TimesFM 研究筆記¶
資料來源¶
| 項目 | 連結 |
|---|---|
| GitHub Repo | google-research/timesfm |
| 論文 (ICML 2024) | A decoder-only foundation model for time-series forecasting |
| Google Research Blog | 官方介紹 |
| HuggingFace 模型 | TimesFM Collection |
| BigQuery 整合 | TimesFM in BigQuery |
| TSFM 比較 | TimesFM vs Chronos vs MOIRAI |
| 效能比較 | AI Models Demand Forecasting |
專案狀態： ⭐ 17.4K+ stars · Python · Apache 2.0 · ICML 2024 · Google Research 官方
專案概述¶
TimesFM（Time Series Foundation Model）是 Google Research 開發的預訓練時間序列基礎模型，專為 zero-shot 時間序列預測設計。核心架構是 decoder-only Transformer，將連續時間點的 patch 當作 token 進行自回歸建模。
預訓練資料量從最初的 1,000 億個真實時間點擴展到後來的 4,000 億+，涵蓋 Google Trends、Wikipedia 等來源。模型能在未見過的時間序列上直接做零樣本預測，無需重新訓練。
版本演進¶
| 版本 | 發布 | 參數量 | Context | 重點變化 |
|---|---|---|---|---|
| 1.0 | 2024-05 | 200M | 512 | 首版，單變量預測 |
| 2.0 | 2025-05 | 500M | 2,048 | 擴大模型和 context |
| 2.5 | 2025-09 | 200M | 16,384 | 參數縮回但 context 大幅擴展，移除 frequency indicator |
TimesFM 2.5 重點特性¶
- 200M 參數（從 2.0 的 500M 縮減）— 更快推理
- 16K context（從 2,048 擴展 8 倍）
- 連續分位數預測 — 可選 30M quantile head，最多 1K horizon
- 外部協變量支援（XReg）— 2025-10 加回
- 移除 frequency indicator — 簡化 API
- 支援 PyTorch + Flax 雙後端
- Claude Code SKILL.md — 2026-03 新增 Agent 整合
核心架構¶
輸入時間序列
│
▼
┌──────────────────────┐
│ Patching │ 連續時間點 → 固定長度 patch（token）
│ (Continuous Embed) │ 不像 Chronos 做離散化
└──────────┬───────────┘
│
▼
┌──────────────────────┐
│ Decoder-only │ Stacked Transformer layers
│ Transformer │ Self-attention + FFN
│ (200M params) │ Context: 最長 16,384 時間點
└──────────┬───────────┘
│
▼
┌──────────────────────┐
│ Output Head │ Point forecast
│ + Quantile Head │ + 10th-90th 分位數（可選 30M head）
│ (optional 30M) │
└──────────────────────┘
與 LLM 的類比： - Patch = Token - 時間序列 = 句子 - 自回歸預測下一個 patch = 預測下一個 token
vs 競品比較¶
| 維度 | TimesFM 2.5 | Chronos-2 | MOIRAI-2 |
|---|---|---|---|
| 開發者 | Amazon | Salesforce | |
| 架構 | Decoder-only Transformer | Encoder-only T5 | Decoder-only + MoE |
| 參數量 | 200M | 9M–710M（5 種規格） | MoE 路由 |
| 多變量 | ❌ 單變量 | ✅（2025-10 新增） | ✅（原生設計） |
| 預訓練數據 | 400B+ 時間點 | 公開時序 + 合成數據 | 27B 觀測值，9 領域 |
| 輸出 | 點預測 + 分位數 | Token 分佈（原生概率） | 分位數回歸 |
| 企業整合 | BigQuery + AlloyDB | 社群最廣 | 最強跨資產建模 |
| Zero-shot 表現 | 強（GIFT-Eval 前三） | 最強（最高 win rate） | 強（多變量最佳） |
金融場景推薦¶
| 場景 | 推薦模型 | 原因 |
|---|---|---|
| 單一股票日頻預測 | TimesFM 2.5 | 快速單變量 + BigQuery 整合 |
| 多資產組合 | MOIRAI-2 | 原生跨序列依賴建模 |
| 概率區間預測 | Chronos-2 | Token 分佈輸出，彈性規格 |
| CPU 部署 | Chronos-Bolt | 9M 參數，300+ forecasts/sec |
| 新資產/少量歷史 | 任何 TSFM | 遷移學習自預訓練 |
重要發現： 研究顯示部分 TSFM benchmark 的測試集與預訓練資料重疊，「膨脹了 47-184% 的準確度」。使用前務必驗證數據分離。
快速開始¶
# 安裝
git clone https://github.com/google-research/timesfm.git
cd timesfm
uv venv && source .venv/bin/activate
uv pip install -e .[torch]
import torch
import numpy as np
import timesfm
torch.set_float32_matmul_precision("high")
model = timesfm.TimesFM_2p5_200M_torch.from_pretrained(
"google/timesfm-2.5-200m-pytorch"
)
model.compile(
timesfm.ForecastConfig(
max_context=1024,
max_horizon=256,
normalize_inputs=True,
use_continuous_quantile_head=True,
)
)
# 預測
point_forecast, quantile_forecast = model.forecast(
horizon=12,
inputs=[np.linspace(0, 1, 100), np.sin(np.linspace(0, 20, 67))],
)
point_forecast.shape # (2, 12)
quantile_forecast.shape # (2, 12, 10): mean + 10th-90th 分位數
BigQuery 整合（企業用）¶
-- 在 BigQuery 中直接使用 TimesFM 預測
SELECT *
FROM ML.FORECAST(MODEL `project.dataset.timesfm_model`, ...)
目前限制 / 注意事項¶
- 僅支援單變量 — 無法建模多資產間的依賴關係（Chronos-2 和 MOIRAI-2 已支援）
- 金融數據表現未必最佳 — 研究顯示「off-the-shelf TSFMs 在金融數據上表現不佳，但金融領域專屬預訓練能帶來顯著提升」
- 需要 fine-tuning — 「Few-shot fine-tuning on your specific asset class consistently outperforms zero-shot inference for financial applications」
- Benchmark 數據洩漏風險 — 部分評估可能包含與預訓練重疊的數據
- 非官方 Google 產品 — 開源版明確標示「not an officially supported Google product」（BigQuery 版才是正式產品）
- 2.5 版 API 仍在調整 — README 標示「under construction」
研究價值與啟示¶
關鍵洞察¶
-
「縮小參數、擴大 context」是 TimesFM 2.5 的反直覺選擇。 從 500M 縮回 200M 參數，但 context 從 2K 擴展到 16K——這暗示對時間序列預測來說，看得更長比模型更大更重要。更長的 context 捕捉更多季節性和趨勢，比增加參數的邊際效益更高。
-
TimesFM 是 Kronos 的直接參照物。 Kronos 論文中 TimesFM 是主要 baseline 之一，Kronos 的 RankIC 比 TimesFM 提升 93%。但兩者定位不同：TimesFM 是通用時序基礎模型（天氣、能源、流量都行），Kronos 專注金融 K 線。TimesFM 的通用性 vs Kronos 的領域特化，反映了 TSFM 領域「通才 vs 專才」的根本張力。
-
BigQuery 整合是 Google 的殺手級差異化。 Chronos-2 在 benchmark 上可能更強，但 TimesFM 直接內嵌在 BigQuery SQL 中——對已在 GCP 生態的企業來說，這是零摩擦的價值。不需要懂 Python、不需要部署模型、不需要管 GPU——一句 SQL 搞定。
-
SKILL.md 整合代表 TSFM 進入 Agent 時代。 2026-03 新增的 Claude Code Skill 整合，讓 AI Agent 可以直接呼叫 TimesFM 做預測。這不只是「用 AI 預測」，而是「讓 AI Agent 自主決定何時需要預測、預測什麼、如何解讀」。
-
三大 TSFM 的生態分工已成形。 TimesFM（Google/企業整合）、Chronos（Amazon/社群最廣）、MOIRAI（Salesforce/多變量最強）——各有不可替代的優勢，未來更可能是組合使用而非贏家通吃。
與其他專案的關聯¶
- vs Kronos（筆記庫中）： Kronos 是金融 K 線專用模型，TimesFM 是通用時序模型。Kronos 的 tokenizer 將 OHLCV 離散化，TimesFM 用 continuous patch embedding。在金融預測上 Kronos 大幅領先 TimesFM（RankIC +93%），但 TimesFM 的通用性和企業整合更強。
- vs AI-Trader（筆記庫中）： AI-Trader 是 Agent 交易平台，TimesFM 可作為其 Agent 的預測信號來源——用 TimesFM 預測未來走勢，再由 Agent 決定交易策略。
- vs MCP Toolbox（筆記庫中）： TimesFM 整合 BigQuery，MCP Toolbox 橋接 AI Agent 與資料庫。兩者可以組合：Agent 透過 MCP Toolbox 查詢歷史數據，再用 TimesFM 做預測。