임워크: 3단계 멀티 에이전트 구조
Nexus는 이 매핑 \mathcal{F} 를 하나의 모델로 직접 근사하는 대신, 예측 과제를 논리적으로 구분되는 세 단계로 분해합니다. 컨텍스트화(Contextualization), 이중 해상도 예측 전망 생성(Dual-Resolution Forecast Outlook Generation), 그리고 예측 종합 및 보정(Forecast Synthesis and Calibration) 입니다. 프레임워크는 먼저 원시 멀티모달 맥락을 구조화하고, 서로 다른 해상도에서 미래 전망과 추론을 투사한 뒤, 종합 에이전트가 이 관점들을 하나의 최종 예측으로 병합합니다.
1단계: 컨텍스트화 (Contextualization)
원시 멀티모달 데이터를 LLM에 곧바로 밀어 넣으면 인지 과부하(cognitive overload)가 발생하기 쉽습니다. 긴 수치 시퀀스와 빽빽한 비정형 텍스트가 뒤섞이면 모델이 긴 맥락 속에서 중요한 정보를 놓치는 Lost in the Middle 현상이 나타납니다. 그래서 Nexus의 첫 단계는 예측을 시작하기 전에 전담 에이전트로 과거 데이터를 정제하고 구조화합니다.
이 일을 맡는 것이 과거 맥락 에이전트(Historical Context Agent, \mathcal{A}_{ctx} ) 입니다. 이 에이전트는 매핑 \mathcal{A}_{ctx}(\mathbf{X}_{1:\tau}, \mathbf{E}_{1:\tau}) \rightarrow \mathbf{H}_{1:\tau} 로 작동하며, 원시 멀티모달 맥락을 기본 시계열 특성과 함께 고도로 구조화된 연대기적 타임라인 \mathbf{H}_{1:\tau} 로 변환합니다. 각 시점 t 마다 텍스트 정보 e_t 와 수치 값 x_t 를 받아, 값의 변화를 이끈 가장 중요한 요인들을 조직적으로 정리해 담아냅니다.
핵심은 두루뭉술한 요약을 만들지 않는다는 점입니다. \mathcal{A}_{ctx} 는 각 원소 h_t 가 수치 값 x_t 와 그것을 이끈 핵심 동인의 간결한 요약을 명시적으로 연결하는, 시점별 목록을 구성합니다. 이렇게 하면 이후의 예측 에이전트들이 지저분한 비정형 텍스트를 파싱하는 데 추론 자원을 낭비하는 대신, 원인과 결과의 명확한 고신호(high-fidelity signal)를 받아 예측에 집중할 수 있습니다. 마치 애널리스트가 방대한 뉴스 더미를 먼저 정리해 "이 날 이 사건이 이 수치를 이렇게 움직였다"는 브리핑 노트로 만들어 두는 것과 같습니다.
2단계: 이중 해상도 예측 전망 생성 (Dual-Resolution Forecast Outlook)
견고한 예측은 시계열을 여러 시간 해상도에서 함께 분석해야 합니다. 큰 추세에만 집중하면 단기 변동성 같은 결정적 디테일을 놓치고, 반대로 시점별 변화에만 매달리면 근본적인 국면 변화를 시야에서 놓칩니다. Nexus는 이를 위해 구조화된 과거 \mathbf{H}_{1:\tau} 로부터 서로 보완적인 두 개의 전망을 생성합니다.
거시 추론 에이전트(Macro-Reasoning Agent, \mathcal{A}_{macro} ) 는 하향식(top-down) 접근을 취합니다. 구조화된 인과 기억 \mathbf{H}_{1:\tau} 를 분석해 전체 예측 구간 T 에 걸친 넓은 궤적을 그리고, 예상되는 국면을 설정합니다. 형식적으로는 \mathcal{A}_{macro}(\mathbf{H}_{1:\tau}) \rightarrow (\mathbf{X}^{macro}_{\tau+1:\tau+T}, \mathbf{R}^{macro}) 로 작동하며, 여기서 나온 서사 \mathbf{R}^{macro} 가 최종 예측이 큰 흐름에서 벗어나지 않도록 붙잡아 줍니다. 망원경으로 지형 전체를 조망하는 역할입니다.
미시 추론 에이전트(Micro-Reasoning Agent, \mathcal{A}_{micro} ) 는 반대로 훨씬 세밀한 접근을 취합니다. 예측 구간을 한 시점씩 걸어가면서, 각 미래 시점 t 마다 즉각적인 촉매(catalyst), 예상되는 단기 변화, 국소적 변동성을 꼼꼼히 평가합니다. 매핑 \mathcal{A}_{micro}(\mathbf{H}_{1:\tau}) \rightarrow (\mathbf{X}^{micro}_{\tau+1:\tau+T}, \mathbf{R}^{micro}_{\tau+1:\tau+T}) 로 작동하여 시점마다 구체적인 추론 r^{micro}_t 와 수치 값 x^{micro}_t 를 내놓습니다. 현미경으로 세부를 들여다보는 셈이라, 시스템이 단기 사건에 민감하게 반응하도록 만듭니다.
3단계: 예측 종합 및 보정 (Synthesis and Calibration)
마지막 단계에서는 거시와 미시 두 관점을 병합하고, 과거 예측 오차로부터 지속적으로 학습해 예측 전략을 다듬습니다.
예측 종합 에이전트(Forecast Synthesizer Agent, \mathcal{A}_{syn} ) 가 최종 예측을 계산합니다. 이 에이전트는 구조화된 과거와 이중 전망을, 보정 단계에서 학습된 지침 집합 \mathcal{G} (초기에는 비어 있음)에 조건화하여 병합합니다. 형식적으로는 \mathcal{A}_{syn}(\mathbf{H}_{1:\tau}, \mathbf{X}^{macro}, \mathbf{R}^{macro}, \mathbf{X}^{micro}, \mathbf{R}^{micro}, \mathcal{G}) \rightarrow (\mathbf{X}_{\tau+1:\tau+T}, \mathbf{R}) 로 작동합니다. 각 시점마다 거시 전망의 넓은 궤적과 미시 전망의 사건 주도적 촉매를 종합하여, 최종 수치 예측과 함께 "두 관점을 어떻게 가중했는지" 를 설명하는 명시적 추론 \mathbf{R} 을 생성합니다.
백테스팅으로 스스로 보정하는 보정 에이전트
Nexus에서 가장 흥미로운 부분은 보정 에이전트(Calibration Agent, \mathcal{A}_{calib} ) 입니다. 도메인마다 별도의 지시문을 설계하지 않고도 적응하기 위해, Nexus는 전방 시뮬레이션 백테스팅(forward-simulation backtesting) 메커니즘을 씁니다. 과거 데이터를 n 개의 순차적 백테스트 구간으로 나누고, 마지막 구간을 숨겨진 검증 세트로, 그 앞 구간들을 지침 생성을 위한 "훈련" 폴드(fold)로 지정합니다.
프레임워크는 먼저 모든 폴드에서 병렬로 기준 예측을 생성합니다. 각 훈련 폴드 i 에 대해 보정 에이전트는 예측 오차와 그 이면의 추론을 분석하여, 추정 오류를 바로잡기 위한 구체적인 비평 규칙 \mathcal{G}_i 를 만듭니다. 그런데 단일 과거 구간에 기반한 지침은 일시적인 시장 이상현상에 과적합(overfitting)될 수 있습니다. 그래서 Nexus는 모든 n-1 개 훈련 폴드의 규칙을 교집합으로 묶어, 견고하고 일반화된 마스터 지침 집합을 만듭니다.
여기서 끝이 아닙니다. 종합된 지침 \mathcal{G} 가 실제로 도움이 되고 미래 성능을 떨어뜨리지 않도록, 검증 통과 절차를 한 번 더 거칩니다. 숨겨진 검증 폴드에서 최소 k\% 이상의 성능 향상을 낼 때만 이 지침을 최종 테스트 세트에 적용합니다. 여러 과거 구간에서 반복적으로 통하는 규칙만 남기는, 과적합 없는 견고한 최적화 장치인 셈입니다.
실험 설계
Nexus의 평가에서 가장 신경 쓴 부분은 데이터 유출(data leakage) 차단입니다. LLM을 학습 컷오프 이전 시계열로 평가하면, 모델이 사전 학습 코퍼스에서 실제 값이나 관련 사건을 그대로 기억해내 성능이 인위적으로 부풀려질 수 있습니다. 이를 막기 위해 저자들은 모델의 지식 컷오프(2025년 1월) 직후 기간의 실제 데이터셋 두 개를 직접 구축했습니다.
- Zillow 부동산 지표: 미국 주요 15개 대도시 통계 지역(MSA)의 주간 매물 재고 수. 평가 기간은 2025년 2월부터 10월까지이며, 각 예측 과제마다 직전 3년치 수치 데이터를 맥락으로 제공합니다.
- 주식 시장 지표: 7개 상장사(AAPL, GOOGL, RKLB, JNJ, MSFT, NFLX, NVDA)의 주간 종가. 평가 기간은 2025년 2월부터 12월까지이며, 변동성이 큰 특성을 고려해 1년치 과거 데이터를 맥락으로 제공합니다.
모델로는 Gemini-3.1-Pro (최대 컨텍스트 100만 토큰)와 Claude-4.5-Sonnet (최대 20만 토큰)을 사용했으며, 둘 다 2025년 1월 지식 컷오프를 가져 데이터셋과 정확히 맞물립니다. 모든 실험에서 샘플링 온도(temperature)는 0.1 로 고정해 결정론적이고 재현 가능한 출력을 확보했습니다.
베이스라인은 두 축입니다. 정량 비교의 기준으로는 플래그십 TSFM인 TimesFM-2.5를 썼고, 멀티모달 맥락 예측을 위한 강력한 Chain-of-Thought(CoT) 베이스라인 을 별도로 구성했습니다. 이 CoT 베이스라인은 시계열과 LLM에 정통한 대학원 연구자가 직접 프롬프트를 다듬은 것으로, 원시 수치 시퀀스와 텍스트 맥락을 그대로 LLM에 넣고 단계별로 추론한 뒤 예측하게 합니다. 평가 지표는 상대 오차를 백분율로 보는 MAPE(평균 절대 백분율 오차)와 절대 오차 크기를 보는 RMSE(평균 제곱근 오차) 두 가지이며, Zillow는 4/8/13주, 변동성이 큰 주식은 6/13/26주의 세 예측 구간에서 성능을 측정했습니다. Nexus의 백테스트 구간 수는 n=6 , 보정 임계값은 5\% 로 두었습니다.
실험 결과
멀티모달 맥락 예측: CoT 베이스라인 대비 우위
먼저 수치 데이터와 비정형 텍스트를 함께 종합하는 능력을 CoT 베이스라인과 비교했습니다. Gemini-3.1-Pro 기준으로 Nexus는 Zillow에서 평균 MAPE를 0.0423 에서 0.0361 로(14.7\% 개선), RMSE를 63.13 에서 53.46 으로(15.3\% 개선) 낮췄습니다. 주식에서도 평균 MAPE 0.1122 \rightarrow 0.1109 로 소폭 앞섰습니다. 다만 변동성이 큰 주식에서는 일부 구간에서 CoT가 근소하게 앞서기도 했고(예: Gemini의 장기 구간, Claude의 중기 구간), Nexus의 우위는 평균값과 계절성이 강한 Zillow에서 특히 뚜렷했습니다.
특히 눈에 띄는 것은 Claude-4.5-Sonnet에서의 결과입니다. Zillow 데이터에서 CoT 베이스라인의 평균 MAPE는 무려 0.2968 까지 치솟은 반면, Nexus는 0.0398 을 기록하며 86.6\% 라는 격차를 만들었습니다. 저자들은 이를 MRCR-v2 벤치마크에서 관찰된 대로 Claude-4.5-Sonnet이 긴 맥락(long-context) 과제에 취약한 탓으로 해석합니다. 긴 컨텍스트를 제대로 활용하지 못한 베이스라인이 단순 추세 외삽에 과도하게 의존하면서 붕괴한 것입니다. 반면 Nexus는 컨텍스트화 단계에서 과거를 미리 구조화해 두기 때문에, 같은 모델을 쓰고도 이런 붕괴를 피했습니다.
수치 전용 예측: 전용 TSFM마저 넘어서다
더 흥미로운 결과는 텍스트 맥락 없이 순수 수치만 줬을 때입니다. LLM은 수치 예측에 약하다는 것이 통념이었지만, Nexus는 이 설정에서도 전용 TSFM인 TimesFM-2.5에 밀리지 않았습니다.
Gemini-3.1-Pro 기준으로 Zillow 평균 MAPE는 TimesFM-2.5가 0.0387 , CoT 베이스라인이 0.0422 인 데 반해 Nexus는 0.0378 로 세 구간 모두에서 가장 낮았습니다(CoT 대비 10.4\% 개선). 변동성이 큰 주식에서는 양상이 조금 더 미묘합니다. 평균 MAPE는 Nexus가 0.1238 로 TimesFM-2.5(0.1294 )와 CoT(0.1334 )를 모두 앞섰지만(CoT 대비 7.2\% 개선), 구간별로 보면 단기와 중기에서는 TimesFM-2.5가 근소하게 우위였고 장기 구간과 평균에서 Nexus가 역전했습니다. Claude-4.5-Sonnet에서도 Zillow에서 Nexus는 0.0330 을 기록해 TimesFM-2.5(0.0387 )와 CoT(0.1663 )를 모두 크게 앞섰습니다. 저자들의 표현을 빌리면 Nexus는 순수 수치 설정에서도 전용 TSFM을 "일관되게 맞먹거나 능가" 하며, 맥락 추론을 넘어 시계열 동역학 자체도 잘 잡아낸다는 것을 보여줍니다.
위 그래프는 MSFT 주가의 26주 예측 예시입니다. 실제값(빨간 선)이 예측 시작점 이후 강하게 상승하는데, TimesFM(MAPE 0.186 )과 CoT 베이스라인(MAPE 0.249 )은 이 반등을 거의 놓치고 평평하게 이어지거나 하락하는 반면, Nexus(MAPE 0.104 )는 상승 추세를 훨씬 가깝게 따라갑니다.
숫자 못지않게 중요한 것은 Nexus가 이 예측의 근거를 함께 내놓는다는 점입니다. 논문 부록에 실린 이 MSFT 예측의 실제 추론 요약은 다음과 같습니다.
이 예측은 2025년 초 관세 충격에서 점진적으로 회복한다는 거시 수준의 기대와, Microsoft의 AI 수익화 및 클라우드 인프라 성장이라는 미시 수준의 촉매를 통합한 것입니다. 26주 구간에 걸쳐, 시장이 무역 정책의 영향을 흡수하고 강한 실적을 기대하면서 주가가 완만한 계절적 조정에도 불구하고 꾸준히 상승할 것으로 전망됩니다.
거시적 국면 판단과 미시적 사건을 어떻게 가중해 최종 수치에 이르렀는지가 문장으로 드러난다는 점이, 단일 수치만 내놓는 TSFM과 대비되는 Nexus의 차별점입니다.
추론 품질 평가: 근거의 설득력도 압도
Nexus는 숫자만 잘 맞히는 것이 아니라 예측의 근거도 함께 내놓습니다. 저자들은 이 추론의 질을 CoT 베이스라인과 쌍대 비교(pairwise comparison)로 평가했는데, 같은 모델 계열의 편향을 없애기 위해 Gemini의 출력은 Claude가, Claude의 출력은 Gemini가 심사하는 교차 심사(cross-judge) 방식을 썼습니다. 심사 기준은 도메인 관련성, 사건 관련성 및 개연성, 논리-수치 일관성, 분석적 깊이 네 가지였습니다.
결과는 압도적이었습니다. 전체 선호도(Overall Preference) 기준으로 Gemini-3.1-Pro 출력에서 Nexus는 주식에서 63.5\% 대 35.7\% , Zillow에서 97.1\% 대 2.8\% 로 CoT를 앞섰습니다. Claude-4.5-Sonnet 출력에서도 주식 79.8\% 대 19.9\% , Zillow 88.5\% 대 11.5\% 로 심사자가 Nexus의 추론을 대부분의 경우 더 선호했습니다.
컴포넌트 분석: 세 에이전트 모두가 필요하다
각 에이전트가 실제로 기여하는지 확인하기 위해, Gemini-3.1-Pro 멀티모달 단기 예측(h_Z=4, h_S=6 ) 설정에서 미시, 거시, 보정 에이전트를 각각 제거해 보았습니다.
주식 데이터에서 전체 파이프라인의 MAPE는 0.0866 이었는데, 미시 추론 에이전트를 빼자 0.0877 로 올랐습니다. 세밀한 단계별 분석이 단기 변동성 포착에 필수적임을 보여줍니다. 거시 추론 에이전트를 제거하면 MAPE가 0.0882 로 더 크게 악화되어, 큰 추세를 잡아주는 역할의 중요성이 드러났습니다. 보정 에이전트를 빼도 0.0877 로 성능이 떨어졌습니다. 결국 거시, 미시, 보정 세 요소가 모두 최적 정확도에 기여하며, 이들을 종합하는 전체 Nexus 구조가 어떤 축소 변형보다도, 그리고 표준 CoT보다도 일관되게 우수했습니다.
한계점 및 시사점
저자들은 한계도 솔직하게 밝힙니다. 첫째, 평가가 Zillow와 주식 두 데이터셋에 한정됩니다. 이는 타임스탬프가 붙은 수치와 관련 텍스트 맥락이 짝지어진 공개 데이터셋 자체가 드물기 때문입니다. 둘째, LLM이 이미 공개 데이터 대부분을 학습했을 가능성이 높아 직간접적 데이터 유출 위험이 상존합니다. 저자들은 지식 컷오프가 명확한 두 모델을 골라 컷오프 이후 데이터만 사용하는 방식으로 이 위험을 최대한 통제했습니다. 셋째, 멀티 에이전트 시스템을 여러 번 돌려 통계적 분산을 측정하는 것이 이상적이지만, 각 에이전트 호출이 수천억 파라미터 모델을 질의하기 때문에 반복 실행이 비용상, 계산상 사실상 불가능했습니다. 그래서 보고된 결과는 단일 실행(single-run) 평가입니다.
이런 한계에도 불구하고 Nexus가 던지는 메시지는 분명합니다. 현세대 LLM의 예측 능력은 우리가 생각한 것보다 강하며, 관건은 "모델을 얼마나 크게 만드느냐"가 아니라 "수치 추론과 맥락 추론을 어떻게 조직화하느냐"라는 것입니다. 거시와 미시를 분리하고, 백테스팅으로 스스로 보정하며, 예측과 함께 해석 가능한 근거를 내놓는 Nexus의 접근은, 현실 세계의 예측이 단순한 시퀀스 모델링을 넘어선 에이전트 추론 문제임을 실증적으로 보여줍니다. 숫자와 서사를 함께 읽어야 하는 금융, 부동산, 공급망 같은 고위험 도메인에서, 해석 가능하고 견고하며 적응력 있는 예측 시스템으로 가는 유망한 이정표라 할 수 있습니다.
Nexus: An Agentic Framework for Time Series Forecasting 논문
TimesFM: A decoder-only foundation model for time-series forecasting 논문
Are Language Models Actually Useful for Time Series Forecasting? 논문
더 읽어보기
-
정확도 너머에: 시계열 파운데이션 모델(TSFM)이 잘 보정(Calibration)되어 있는지에 대한 연구 (feat. ICLR 2026)
-
Kronos: 45개 이상의 글로벌 거래소 데이터로 학습한, 금융 시계열 예측을 위한 최초의 오픈소스 파운데이션 모델
-
Nexus의 배경이 되는 에이전트형 예측 연구들 (영문)
- Synapse: Adaptive arbitration of complementary expertise in time series foundational models: [2511.05460] Synapse: Adaptive Arbitration of Complementary Expertise in Time Series Foundational Models
-
Position: Beyond model-centric prediction, agentic time series forecasting: [2602.01776] Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting
이 글은 GPT 모델로 정리한 글을 바탕으로 한 것으로, 원문의 내용 또는 의도와 다르게 정리된 내용이 있을 수 있습니다. 관심있는 내용이시라면 원문도 함께 참고해주세요! 읽으시면서 어색하거나 잘못된 내용을 발견하시면 덧글로 알려주시기를 부탁드립니다. 
파이토치 한국 사용자 모임
이 정리한 이 글이 유용하셨나요? 회원으로 가입하시면 주요 글들을 이메일
로 보내드립니다! 텔레그램(Telegram)이나 Slack/Discord/Teams/Dooray/GoogleChat 등으로도 새 글 알림을 받으실 수 있습니다. 
아래
쪽에 좋아요
를 눌러주시면 새로운 소식들을 정리하고 공유하는데 힘이 됩니다~ 