FinnTS：微软财务时间序列预测框架，让 AI 当你的专属数据科学家

FinnTS Logo

图1：FinnTS 官方 Logo

故事开场：一个 CFO 的烦恼

每到季度末，某科技公司的 CFO 李明（化名）就要开始头疼了。他需要预测下个季度的收入、毛利率、运营费用等几十个财务指标。传统方式是让分析师逐个跑 ARIMA 模型，再人工比较结果，最后拍脑袋决定——整个过程耗时三天，误差还常常超过 10%。

2022 年，微软财务部门的一支团队决定解决这个痛点。他们发现，财务预测的核心矛盾在于：财务指标数量多（几十到上百个）、每个指标的历史模式各异、且预测需要又快又准。当时市面上的工具要么只支持单序列（一个指标单独预测），要么对外部变量（如宏观经济指标）支持很差。

于是，FinnTS（Finn Time Series）诞生了。这个名字里的"Finn"既是"Financial"的缩写，也是团队给它赋予的拟人化人格——一个永远在线、不知疲倦的虚拟数据科学家。

FinnTS 是什么？

FinnTS（Microsoft Finance Time Series Forecasting Framework）是微软财务团队开源的 R 语言时间序列预测框架。表面上它是一个 R 包，实际上它的野心远不止于此——它是一个完整的 AI Agent 驱动预测流水线，可以让 LLM 自动决定用什么数据、选什么模型、迭代多少次，直到达到预设的预测精度目标。

项目的核心作者 Mike Tokic 和 Aadharsh Kannan 均在 GitHub 上有完整的 ORCID 标注，代码遵循 MIT 许可证，支持社区贡献。目前项目在 GitHub 上有 261 颗星、52 个 Fork，保持着活跃的开发节奏（最近更新：2026 年 7 月 7 日）。

核心能力：三层架构

第一层：AI Agent 智能体

FinnTS 最具创新性的设计是内置的 AI Agent 工作流。不同于传统的时间序列工具（用户自己选模型、调参数），FinnTS 的 Agent 可以充当"虚拟数据科学家"，自动完成以下决策：

用什么特征：自动做特征工程（日期特征、滞后特征、滚动统计量），并通过 LLM 智能选择最相关的特征组合
选什么模型：从 25+ 候选模型中，通过回测自动筛选最优
迭代多少次：用户设定 weighted_mape_goal（加权 MAPE 目标），Agent 会一直迭代直到达标或达到最大迭代次数

Agent 的工作方式基于图形工作流（Graph Workflow）。代码中 run_graph() 函数实现了一个状态机，每个节点可以是：

工具节点（Tool Node）：执行具体任务（如数据预处理、模型训练、特征选择）
LLM 决策节点（LLM-Decide Node）：让 LLM 根据当前上下文决定下一步走向

这种设计的精妙之处在于：它把 ML 管道的每个步骤都变成了可编排的节点，LLM 可以在决策节点"回头"——比如发现某组特征效果不好，让工作流退回去重新做特征工程。这比传统的固定流程灵活得多。

# FinnTS Agent 使用示例
driver_llm <- ellmer::chat_azure_openai(model = "gpt-4o-mini")
project <- set_project_info(project_name = "Demo",
                            combo_variables = c("id"),
                            target_variable = "value",
                            date_type = "month")
agent <- set_agent_info(project_info = project,
                        driver_llm = driver_llm,
                        input_data = hist_data,
                        forecast_horizon = 6)
iterate_forecast(agent_info = agent,
                 max_iter = 3,
                 weighted_mape_goal = 0.03)
forecast_output <- get_agent_forecast(agent_info = agent)

第二层：25+ 预测模型矩阵

FinnTS 内置了极为丰富的模型库，分为几大类：

模型类别	代表模型	特点
传统统计模型	ARIMA、ETS、Theta、Tbats	快速、可解释
机器学习模型	XGBoost、Cubist、MARS、SVM	捕捉非线性关系
Prophet 系列	Prophet、Prophet-boost、Prophet-xregs	处理节假日效应
基础模型（Foundation Models）	TimeGPT、Chronos2、Chronos-Bolt、TimesFM	零样本预测，无需训练
集成模型	Ensemble（自动加权组合）	追求最优精度

特别值得强调的是基础模型（Foundation Models）支持：TimeGPT（Nixtla）、Chronos2（Amazon）、TimesFM（Google）都是近年来兴起的时间序列基础模型，可以在零样本（Zero-Shot）的情况下直接对陌生数据集做预测。这意味着即使某个财务指标的历史数据很短，传统模型无法有效训练，基础模型依然能给出合理的预测。

第三层：并行与云原生

对于需要同时预测成千上万个时间序列的场景（如预测所有产品的每日销量），FinnTS 支持三种并行策略：

本地多核并行（local_machine）：自动利用机器所有核心
Spark 并行（spark）：在 Azure Databricks 或 Azure Synapse 上跑
内部并行（inner_parallel）：在单序列的处理流程内部也做并行（如同时训练多个候选模型）

技术架构：R 生态的集大成者

从代码结构来看，FinnTS 是 R 语言 Tidyverse/Mtidymodels 生态的深度整合者：

数据管道：timetk（时间序列数据处理）、dplyr/tidyr（数据整理）
ML 框架：parsnip/modeltime（统一模型接口）、recipes（特征工程）、workflows（训练流水线）、tune（超参调优）
并行计算：foreach/doParallel（本地多核）、sparklyr（Spark 集群）
LLM 集成：ellmer（统一 LLM 接口，支持 Azure OpenAI、OpenAI、Anthropic 等）
时间序列专用：feasts（特征提取与可视化）、hts（分层预测）

代码组织非常模块化：

R/agent_*.R：AI Agent 核心逻辑
R/*_model.R：各类预测模型的封装
R/feature_*.R：特征工程相关
R/prep_*.R：数据预处理流水线
R/train_*.R：模型训练与选择
R/forecast_*.R：预测结果输出

包依赖超过 40 个（仅 Imports），加上 Suggests 里的可选依赖，整个 FinnTS 的生态非常庞大。这种设计虽然带来了较高的学习门槛，但换来了极高的灵活性和扩展性。

适用场景与局限

适合的场景

企业财务预测：收入、成本、利润、现金流等财务指标的自动化预测
零售/供应链：多SKU产品需求预测，支持分层结构（品牌→品类→SKU）
时间紧、分析师稀缺：不需要专业数据科学家，Agent 可以自动完成大部分工作
外部变量丰富：支持历史和未来两种类型的外部回归变量（如经济指标、促销活动）

需要注意的局限

LLM 依赖：使用 Agent 功能需要 OpenAI/Azure OpenAI API key，产生调用费用
R 语言门槛：纯 R 生态，不支持 Python/PyTorch 用户直接使用
无 Web UI：纯 R 包，非技术用户上手有一定难度
Foundation Model API：TimeGPT、Chronos2 等基础模型依赖第三方 API，网络不稳定时可能失败

一键安装体验

FinnTS 已登陆 CRAN，安装极为简单：

# 稳定版（一行命令搞定）
install.packages("finnts")

# 或从 GitHub 安装最新版
devtools::install_github("microsoft/finnts")

安装后只需约 3 分钟即可运行第一个预测案例。依赖项会自动从 CRAN 拉取，整个过程无需手动配置。

行业意义：AI Agent 遇上时间序列

FinnTS 的出现代表了一个趋势：AI Agent 不再只做 NLP/对话任务，而是开始接管结构化的数据分析流水线。传统的时间序列工具（如 Prophet、statsmodels）本质上是"函数调用"——用户传数据、返回结果，中间没有决策空间。而 FinnTS 把 LLM 嵌入了决策回路，让机器学会"反思"和"回退"。

这种设计思路对整个 AI + 数据科学领域都有启发价值。未来可能会有更多垂直领域的"AI 数据科学家"出现——FinnTS 开了个好头。

分析基于 GitHub 仓库 microsoft/finnts（stars: 261, language: R, updated: 2026-07-07）