Falcon-TST 2.0: Previsão de Séries Temporais com Quantis em Python

O Falcon-TST 2.0, modelo open-source da Ant International, agora lidera o benchmark de séries temporais GIFT-Eval com um MASE de 0.666, à frente de modelos do Google, Amazon e Salesforce. A instalação é feita com um único comando pip, e a API retorna 21 quantis por horizonte — o suficiente para construir bandas de confiança sem nenhuma amostragem extra.

Por que isso importa

O Falcon-2.0 é um modelo fundacional de séries temporais univariadas do tipo encoder-only, treinado com ORBIT (Omni-Range Bootstrap Incremental Training). Encoder-only significa que uma única passagem forward mapeia toda a janela de contexto para a previsão — sem decodificação autorregressiva, o que reduz a latência e evita o acúmulo de erros. Essa é uma escolha deliberada em relação ao decodificador hierárquico mixture-of-experts do primeiro Falcon: você obtém previsões mais rápidas e conscientes da distribuição para séries individuais, enquanto o Falcon-X cobre séries multivariadas heterogêneas.

Ideias principais

• Uma passagem, 21 quantis. A API retorna os quantis 0.01, 0.05, 0.10 … 0.95, 0.99 no formato (B, 21, H) — o suficiente para desenhar bandas de confiança sem amostragem adicional.
• Valores ausentes são cidadãos de primeira classe. Passe um input_mask (1 = observado, 0 = ausente), ou simplesmente use np.nan dentro do contexto. Muito útil para fins de semana, pausas de negociação e calendários desalinhados.
• A mediana é a sua previsão pontual. O índice de quantil 10 é o quantil 0.5 — use-o diretamente como a previsão pontual.

Código: previsão em três passos

pip install falcon-tst

import numpy as np
from falcontst import FalconClient

# B series, L = 512 lookback steps, H = 96 steps ahead
context = np.random.randn(32, 512)
input_mask = np.ones_like(context)   # 1 = observed, 0 = missing

client = FalconClient()
result = client.quantile_predict(
    context=context,
    prediction_length=96,
    model_name="Falcon-2.0",
    input_mask=input_mask,           # mark gaps / holidays as 0
)

prob = np.array(result["prob_prediction"])  # (B, 21, H)
point = prob[:, 10, :]               # median = 0.5 quantile
lo, hi = prob[:, 0, :], prob[:, -1, :]      # 1% / 99% bounds

Para séries com lacunas reais — taxas de câmbio ao longo de um fim de semana, ou um calendário com feriados de bolsa — defina as posições ausentes como 0 no input_mask e o modelo cuida do resto.

Dicas práticas

• Use a amplitude, não apenas a mediana. A banda de 1%–99% suporta diretamente estimativas de exposição no estilo VaR. A Ant International construiu o Falcon-2.0 para gestão de risco de câmbio em pagamentos transfronteiriços, onde as caudas da distribuição são o que importa.
• Mantenha a janela de lookback consistente. A API foi construída em torno de comprimentos de contexto fixos (512 nos exemplos). Alimente um L estável — não preencha com dados aleatórios.
• Reproduza o GIFT-Eval antes de confiar no seu domínio. O repositório inclui um notebook de avaliação (eval/falcon-2.ipynb). Modelos fundacional generalizam bem, mas valide primeiro nas suas próprias séries.
• Escolha o irmão certo. Univariada com quantis → Falcon-2.0. Multivariada heterogênea → Falcon-X. O modelo de pesquisa com MoE hierárquico → Falcon-1.0.
• Planeje o stack. Se você ainda está avaliando onde modelos fundacionais se encaixam em produção, nossa visão geral das Tendências de IA para 2026 é um bom ponto de partida.

Recursos

• GitHub: github.com/ant-intl/Falcon-TST (Apache-2.0)
• Relatório técnico: arXiv:2608.13262 — Into the ORBIT for Time Series
• PyPI: falcon-tst
• Benchmark: GIFT-Eval (Salesforce AI Research)

FAQ

O Falcon-TST 2.0 é gratuito? Sim. O cliente e o modelo estão sob licença Apache-2.0 no GitHub (ant-intl/Falcon-TST), e o pip install falcon-tst instala o cliente. A API quantile_predict é a forma mais rápida de usá-lo.

Como o Falcon-2.0 difere do Falcon-1.0 e do Falcon-X? O Falcon-2.0 é um modelo univariado encoder-only: uma passagem forward, 21 quantis por horizonte. O Falcon-X é voltado para séries multivariadas com variáveis heterogêneas, e o Falcon-1.0 é a versão de pesquisa com MoE hierárquico.

O que significa um MASE de 0.666? O MASE (mean absolute scaled error) é livre de escala — quanto menor, melhor. 0.666 é o melhor resultado no conjunto GIFT-Eval, à frente de modelos como Chronos e TimesFM nesse benchmark.