量化分析报告-AI投研新范式：2026年AAAI与ICLR前沿论文综述

目录引言 3前沿方向梳理 4LLM交易智能体与技术面推理 4Alpha因子挖掘与评估体系 6深度学习表征、多模态预测与量化信号建模 10强化学习的泛化与市场情境自适应 16金融基础模型与市场仿真 20端到端决策与模型约束 23金融文本模型的鲁棒性与安全评估 25金融大模型评测与投研流程自动化 273结语 37风险提示 38参考文献 39插图目录 43引言20267月，AITransformer本文聚焦AAAI2026与ICLR2026主会及相关金融AIWorkshop论文，对上述两个会议的量化金融前沿研究进行阶段性梳理AAAIICLRICMLIJCAI是人工智能与机器学习领域的重要顶级会议。目前，基于已取得的AAAI2026、ICLR2026ICML2026AAAIICLR点覆盖以下八个方向：LLM交易智能体与技术面推理Alpha因子挖掘与评估深度学习强化学习的泛化与市场情境自适应金融基础模型与市场仿真端到端决策与模型约束模型可靠性与安全评估金融大模型评测与投研流程自动化前沿方向梳理LLM从所梳理论文看，LLM在量化交易中的价值更多体现为对策略研发、代码生成、语义校验和可解释推理等环节的辅助，而非直接承担交易下单功能。inMinutes!(TiMi，ICLR2026)研究目的：TiMi讨论的是LLM交易智能体如何真正进入量化执行场景。既研究方法：TiMi将系统拆成离线策略研发和在线分钟级执行两个阶段阶段由多个专长不同的LLM200TiMiLLM体图1：TiMi流程图资料来源：《TradeinMinutes!Rationality-DrivenAgenticSystemforQuantitativeFinancialTrading》ZifanSong等，国联民生证券研究所整理ReasoningonTime-SeriesforFinancialAnalysis（ICLR2026）LLMLLMTechnicalAnalysis，语言化技术分析）是论文提LLM驱动价格预测OHLCVMACD、RSILLM能在保持可解释技术分析的同时提升预测准确率。它补充了TiMi图2：ReasoningonTime-Series流程图资料来源：《ReasoningonTime-SeriesforFinancialTechnicalAnalysis》KelvinJ.L.Koa等，国联民生证券研究所整理AlphaAlpha因子挖掘是LLM较易嵌入量化流程的场景，其核心价值主要体现在公式生成、搜索引导和语义评估三个环节。NavigatingtheAlphaJungle（AAAI2026）Alpha因子挖掘中的两项长期难题：一是候选常希LLM研究方法：框架把因子挖掘组织成LLM与蒙特卡洛树搜索协同的迭代流程每个节点对应一条候选因子公式，LLM根据当前公式、可用字段、算子库和历史高质量因子提出修改方向；MCTS则依据回测反馈选择更值得深入探索的分支。AlphaZoo图3：NavigatingtheAlphaJungle流程图 资料来源：《NavigatingtheAlphaJungle:AnLLM-PoweredMCTSFrameworkforFormulaicFactorMining》YuShi等,国联民生证券研究所整理AlphaAgentEvo（ICLR2026）研究目的：AlphaAgentEvo将Alpha挖掘从一次性搜索推进到持续进化。AgenticReinforcementLearningAlphaAgentEvoLLM驱动方法更高效地产生多样、可迁移的Alpha图4：AlphaAgentEvo流程图资料来源：《AlphaAgentEvo:Evolution-OrientedAlphaMiningviaSelf-EvolvingAgenticReinforcementLearning》ZiyiTang等,国联民生证券研究所整理AlphaSAGE（ICLR2026）研究目的：AlphaSAGE针对的是强化学习式因子挖掘容易“塌缩”的问题。RLGFlowNet串处理。其次，框架引入GFlowNet，使公Alpha护的实际需求。图5：AlphaSAGE流程图 资料来源：《AlphaSAGE:Structure-AwareAlphaMiningviaGFlowNetsforRobustExploration》BinqiChen等,国联民生证券研究所整理AlphaBench（ICLR2026）LLM参与公式化Alpha挖掘建立可比较的评测体系LLM节的优缺点。lhaBnch将公式化lhaLLM，并比较思维链、思维树、经验链和进化式搜索等提示与推理策略研究结论：LLM在自动化因子挖掘中确有潜力，但在稳健性、搜索效率和实际可部署性上仍存在短板。ah图6：AlphaBench流程图 资料来源：《AlphaBench:BenchmarkingLargeLanguageModelsinFormulaicAlphaFactorMining》HaochenLuo等,国联民生证券研究所整理toAlpha（ICLR2026Workshop）LLM能否比命名实体识别或关键词匹配更准确地识别企业披露中管理层关注重点的跨期变化。传统方法常用命名实体识别或关键词匹配LLM动目标”式的语义漂移。研究方法：该研究采用“LLM提取、嵌入度量”的两阶段框架——Fama-FrenchLLM子调整后仍具有显著超额收益图toAlpha流程图 资料来源：《FromTexttoAlpha:CanLLMsTrackEvolvingSignalsinCorporateDisclosures》ChanyeolChoi等,国联民生证券研究所整理RelationalProbing（ICLR2026Workshop）研究目的：RelationalProbingLLMProbing探讨能否用一种可端到端训练的轻量适配机制，直接从语言模型的内部表示中诱导出股票关系图，并与预测目标对齐。研究方法：RelationalProbing框架以带股票代码标注的金融新闻为输入，tokenRelationHeadRelationHead图8：RelationalProbing流程图 资料来源：《RelationalProbing:LM-to-GraphAdaptationforFinancialPrediction》YingjieNiu等,国联民生证券研究所整理GAP-TGN（ICLR2026Workshop）以识别可能带来超额收益的结构性信息渠道。国会议员因监管权限与委员会任职Alpha”的领先指标用于监测政治信息渠道与辅助异常交易预警。图9：GAP-TGN流程图 资料来源：《DetectingInformationChannelsinCongressionalTradingviaTemporalGraphLearning》BenjaminPhamRoodman等,国联民生证券研究所整理FinZero（AAAI2026Workshop）研究目的：FinZero旨在同时解决金融时序预测中的信息损耗、跨资产泛化FinZero采用“时序图像化+不确定性调整强化学习”同时学习涨跌方向和预测置信度研究结论：FinZero以较小的参数量在价格与波动率方向预测上超过了更大——度阈值过滤低质量信号，可在不额外依赖估值模型的情况下有助于获得更稳健的方向性交易信号。图10：FinZero流程图 资料来源：《FinZero:LaunchingMulti-modalFinancialTimeSeriesForecastingwithLargeReasoningModel》YanlongWang等,国联民生证券研究所整理DiffusionCopulas（ICLR2026Workshop）、ES究把边际分布与依赖结构分开建模，使预测分布同时保留重尾边际与非高斯联合依赖。CopulasCopulaNormalLaplace、的动态混合参数，保证边际具备重尾覆盖能力；再将各资产边际CDFCopula—前向扩散逐步破坏样本间的依赖结构，训练分类器区分“依赖态”与“独立噪Copula密度的近似。采样时以Lavn动力学抽取联合样CDF预测分布。个维度均优于端到端扩散基线ES图11：DiffusionCopulas流程图 资料来源：国联民生证券研究所绘制WaveLSFormer（ICLR2026Workshop）无法随下游交易目标调整，高频噪声还容易干扰稳定的低频趋势表征。WaveLSFormerDTWGranger显著预测关系的辅助序列；随后由两组可训练的FIRTransformerROI过拟合惩罚与Sharpe正则共同构成，使模型优化目标与部署指标保持一致。研究结论：在美股多行业五年的小时级数据上，WaveLSFormer相比原始TransformerROISharpe比率大幅提升MLPLSTMTransformer图12：WaveLSFormer流程图 资料来源：国联民生证券研究所绘制泛化仍是强化学习在量化交易中的核心难题。MetaTrader（AAAI2026）关注强化学习交易策略的泛化问题RLTDTD学习。图13：MetaTrader流程图 资料来源：《MetaTrader:LearningtoGeneralizeRLTradingPoliciesBeyondOfflineData》HaochenYuan等,国联民生证券研究所整理ArchetypeTrader（AAAI2026）试图解决市场状态切换下策略选择粗糙的问题。型正。RL提供了一种更可解释的策略迁移路径图14：ArchetypeTrader流程图 资料来源：《ArchetypeTrader:ReinforcementLearningforSelectingandRefiningLearnableStrategicArchetypesinQuantitativeTrading》ChuqiaoZong等,国联民生证券研究所整理MARS（AAAI2026）研究目的：MARS把强化学习组合管理中的两个问题放在一起处理：一是金无法在决策当下主动约束尾部风险。论文希望构建一个由多类风险偏好智能体组成的系统，让组合能在不同市场状态中动态调配激进与保守策略。Safety-CriticMeta-AdaptiveController研究结论：在多个主要国际指数上的实验显示，MARS能显著降低最大回撤和波动，同时保持有竞争力的收益。与强调训练阶段泛化、ArchetypeTrader使风险管理从单一奖励项变成系统结构的一部分。图15：MARS流程图 资料来源：《MARS:AMeta-AdaptiveReinforcementLearningFrameworkforRisk-AwareMulti-AgentPortfolioManagement》JiayiChen等，国联民生证券研究所整理Multiagent RL for Liquidity Games（Workshop）过局部激励共同提升市场流动性。场外债券市场的流动性依赖大量异质参与者的把系统级流动性目标分解为可独立学习的局部激励。研究将双边债券交易建模为MarkovQ-learning研究结论：采用差分奖励的智能体在允许部分成交的环境下实现了最高的总图16：MultiagentRLforLiquidityGames流程图 资料来源：《MultiagentReinforcementLearningforLiquidityGames》AliciaVidler等,国联民生证券研究所整理Kronos（AAAI2026）K型tokenizerK研究方法：Kronos通过专用离散化和大规模自回归预训练，构建可跨资产、跨市场迁移的K线基础表示。45120KRankICK图17：Kronos流程图 资料来源：《Kronos:AFoundationModelfortheLanguageofFinancialMarkets》YuShi等,国联民生证券研究所整理Controllable Financial Market Generation DiffusionGuidedMetaAgent（AAAI2026）研究方法：DigMA将市场生成拆成“状态分布生成”和“订单流生成”两个环节验的元代理从这些状态分布中采样并生成逐笔订单，使订单流既服从生成模型给流可被回放成完整市场环境，用于下游高频交易任务测试。在生成保真度和情景可控性上优于已有市场仿端行情到来前完成压力检验。图18：DigMA流程图 资料来源：《ControllableFinancialMarketGenerationwithDiffusionGuidedMetaAgent》Yu-HaoHuang等,国联民生证券研究所整理CTBench（ICLR2026）24却无法服务策略开发。研究方法：CTBench构建了覆盖452个加密代币的开源数据集，并从5个13效率。评测框架包括两类下游任务：PredictiveUtility用于检验合成数据是否保留时间依赖和横截面关系，StatisticalArbitrage584态下分析模型表现差异。研究结论：统计拟合好并不必然带来可交易性，不同生成模型在保真度、风险刻画和下游收益之间存在明显取舍。CTBench图19：CTBench流程图 资料来源：《CTBench:CryptocurrencyTimeSeriesGenerationBenchmark》YihaoAng等,国联民生证券研究所整理组合收益或风险调整后收益最优。Physics-InformedKoopmanNeuralEstimationtheHestonModel（AAAI2026）研究目的：该研究关注Heston随机波动率模型在高频观测下的参数估计。Heston研究方法：Koopman-PINN将潜在波动率估计、Koopman线性化和Heston参数ART-filter从高频价格路径中估计潜在波动率，并通过矩估计法给出初始参数；随后使用神经Koopman算子，将Heston非线性动力系统映射到高维线性Heston驱动表示和金融模型先验，减少纯黑箱拟合带来的不可解释偏差。研究结论：在多组市场条件和参数组合上的实验表明，Koopman-PINN能稳健恢复Heston模型五个核心参数，并优于多类既有估计方法AI图20：HestonModel流程图 资料来源：《Physics-InformedKoopmanNeuralEstimationoftheHestonModelfromHigh-FrequencyObservations》QiumingZhu等,国联民生证券研究所整理STABLE（ICLR2026）面向市场环境切换下的组合配置问题资产配置环节，使组合在不同市场状态下保持更稳健的风险收益权衡。研究方法：STABLEBlack-Litterman投Black-Litterman的启示是，金融AI的落点不应停在预测精度，而要把不确定性、协方差和投资约束一并纳入决策，有助于更贴近真实组合管理。图21：STABLE流程图 资料来源：《STABLE:Shift-TolerantAllocationviaBlack-LittermanUsingConditionalDiffusionEstimates》YejunSoun等,国联民生证券研究所整理金融文本模型的风险不只来自预测误差，也来自输入端的攻击与扰动。Semantics-PreservingAdversarialAttacksonEvent-DrivenStockPredictionModels（AAAI2026）研究目的：ChameleonAttack检验事件驱动股票预测模型在金融文本输入端的对抗鲁棒性LLM还包括不改变原意且难以察觉的文本攻击。研究方法：ChameleonAttack通过潜在空间扰动搜索与语义回译两阶段流程，生成能够误导模型且保持原意自然的金融文本。论文先从理论上分析离散对抗优化与连续空间松弛之间的关系，说明连续优化可为离散攻击提供有AdaptiveLatent-SpaceOptimizationSemantic-TranslationModuleFinBERTFinancialPhraseBank研究结论：ChameleonAttack可达到较高攻击成功率，同时保持文本自然性和语义一致性否则模型可能在看似正常的措辞变化下发生方向性误判。图22：ChameleonAttack流程图 资料来源：《Semantics-PreservingAdversarialAttacksonEvent-DrivenStockPredictionModels》AofanLiu等,国联民生证券研究所整理CAIA（AAAI2026Workshop）AICAIA风险、不可逆决策场景下的稳健性。“有工具”和“无工具”两种条件，让多款主流大模型在标准化推理-行动框架单题成本及工具调用失效模式。——图23：CAIA流程图 WhenHallucinationCostsMillions:BenchmarkingAIAgentsinHigh-StakesAdversarialFinancialMarkets》ZeshiDaiChameleonAttack和CAIA分别从输入扰动和对抗信息环境两个层面揭示了金融AI的可靠性风险。前者提醒文本信号模型需要关注语义一致的对抗样本，后者则说明智能体在高风险场景中还需要具备稳定的工具选择和证据甄别能力。AI的可靠性正在从单点鲁棒性测试走向系统化风控2026AIEDINET-Bench（ICLR2026）DNETBnch评测大模型能否处理真实财务报表中的复杂判断，而不是只回答短文本问答LLM研究方法：基准基于日本EDINET系统十年上市公司年报构建，任务包括会论文同时设置逻辑回归等传统基线，比较大模型在端到端长文档输入下是否真正学到了专家级推理能力。LLM，在造假检测和盈利预测等二分类任务上也只比的意义在于提醒金融评测要贴近真实工作流：模型需要配套检索、信息结构化、专用推理流程和任务支持，而不是只依赖长上下文窗口。图24：EDINET-Bench流程图 资料来源：《EDINET-Bench:EvaluatingLLMsonComplexFinancialTasksusingJapaneseFinancialStatements》IssaSugiura等,国联民生证券研究所整理FinSearchComp（ICLR2026）关注金融智能体的搜索与推理能力研究方法：基准由70名专业金融人员参与标注和质检，包含635个覆盖全21FinSearchComp这对投研流程自动化尤其关键。图25：FinSearchComp流程图 资料来源：《FinSearchComp:TowardsaRealistic,Expert-LevelEvaluationofFinancialSearchandReasoning》LiangHu等,国联民生证券研究所整理FinMMDocR（AAAI2026）研究目的：FinMMDocRFinMMDocR把金融多模态推理的难度推进到真实研报和研究方法：基准包含837份中英文金融文档，覆盖公司研究、行业报告等950120011RAG果的影响。研究结论：在该论文的评测范围内，表现最佳的多模态大模型准确率仍只有约58%，且RAG方法之间差异明显，说明金融多模态推理的瓶颈不只是视觉识别，而在于跨页证据组织、隐含场景建模和长链条计算。对投研自动化而言，FinMMDocR说明模型需要被嵌入可追溯的检索和计算流程，而不能只依赖端到端生成答案。图26：FinMMDocR流程图 FinMMDocR:BenchmarkingFinancialMultimodalReasoningwithScenarioAwareness,DocumentUnderstanding,andMulti-StepComputation》ZichenFinMathBench（AAAI2026）研究目的：FinMathBench946440LLM例如部分强模型在四公式任务中的表现远低于单公式任务。FinMathBench说明金融数学推理的瓶颈不只是算术，而是业务语义、公式选择和多步依赖关系的稳定结合，这也是自动化财务分析必须重点解决的环节。图27：FinMathBench流程图 资料来源：《FinMathBench:AFormula-DrivenBenchmarkforEvaluatingLLMs’MathReasoningCapabilitiesinFinance》YiHe等,国联民生证券研究所整理部分专门金融大模型在复杂任务上并不稳定，说明继续在金融语料上预训练不能自动转化为分析师能力。FinRpt（AAAI2026）研究目的：FinRpt11项评价指标和多智能体生成框架，构成完整的自动研报研究体系。数据层面，FinRpt7FinRpt-Gen研究结论：FinRpt构建的数据集与评价指标能够较系统地衡量研报质量，FinRpt-Gen也展示了多智能体流水线在自动研报生成中的潜力。它的意义在于把投研流程从单轮问答推进到可评测的报告生产，但也说明自动生成内容必须配套指标体系与人工复核，否则容易把格式完整误认为分析可靠。图28：FinRpt流程图 FinRptDatasetEvaluationSystemandLLM-basedMulti-agentFrameworkforEquityResearchReportGeneration》SongJinTermGPT（AAAI2026）解决金融与法律文本中专业术语辨析不充分的问题LLM在金融和法律术语区分任务上优于既有基线图29：TermGPT流程图 Multi-LevelContrastiveFine-TuningforAdaptationinLegalandFinancialDomains》YidanSun等,国联民生证CLER（AAAI2026）面向多模态金融推理中的错误修正问题FinErrorSet，8000能稳定优于常规自我图30：CLER流程图 资料来源：《CLER:ImprovingMultimodalFinancialReasoningbyCross-MLLMErrorReflection》ShuangyanDeng等,国联民生证券研究所整理PMADS（AAAI2026Workshop）研究目的：PMADS考察结构化多智能体辩论能否提升非财务信用分析的严企业信用评估中的非财务因素分析高度依赖客户经理LLM研究方法：PMADS以结构化多智能体辩论组织非财务信用分析，使正反论KarlPopper辩论著优于单智能体基线性分析显式写入审查约束的自动化路径，有助于提升信贷报告的稳健性与可审计性，但计算时延可能达到单智能体方案的数倍。图31：PMADS流程图 资料来源：《StructuredDebateImprovesCorporateCreditReasoninginFinancialAI》YoonjinLee等,国联民生证券研究所整理VeritasFi（AAAI2026Workshop）RAGSEC申报文件时面临两重制约研究方法：VeritasFi——先在实体匿名化的通用金融数据上以对比学习训练可迁移的基础重排器，再以目标公司检索结果为信号做轻量微调、快速适配到具体实体，最后将排序结果与对话历史交由大模型生成答案。优于图RAG、轻量RAG等基线，在部分数据集上的提升尤为明显；消融实验表图32：VeritasFi流程图 VeritasFi:AnAdaptable,Multi-tieredRAGFrameworkforMulti-modalFinancialQuestionAnswering》ZhenghanAI2026联合分布建模和频域分解拓展量化信号来源，三是用更贴近真实投研的基准暴露结语AAAI2026、ICLR2026AIWorkshopLLM状态和微观流动性；金融基础模型开始围绕K风险提示AAAI2026ICLR2026AIWorkshopAAAI2026、ICLR2026AIWorkshopAIWorkshop后续版本稳定性上可能存在差异，后续论文集、OpenReview条目或作者版本更新可能影响综述结论。论文结论存在外推风险AI模型和量化策略存在模型风险市场环境变化风险综述解读可能存在偏差。本文对英文论文进行了归纳、翻译和研究判断，参考文献Song,Z.,Song,K.,Hu,G.,Qi,Gao,Wang,X.,Li,&Zhao,C.(2026).inMinutes!Rationality-DrivenAgenticSystemforQuantitativeFinancialInternationalConferenceonLearningRepresentations.Koa,K.,Chen,Ma,Zheng,H.,&Chua,(2026).ReasoningonTime-SeriesforFinancialAnalysis.InternationalConferenceonLearningRepresentations.Shi,Duan,&Li,(2026).NavigatingtheAlphaJungle:AnLLM-PoweredMCTSFrameworkforFormulaicFactorMining.ProceedingstheAAAIConferenceonArtificialIntelligence,40(2),997-1005.Z.,Yin,X.,Chen,Chen,Z.,Zheng,Wang,K.,&Lin,L.(2026).AlphaAgentEvo:Evolution-OrientedAlphaMiningviaSelf-EvolvingAgenticReinforcementLearning.InternationalConferenceonLearningRepresentations.Chen,B.,Ding,H.,Shen,N.,Guo,Huang,Liu,L.,&Zhang,M.(2026).AlphaSAGE:Structure-AwareAlphaMiningviaGFlowNetsforRobustExploration.InternationalConferenceonLearningRepresentations.Luo,H.,Ko,H.Chen,Sun,Zhang,&Liu,C.(2026).AlphaBench:BenchmarkingLargeLanguageModelsinFormulaicAlphaFactorMining.InternationalConferenceonLearningRepresentations.Choi,C.,Kim,etal.(2026).FromAlpha:CanLLMsEvolvingSignalsinCorporateDisclosures?ICLR2026WorkshoponAdvancesinFinancialAI.Niu,Jin,C.,Dolphin,R.,&Dong,R.(2026).RelationalProbing:LM-to-GraphAdaptationforFinancialPrediction.ICLR2026WorkshoponAdvancesinFinancialAI.Roodman,B.E.,AteroVázquez,X.,Huang,Lin,C.,&Wang,C.-J.(2026).DetectingInformationChannelsinCongressionalviaGraphLearning.ICLR2026WorkshoponAdvancesinFinancialAI.Wang,Xu,Ma,etal.(2026).FinZero:LaunchingMulti-modalFinancialTimeSeriesForecastingwithLargeReasoningModel.AAAI2026WorkshoponAgenticAIinFinancialServices.Huk,Wang,&M.(2026).ProbabilisticMultivariateTimeSeriesForecastingwithDiffusionCopulas.ICLR2026WorkshoponAdvancesinFinancialAI.Li,S.,Cheng,Zhang,A.,&Liu,L.(2026).ALearnableTransformerforLong-ShortEquityandRisk-AdjustedReturnOptimization.ICLR2026WorkshoponAdvancesinFinancialAI.H.,Pan,M.,Wang,Gao,S.,&X.(2026).MetaTrader:LearningtoGeneralizeRLPoliciesBeyondOfflineData.ProceedingstheAAAIConferenceonArtificialIntelligence,40(33),28023-28031.Zong,C.,Qin,M.,Xia,H.,&An,B.(2026).ArchetypeTrader:ReinforcementLearningforSelectingandRefiningLearnableStrategicArchetypesinQuantitativeProceedingstheAAAIConferenceonArtificialIntelligence,40(34),29269-29276.Chen,Li,&Wang,G.(2026).MARS:AMeta-AdaptiveReinforcementLearningFrameworkforRisk-AwareMulti-AgentPortfolioManagement.ProceedingstheAAAIConferenceonArtificialIntelligence,40(24),20092-20099.A.,&Kaminka,G.(2026).MultiagentReinforcementLearningforLiquidityinBondMarkets.AAAI2026WorkshoponAgenticAIinFinancialServices.Shi,Fu,Z.,Chen,S.,Zhao,B.,Xu,Zhang,C.,&Li,(2026).Kronos:AFoundationModelfortheLanguageofFinancialMarkets.ProceedingsoftheAAAIConferenceonArtificialIntelligence,40(30),25366-25373.18.Huang,Y.-H.,Xu,C.,Liu,Y.,Liu,W.,Li,W.-J.,&Bian,J.(2026).ControllableFinancialMarketGenerationwithDiffusionGuidedMetaAgent.ProceedingstheAAAIConferenceonArtificialIntelligence,40(1),462-470.Ang,Wang,Huang,Bao,Xi,X.,A.K.H.,Jin,C.,&Huang,Z.(2026).CTBench:CryptocurrencyTimeSeriesGenerationBenchmark.InternationalConferenceonLearningRepresentations.Zhu,Kou,H.,Qian,L.,Shi,C.,Wu,X.,&Zhou,Z.(2026).Physics-InformedKoopmanNeuralEstimationtheHestonModelfromHigh-FrequencyObservations.ProceedingstheAAAIConferenceonArtificialIntelligence,40(34),29142-29149.Soun,Lee,H.,Park,S.,&Kang,U.(2026).Shift-TolerantAllocationviaBlack-LittermanUsingConditionalDiffusionEstimates.InternationalConferenceonLearningRepresentations.Liu,A.,Li,H.,Xing,H.,Yin,Li,Z.,&Qi,(2026).Semantics-PreservingAdversarialAttacksonEvent-DrivenStockPredictionModels.ProceedingstheAAAIConferenceonArtificialIntelligence,40(44),37645-37653.Dai,Z.,Peng,Z.,Cheng,Z.,&Li,R.(2026).WhenHallucinationCostsMillions:BenchmarkingAIAgentsinHigh-StakesAdversarialFinancialMarkets.AAAI2026WorkshoponAgenticAIinFinancialServices.Sugiura,I.,Ishida,Makino,C.,Nakagawa,Nakago,K.,&Ha,(2026).EDINET-Bench:EvaluatingLLMsonComplexFinancialusingJapaneseFinancialStatements.InternationalConferenceonLearningRepresentations.Hu,L.,etal.(2026).FinSearchComp:aRealistic,Expert-LevelEvaluationFinancialSearchandReasoning.InternationalConferenceonLearningRepresentations.Z.,etal.(2026).FinMMDocR:BenchmarkingFinancialMultimodalReasoningwithScenarioAwareness,DocumentUnderstanding,andMulti-StepComputation.ProceedingstheAAAIConferenceonArtificialIntelligence,40(30),25858-25866.He,Wang,Xiong,S.,Chen,C.,&Hu,H.(2026).FinMathBench:AFormula-DrivenBenchmarkforEvaluatingLLMs'MathReasoningCapabilitiesinFinance.ProceedingstheAAAIConferenceonArtificialIntelligence,40(37),30987-309