Structured Agentic Workflows for Financial Time-Series Modeling with LLMs and Reflective Feedback

时序数据在金融市场决策中至关重要，然而构建高性能、可解释且可审计的模型仍然是一个重大挑战。尽管自动化机器学习（AutoML）框架简化了模型开发流程，但它们往往缺乏对领域特定需求和不断变化的目标的适应性和响应能力。与此同时，大语言模型（LLMs）推动了具备推理能力、记忆管理和动态代码生成的智能体系统的发展，为实现更灵活的工作流程自动化提供了可能。本文中，我们提出了 \textsf{TS-Agent}，这是一个模块化的智能体框架，旨在自动化并增强面向金融应用的时序建模工作流程。该智能体将建模流程形式化为一个结构化的迭代决策过程，涵盖模型选择、代码优化和参数微调三个阶段，并通过上下文推理和实验反馈进行引导。我们架构的核心是一个具备结构化知识库的规划智能体，以及精心整理的模型和优化策略库，用以指导探索过程，同时提升可解释性并减少误差传播。\textsf{TS-Agent} 支持自适应学习、稳健的调试和透明的审计功能，这些正是金融服务等高风险环境中的关键需求。在多种金融预测和合成数据生成任务上的实证评估表明，\textsf{TS-Agent} 一致优于当前最先进的 AutoML 和智能体基线方法，在准确性、鲁棒性和决策可追溯性方面均表现出色。

论文试图解决金融领域中时间序列建模的高挑战性问题，包括模型的高性能、可解释性和可审计性。现有的AutoML框架缺乏对金融领域特定需求和动态目标的适应能力，而这一问题在高风险决策场景（如金融服务）中尤为关键。

论文提出了一种名为TS-Agent的模块化代理框架，通过将时间序列建模流程形式化为一个结构化的迭代决策过程，分为模型选择、代码优化和微调三个阶段。该框架结合了LLM的推理能力和知识库的引导作用，实现了自适应学习、调试和透明审计。

1. TS-Agent引入了规划代理（planner agent）和结构化知识库，以提高模型探索的效率和可解释性。 2. 通过实验反馈和上下文推理动态优化建模流程，增强了框架的灵活性和鲁棒性。 3. 在多个金融预测和合成数据生成任务中，TS-Agent在准确性、鲁棒性和决策可追溯性方面均优于现有AutoML和代理基线方法。 4. 论文强调了模型开发过程中的透明性和可审计性，这对金融行业尤为重要。 5. 虽然论文未明确提及代码开源，但其强调模块化和可扩展性，暗示了潜在的开放性设计。

1. AutoML: 例如AutoGluon、AutoKeras等自动化机器学习框架，在时间序列预测中已有应用，但缺乏领域适应性。 2. 基于LLM的代理系统：如MetaGPT、AutoGPT等，探索了通过语言模型进行任务分解和代码生成的能力，但尚未专门针对金融时间序列建模优化。 3. 时间序列建模：如Informer、Autoformer、DLinear等模型在时间序列预测领域取得了良好表现。 4. 金融预测中的可解释性研究：例如XGBoost、SHAP等在金融风控中的应用，强调模型解释和审计。 5. 相关论文标题：'AutoGluon-TimeSeries: Scalable and Accurate Time Series Forecasting', 'Large Language Models as Financial Agents', 'Explainable AI for Time Series Modeling in Finance'