Google Researchの時系列予測向け事前学習済み基盤モデル「TimesFM」のリポジトリがGitHubトレンドで1日+606スターのペースで急上昇している。最新版2.5はパラメータを2億に削減しつつ、扱える入力履歴を1万6000まで拡張した。
Google Researchの時系列予測向け基盤モデルTimesFMのリポジトリがGitHubトレンドで1日+606スターのペースで急上昇し、累計21,969スターに達している。最新版2.5はパラメータを旧版の5億から2億へ削減しつつ、扱える入力履歴を2048から1万6000まで拡張した。3000万パラメータの予測ヘッドを追加し、最大1000ステップ先までばらつき幅（分位数）を連続予測できる。
TimesFMは事前学習済みのまま多様な系列に適用でき、従来のようにデータセットごとに専用モデルを学習する必要がない。2026年に入りHuggingFace配布、LoRAによる追加学習例、外部変数対応（XReg）が整備され、自前の学習なしで需要・売上予測に使いたい実務者の導入敷居が下がった。
Xでは「無料・OSS」「100%ローカルで動く」点が拡散の核となる一方、米国株のバックテストでは「長期トレンドのある株価では当てにならず、他指標との組合せが必要」という限界指摘も出ており、期待と冷静な検証が混在している。
この変化で何が要点か。図解と出典つきで一目で。
構造化された事実を最初に。誰が何をいつどこでなぜどのように。
TimesFMはGoogle Researchが開発した時系列予測（将来の数値の流れを予測する処理）の基盤モデルで、論文はICML 2024で発表された。従来この種の予測は、データセットごとに専用モデルを学習する必要があったが、TimesFMは事前学習済みのまま多様なデータに適用できる点が特徴である。バージョンは1.0、2.0を経て2.5に至り、旧版のコードはアーカイブされた。BigQuery MLやGoogleスプレッドシート、Vertex Model GardenといったGoogle製品にも組み込まれている。
2.5ではモデルを軽量化しながら長い履歴を扱えるようになり、予測のばらつき幅（分位数予測）も最大1000ステップ先まで連続的に出せる。2026年に入り、HuggingFaceとLoRAを使った追加学習（ファインチューニング）の例や、外部変数を加味する仕組み（XReg）、AIエージェント連携も整備された。自前の学習なしに需要予測や金融予測へ適用したい実務者にとって、導入の敷居が下がっている。
TimesFM 2.5はパラメータを旧版の5億から2億へ減らし、同時に一度に読み込める過去データの長さ（コンテキスト長）を2048から1万6000まで広げた。3000万パラメータの予測ヘッドを追加し、最大1000ステップ先まで予測のばらつき幅（分位数=どのくらいの幅で外れうるかの目安）を連続的に出せる。改良アーキテクチャは回転注意・QK正規化・連続分位数予測を備える。
TimesFMはGoogle Researchが開発した時系列予測の基盤モデルで、論文はICML 2024で発表された。従来この種の予測はデータセットごとに専用モデルを学習する必要があったが、TimesFMは事前学習済みのまま多様なデータへ適用できる。
TimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting.
ここでいう「事前学習済み基盤モデル」とは、大量の時系列データであらかじめ訓練済みで、利用者が追加学習をしなくても使えるモデルのこと。GitHubでは累計21,969スター、1日+606スターのペースで伸びている。
TimesFM自体は以前から公開されているが、6月17〜18日にかけてX上で「Googleが無料・OSSで公開」「100%ローカルで動く」という切り口で再拡散した。売上推移・Webアクセス・登録者数・商品需要・在庫・来店数・問い合わせ数といった、ビジネスの現場で誰もが持っている数字に応用できる点が共有の核になっている。
古典的な時系列手法との違いも分かりやすく語られた。あるユーザーは「ARMAは、目の前の人の日記だけを読んで、明日の行動を予測する。TimesFMは、何億人分の日記を読んできた人が、目の前の人の日記の続きを予測する」と表現し、短い履歴でも『ありがちな続き』を出せる基盤モデルの本質を伝えた。
2026年に入りHuggingFaceとLoRAを使った追加学習の例、外部変数を加味する仕組み（XReg=売上に効く気温やキャンペーンなど別の変数を予測に足し込む機能）が整備され、自前の学習なしに需要予測へ適用したい実務者にとって導入の敷居が下がっている。
得をするのは、専用モデルを学習する基盤を持たない実務担当者だ。売上・在庫・来店数などの予測を、データセットごとの個別学習なしに事前学習済みモデルで試せる。HuggingFaceで配布されPyPIからインストールでき、BigQuery MLやVertex Model Gardenにも組み込まれているため、既存のデータ環境からも呼び出せる。
一方、短期で金融予測の即効性を期待した層には限界の指摘が出ている。実際に米国株や指数でバックテストした層からは「長期のトレンドが存在する株価ではTimesFMの予測は当てにならない」「精度を上げるには他の指標との組合せが必要」という冷静な報告があった。指数の5日後予測で一時的に的中率60%超が出たという声もあるが、検証は途上だ。
つまり「誰でも未来予測ができる無料AI」という拡散の熱と、実測した層の慎重な評価が混在している状態にある。
TimesFM 2.5の学習済みモデルはHuggingFaceで配布され、PyPI経由で導入できる。公式が示す流れはおおむね次の通り。
google/timesfm-2.5-200m-pytorch
まず確かめるべきは、ゼロショット（追加学習なし）のままで自社の系列がどの程度の誤差に収まるか。バックテストの報告が示すとおり、対象データの性質（トレンドの強さ、外部要因の有無）で精度は大きく変わる。既存手法と同じ期間・同じ指標で誤差を比べてから本番適用を判断したい。
立場別、明日から動ける一手。
ゼロショットのまま使うか、LoRAで追加学習するかを、自社データの履歴長と精度要件で比較する。
需要予測PoCの成功条件を、専用モデル学習との工数差と予測誤差の観点で定義する。
自社の売上や在庫の系列でゼロショット予測の誤差を、既存手法と同じ期間で測る。
Google Researchが公開した時系列予測の基盤モデル『TimesFM』がGitHubで急上昇（+606★/日）。「過去の数値の並びから未来を予測する」ゼロショット予測AIとして、売上・需要・株価・暗号通貨ボラティリティなどへの応用を期待する声が広がっている。2025年に登場した2.5版は、パラメータを5億から2億へ軽量化しつつ入力履歴を最大1万6000まで拡張、最大1000ステップ先の分位数予測に対応した。一方で「長期トレンドのある株価では当てにならない」という実検証の報告もあり、過度な期待と冷静な検証が混在している。
Googleが無料公開した予測AIに「自分で情報を集める必要がなくなる」「100%ローカルで動く」と興奮する声が中心。売上・市場価格・ウェブトラフィック・エネルギー需要・暗号通貨のボラティリティなど幅広い対象に使える点が注目され、「最強金融AI」として拡散されている。専門知識なしに導入できる手軽さが期待を集めている。
「過去の売上推移から来週・来月を予測」「Webアクセスや登録者数の伸びを予測」「商品需要・在庫・来店数・問い合わせ数を予測」など、ビジネス実務での活用イメージを具体的に語る投稿が目立つ。OSSとして公開されているため「上手く使えたら死ぬほど化けそう」と、副業や自動化への応用を試そうとする実務者の関心が高い。
ARMAなど古典的な時系列分析との違いを「ARMAは目の前の人の日記だけを読んで予測、TimesFMは何億人分の日記を読んできた人が続きを予測する」と例えるなど、基盤モデルの特徴を分かりやすく解説する投稿が支持を集めている。短い履歴でも「ありがちな続き」を出せるゼロショット性能の本質を説明している。
米国株やSPY・QQQなどの指数でバックテストを実行した結果、「長期のトレンドが存在する株価ではTimesFMの予測は当てにならない」という報告が出ている。精度を上げるには他の指標との組合せが必要との指摘や、指数の上昇予測で60%超の的中率が一瞬出たという検証もあり、過度な期待への冷静な視点を提供している。
※トレンド検出時刻付近の人気投稿を表示
この『TimesFM』の真の狂気に気づいている実務家が少なすぎる。 かつて私が構築を頓挫した 『完全自動の株式トレードシステム』 その唯一のボトルネックが「時系列データ予測におけるファインチューニングの限界」だった。 だが、このゼロショットで動く金融予測AIを
日本への移動機内中、時間があるのでGoogle Researchがリリースしたという将来予測モデルTimesFMとClaude、Google Colabを使って米国株と指数の5日後の株価予測を検証してみた。 指数の場合上昇予測は60%以上の的中率！という結果が一瞬出てClaudeが大興奮！