Agentische Workflows mit LLMs revolutionieren Finanzzeitreihenmodellierung

In einer neuen Veröffentlichung auf arXiv wird das modulare Agenten-Framework TS‑Agent vorgestellt, das die Automatisierung von Zeitreihenmodellen für Finanzanwendungen neu definiert. Durch die Kombination von Large Language Models (LLMs) mit einer strukturierten Entscheidungsarchitektur ermöglicht TS‑Agent einen iterativen Prozess aus Modellwahl, Code‑Verfeinerung und Feinabstimmung, der sich dynamisch an die spezifischen Anforderungen des Finanzsektors anpasst.

Der Kern des Systems ist ein Planner‑Agent, der über strukturierte Wissensbanken und kuratierte Bibliotheken von Modellen sowie Optimierungsstrategien verfügt. Diese Ressourcen leiten die Exploration, erhöhen die Interpretierbarkeit und minimieren die Fehlerweitergabe, was besonders in hochriskanten Bereichen wie dem Finanzdienstleistungssektor von entscheidender Bedeutung ist.

TS‑Agent unterstützt adaptive Lernmechanismen, robuste Fehlersuche und transparente Prüfpfade, sodass Modelle nicht nur leistungsstark, sondern auch nachvollziehbar und auditierbar bleiben. In umfangreichen Tests auf realen Finanzvorhersageaufgaben sowie synthetischen Datengenerierungsaufgaben übertrifft das Framework sowohl aktuelle AutoML‑Lösungen als auch andere agentische Baselines in Bezug auf Genauigkeit und Stabilität.