论文：大型语言模型对时间序列分析的启示
内容提要
大型语言模型广泛用于时间序列分析，方法包括直接提示、量化、对齐、视觉桥接和工具结合。GPT-3、LLaMA-2等可零样本外推时间序列，性能媲美专用模型；GPT-4结合多模态信号在金融预测中优于传统模型。应用扩展至金融、电信和智能代理领域。
延伸解读
LLM 时间序列分析的方法概览
文章系统梳理了利用大型语言模型进行时间序列分析的多种方法，包括直接提示、时间序列量化、对齐技术、视觉桥接以及工具结合。这些方法覆盖了从数据表示到模型适配的不同层面，为研究者提供了清晰的技术路线图。同时，文章还总结了多模态时间序列和文本数据集，并指出了该领域的挑战与未来机会。
零样本外推的潜力与限制
研究表明，GPT-3 和 LLaMA-2 等模型在零样本设置下能够外推时间序列，性能可与专用模型媲美。这得益于 LLM 对多模态分布的自然表示能力，以及对重复季节性趋势的偏好。然而，GPT-4 可能因数字令牌化方式和对齐干预（如 RLHF）导致性能下降，且存在不确定性校准较差的问题，提示实际应用中需谨慎评估模型选择。
金融预测中的多模态优势
在金融领域，结合股票价格、公司元数据和历史新闻等多模态信号，GPT-4 和 Open LLaMA 等模型通过零样本/少样本推断及指令微调，在 NASDAQ-100 股票实验中优于 ARMA-GARCH 和梯度提升树等传统基准。这表明 LLM 在处理复杂金融时间序列时具有可解释预测的潜力，但文章也指出金融应用仍面临数据、计算和性能需求等限制。
跨领域应用与代理前景
LLM 在时间序列分析中的应用已扩展至电信和智能代理领域。在电信中，引导性人工智能为无线网络带来新机遇；在代理方面，基于 LLM 的通用人工智能代理在单代理、多代理及人机合作中展现出潜力。这些跨领域探索表明，LLM 不仅限于预测任务，还能作为基础构建更广泛的智能系统，但实际部署仍需考虑领域适配和伦理问题。
Q&A
大型语言模型在时间序列分析中有哪些主要方法？
主要方法包括直接提示、时间序列量化、对齐技术、利用视觉作为桥梁机制以及与其他工具的结合。
LLM在零样本时间序列预测上的表现如何？
GPT-3和LLaMA-2等LLM可以零样本外推时间序列，其性能与或超过在下游任务上训练的专用时间序列模型相当。
为什么LLM在时间序列分析中能成功？
LLM能够自然地表示多模态分布，结合对简洁性和重复性的偏好，这与许多时间序列的显著特征（如重复季节性趋势）相一致。
GPT-4在金融时间序列预测中表现如何？
在NASDAQ-100股票上，使用GPT-4和Open LLaMA进行零样本/少样本推断并通过基于指令的微调生成可解释预测，优于经典的ARMA-GARCH模型和梯度提升树模型。
LLM在金融领域有哪些应用和挑战？
LLM在金融领域可用于零样本/少样本学习、微调以及从头训练自定义模型，并提供了决策框架帮助选择解决方案。挑战包括数据、计算和性能需求等方面的限制。
LLM如何帮助解释时间序列预测？
LLM可以回答问题以帮助解释预测，并自然处理缺失数据而无需插补，还能容纳文本边信息。
