TSFM
Ein Time Series Foundation Model (TSFM) ist ein großes neuronales Netz, das domänenübergreifend auf Millionen historischer Zeitreihen vortrainiert wurde und Zero-Shot- oder Few-Shot-Prognosen für neue Zeitreihen ohne reihenspezifisches Training ermöglicht. Für Finanzteams konsolidieren TSFMs ganze Flotten kunden- oder einheitsspezifischer Prognosemodelle in einem einzigen gemeinsamen Modell, das sich auf Zahlungszeitpunkte im Debitorenbereich, Cashflow, Waehrungsrisiken und Nachfrageprognosen verallgemeinern lässt.
Ein Time Series Foundation Model, kurz TSFM, ist ein großes neuronales Netz. Es wurde auf riesigen Sammlungen historischer Zeitreihen vortrainiert und kann deshalb neue Zeitreihen prognostizieren, die es nie zuvor gesehen hat. Das Modell lernt allgemeine Muster wie Trend, Saisonalität, Niveauverschiebungen und Rauschen. Dafür wertet es Millionen von Zeitreihen aus den Bereichen Wetter, Verkehr, Handel, Energie, Finanzen sowie aus synthetischen Daten aus und überträgt diese Muster zur Laufzeit auf jede beliebige neue Zeitreihe. Das Ergebnis ist Zero-Shot-Forecasting: Sie richten das Modell auf eine neue Zeitreihe aus, übergeben ihm die jüngste Historie als Kontext und erhalten eine probabilistische Prognose, ganz ohne einen zeitreihenspezifischen Trainingsschritt.
Damit verfolgt es ein anderes Paradigma als klassische Verfahren wie ARIMA oder Prophet, die für jede Zeitreihe ein eigenes Modell anpassen. Auch von zeitreihenspezifischen Deep-Learning-Ansätzen wie LSTMs unterscheidet es sich, denn diese brauchen für jeden neuen Anwendungsfall nach wie vor Trainingsdaten und eine Feinabstimmung. Ein einziges TSFM deckt mit nur einem Satz Modellgewichte Hunderte von Prognoseaufgaben in einer Finanzorganisation ab.
Die meisten TSFMs bauen auf Transformer-Architekturen auf, die aus der Welt der Large Language Models stammen. Der entscheidende Kniff: Sie wandeln numerische Zeitreihenwerte in Tokens um, die der Transformer verarbeiten kann. Die Ansätze unterscheiden sich dabei deutlich. Chronos quantisiert die Werte in ein festes Vokabular, behandelt jeden Wert als Token und nutzt ein nahezu unverändertes T5-Backbone. TimesFM setzt auf gepatchte Eingabedarstellungen und eine reine Decoder-Architektur. Moirai verarbeitet verschiedene Frequenzen und unregelmäßige Abtastungen in einem einzigen universellen Modell. Lag-Llama nutzt zeitverzögerte Merkmale (Lag-Features) als Eingabe-Tokens in einem Decoder im Llama-Stil.
Die Trainingskorpora umfassen in der Regel Millionen von Reihen aus den Bereichen Wetter, Stromnachfrage, Verkehrszählungen, Einzelhandelsumsätze und Finanzmärkte. Dazu kommen große Mengen synthetischer Reihen, die eigens erzeugt werden, um Randfälle abzudecken. Trainiert wird meist darauf, den nächsten Patch oder das nächste Token vorherzusagen, ganz ähnlich wie Large Language Models lernen, das jeweils nächste Token im Text vorherzusagen.
TimesFM von Google ist ein Decoder-only-Modell mit 200 Mio. Parametern, frei verfügbar und eine der stärksten Zero-Shot-Baselines in öffentlichen Benchmarks. Chronos von Amazon gibt es in mehreren Größen, von sehr klein bis sehr groß. Es setzt auf Value-as-Token-Quantisierung mit einem T5-Backbone und wird für seine Einfachheit häufig zitiert. Moirai von Salesforce ist ein universelles Modell, das heterogene Frequenzen in einem einzigen Satz von Gewichten abbilden soll. Lag-Llama von Morgan Stanley und ServiceNow ist ein Decoder-only-Modell, das gezielt für Finanzanwendungen entwickelt wurde. TimeGPT von Nixtla ist ein kommerzielles Angebot mit gehosteter API und einem finanznahen Toolset drumherum.
Alle fünf sind ausgereift genug, dass ein Finanzteam sie in wenigen Wochen an den eigenen Daten testen kann, statt dafür mehrere Quartale zu brauchen.
TSFMs spielen ihre Stärken aus, wenn Sie viele Zeitreihen mit jeweils wenig Historie haben, wenn Sie standardmäßig probabilistische Ergebnisse brauchen und wenn es sich schlicht nicht mehr lohnt, für jede Zeitreihe ein eigenes Modell zu pflegen. Sie liefern von Haus aus kalibrierte P10-, P50- und P90-Prognosen. Für die Cashflow-Prognose und Liquiditätsplanung ist das entscheidend, denn dort bestimmen die Ränder der Verteilung, wie Sie über Ihre Liquidität entscheiden.
Schwächer sind sie, wenn Sie sie mit gut abgestimmten Einzelmodellen vergleichen und eine einzelne Zeitreihe über eine lange, stabile Historie und klare Saisonalität verfügt. Pro Prognose rechnen sie aufwendiger als ARIMA oder Prophet. Ihre Vorhersagen lassen sich gegenüber einem Prüfer auch schwerer erklären als die Koeffizienten eines klassischen Modells. Und bei strukturellen Brüchen stoßen sie an ihre Grenzen, etwa wenn ein Kunde seine Zahlungsbedingungen ändert oder eine einmalige Richtlinienänderung eintritt, sofern das Kontextfenster den Bruch nicht mit abdeckt.
In der debitorengetriebenen Cashflow-Prognose setzte sich im letzten Jahrzehnt vor allem ein Muster durch: ein ganzer Fuhrpark kundenindividueller Prophet- oder LightGBM-Modelle, eines je Kunde oder Segment, jeweils separat trainiert, optimiert und überwacht. Im Betrieb kostet das viel Mühe. Hunderte oder Tausende Modelle, jedes mit eigener Drift, eigenem Nachtrainings-Zyklus und eigenem Fehlerbild.
Ein TSFM fasst diesen Fuhrpark in einem einzigen gemeinsamen Modell zusammen. Es prognostiziert die Reihe der Zahlungszeitpunkte jedes Kunden zero-shot und nutzt dessen jüngste Rechnungs- und Zahlungshistorie als Kontext. Dasselbe Backbone lässt sich problemlos ausweiten: auf das Timing von Kreditorenzahlungen für die Working-Capital-Planung, auf die Prognose von Währungsrisiken und auf die Nachfrageprognose für bestandsgebundene Forderungen. Ein Modell, eine Überwachungspipeline, ein Inferenz-Stack.
Auch bei der Genauigkeit hält es inzwischen mit. Aktuelle Benchmarks zeigen: Im Aggregat ziehen TSFMs mit optimierten reihenindividuellen Prophet-Modellen gleich oder übertreffen sie, und das bei deutlich geringeren Gesamtbetriebskosten. Transformance.ai erprobt Time Series Foundation Models für die debitorengetriebene Cashflow-Prognose. Sehen Sie sich unsere Benchmark-Notizen im Vergleich zu reihenindividuellen Prophet- und LightGBM-Modellen anhand realer Debitorenportfolios an.
Testen Sie mit Ihren eigenen Daten, nicht mit den Ranglisten der Anbieter. Halten Sie je Kunde die letzten 90 Tage der Zahlungshistorie zurück, erstellen Sie Zero-Shot-Prognosen und gleichen Sie diese mit den Ist-Werten ab. Prüfen Sie dabei zweierlei: den Punktfehler (MAE auf P50) und die probabilistische Kalibrierung, also ob die Ist-Werte mit der erwarteten Rate innerhalb der P10-P90-Bänder liegen. Vergleichen Sie das Ergebnis mit dem Baseline-Modell je Zeitreihe, das Sie bereits einsetzen.
Prüfen Sie, ob das Kontextfenster des Modells Ihre typische Historienlänge abdeckt. Die meisten TSFMs verarbeiten 512 bis 2048 historische Datenpunkte. Für tägliche Zahlungsreihen reicht das, für Stundendaten wird es knapp. Testen Sie Few-Shot-Fine-Tuning auf Ihrer Domäne und prüfen Sie, ob ein wenig finanzspezifisches Training die verbleibenden Lücken schließt. Rechnen Sie schließlich die Gesamtbetriebskosten von Anfang bis Ende durch: Inferenz-Rechenleistung, Modell-Hosting, wie oft Sie neu trainieren müssen sowie die Ingenieurstunden, die Sie sparen, weil der Zeitreihe-für-Zeitreihe-Ansatz wegfällt.
Ein Time Series Foundation Model ist ein großes neuronales Netz. Es wurde auf Millionen historischer Zeitreihen vortrainiert und prognostiziert dadurch neue Reihen zero-shot, ohne dass Sie es pro Reihe separat trainieren müssen. Die Muster für Trend, Saisonalität und Rauschen lernt es domänenübergreifend und überträgt sie zur Laufzeit auf jedes neue Prognoseproblem.
ARIMA und Prophet passen ein Modell je Reihe an. Für jede neue Reihe brauchen sie historische Daten und ein eigenes Tuning. Ein TSFM nutzt dagegen einen einzigen Satz vortrainierter Gewichte, um beliebige Reihen zu prognostizieren, auch nie gesehene. Dazu zieht es die jüngste Historie als Kontext heran. So schrumpft ein ganzer Bestand an Einzelmodellen auf ein einziges gemeinsames Modell.
Zu den führenden Modellen zählen TimesFM von Google, Chronos von Amazon, Moirai von Salesforce, Lag-Llama von Morgan Stanley und ServiceNow sowie TimeGPT von Nixtla. Die ersten vier sind Open-Weights-Modelle, das fünfte eine kommerziell gehostete API. Alle sind stabil genug, dass Finanzteams sie auf ihren eigenen Daten benchmarken können.
Aktuelle Benchmarks zeigen: Bei der Prognose des Zahlungszeitpunkts von Debitoren ziehen TSFMs mit fein abgestimmten, kundenindividuellen Prophet- und LightGBM-Modellen gleich oder übertreffen sie, und das bei deutlich geringeren Betriebskosten. Wie genau die Prognose ausfällt, hängt stark von der Länge des Kontextfensters ab, von der Datenqualität der Reihen und davon, ob Strukturbrüche innerhalb des Kontextfensters liegen. Benchmarken Sie stets auf Ihrem eigenen Portfolio, bevor Sie sich festlegen.
Bei langen, stabilen und sauberen Reihen schneiden TSFMs schwächer ab als gut abgestimmte Einzelmodelle. Pro Prognose brauchen sie mehr Rechenleistung als klassische Verfahren. Gegenüber Wirtschaftsprüfern lassen sie sich schwerer erklären als statistische Modelle mit benannten Koeffizienten. Und mit Strukturbrüchen können sie sich schwertun, sofern der Bruch nicht innerhalb des Kontextfensters liegt.
Bisher pflegen Sie einen ganzen Bestand kundenindividueller Prophet-Modelle. Ein TSFM ersetzt dieses Muster durch ein einziges gemeinsames Modell, das den Zahlungszeitpunkt jedes Kunden zero-shot prognostiziert. Dasselbe Backbone lässt sich auf Kreditoren-Zahlungszeitpunkte, Währungsrisiken und Nachfrageprognosen ausweiten. So erhalten Treasury und FP&A ein Modell, eine Monitoring-Pipeline und einen Inferenz-Stack, den es zu pflegen gilt.
