ICML 2026 量化论文合集

ICML 2026 量化论文合集QuantML QuantML QuantML2026年7月7日 20:37上海1人“第43届国际机器学习大会ICML 2026于2026年7月6日至11日在韩国首尔召开。本届会议共收到23,918篇投稿录用6,352篇。我们系统梳理了与量化金融、算法交易、市场模拟相关的核心论文涵盖投资组合优化、时间序列预测、强化学习交易、市场模拟与生成式AI、LLM金融智能体五大方向。一、投资组合优化1. Decision-focusedSparse Tangent Portfolio Optimization项目内容作者Haeun Jeon, Seunghoon Choi, Hyunglip Bae, Yongjae Lee, Woo Chang Kim链接https://icml.cc/virtual/2026/poster/64722 / https://arxiv.org/abs/2607.00581 / https://github.com/feuerwerksh/Diffble-card-SR【摘要】传统预测-再优化流程在金融投资组合构建中存在一个根本性矛盾预测精度高不代表投资组合质量好。这篇论文提出了一种端到端的决策聚焦学习框架将夏普比率最大化问题重新表述为DPPDisciplined Parametrized Programming兼容的凸规划层用平滑的top-k算子替代离散选择使得梯度可以在预测-资产选择-再优化三个环节自由流动。在五个主要股票市场的实验中该方法在更大资产池中取得了更高的样本外夏普比率为量化投资中的端到端学习范式提供了重要实证支持。2. A Linearly Convergent Proximal Subgradient Algorithm for Sparse Portfolio Optimization with Transaction Cost项目内容作者Xiaoting Yao, Na Zhang链接https://icml.cc/virtual/2026/poster/60601【摘要】实际交易中交易成本和持仓稀疏性控制持股数量是影响收益的两个关键因素但现有文献缺乏同时考虑两者的模型。本文提出了K-稀疏TCO模型在最小化负收益和交易成本的同时保持K-稀疏约束。通过将NP-hard问题重构为非光滑DC差分凸优化问题开发了近端子梯度算法PSGA并证明了KL性质下的全局收敛性和R-线性收敛率。在四个真实市场数据集上该算法在保持更高收益的同时实现了更低风险。3.Online Conformal Predictionvia Universal Portfolio Algorithms项目内容作者Tuo Liu, Edgar Dobriban, Francesco Orabona链接https://icml.cc/virtual/2026/poster/65365 / https://arxiv.org/abs/2602.03168 / https://github.com/AdaMLLab/up-for-ocp【摘要】金融预测不仅需要点估计更需要可靠的不确定性量化。本文提出UP-OCP一种基于通用投资组合算法的免参数在线共形预测方法。核心创新在于识别出线性化遗憾linearized regret作为关键概念证明控制它即可保证任意在线算法的覆盖性。通过将共形预测归约为两资产投资组合选择问题该方法在多项式增长的预测下仍具有强有限时间边界实验表明其在规模/覆盖权衡上一致优于现有基线对风险管理中的区间预测具有重要价值。二、LLM金融评估与偏见4. Position: Evaluating LLMs in Finance Requires Explicit Bias Consideration项目内容作者Yaxuan Kong, Hoyoung Lee, Yoontae Hwang, Alejandro Lopez-Lira, Bradford Levy, Dhagash Mehta, Qingsong Wen, Chanyeo Choi, Yongjae Lee, Stefan Zohren链接https://icml.cc/virtual/2026/poster/67204 / https://github.com/Eleanorkong/Awesome-Financial-LLM-Bias-Mitigation【摘要】LLM在金融领域的应用日益广泛但评估实践严重滞后。本文识别了五种反复出现的金融特定偏见前瞻偏差使用未来信息、幸存者偏差忽略已退市资产、叙事偏差过度拟合故事性解释、目标偏差优化错误目标、成本偏差忽视交易成本。通过系统性审查2023-2025年间164篇论文发现没有单一偏见在超过28%的研究中被讨论。论文提出了结构有效性框架和包含偏见诊断最小要求的评估清单为金融LLM的严谨评估奠定了基础。5. Position: Collusion Risks Among AI Reasoning Agents Justify Certification Requirements for Making Market Decisions项目内容作者Matthew Riemer, Tommaso Tosato, Maximilian Puelma Touzel, Amin Memarian, Guillaume Dumas, Glen Berseth, Irina Rish链接https://icml.cc/virtual/2026/poster/67141 / https://github.com/mattriemer/LLMCartel【摘要】具有思维链CoT推理能力的AI代理存在隐性合谋倾向。在Bertrand寡头定价领域的实验中DeepSeek-R1代理即使被明确提示不要合谋仍趋向于价格协调行为。更令人担忧的是这些代理的思维链可以被操纵向极端合谋或高度竞争行为而这种操纵对分析推理轨迹的LLM来说是不可检测的。这意味着部署推理代理进行市场决策可能导致合谋性经济结果而无需任何共谋证据。论文提出行为认证要求即在部署前必须在代表性场景中通过观察行为验证。10. BizFinBench.v2: Towards Reliable LLMs in Finance via Real-User Data and Offline/Online Bilingual Evaluation项目内容作者Xin Guo, Rongjunchen Zhang, Guilong Lu, Xuntao Guo, Jia Shuai, Zhi Yang, Liwen Zhang链接https://icml.cc/virtual/2026/poster/65946 / https://github.com/HiThink-Research/BizFinBench.v2【摘要】现有金融LLM基准大多依赖模拟数据导致报告性能与真实部署效果之间存在巨大鸿沟。本文推出BizFinBench.v2首个基于真实用户查询-响应数据的离线在线双语评估基准覆盖中美股票市场包含28,860个问题跨8个离线任务和2个在线任务。实验显示GPT-5仅达61.5%准确率远低于84.8%的商业实践要求。在商业模型中DeepSeek-R1表现出最优的投资决策效果。错误分析揭示了现有模型在金融实践中的持续性局限。三、市场模拟与生成式AI6. MarketSim: Simulating Stock Markets with Large-Scale Generative Agents项目内容作者Jinghua Piao, Zhentao Liu, Cheng Huang, Jiarui Huang, Songwei Li, Ranran Wang, Yong Li清华大学链接https://icml.cc/virtual/2026/poster/65297 / https://openreview.net/forum?idEzpJxPDqXB【摘要】股票市场是现代社会最复杂的系统之一。本文提出MarketSim一个大规模股票市场模拟框架引入分层多智能体架构解耦战略推理与高频执行使LLM代理能在纳秒级分辨率的类NASDAQ连续双向拍卖市场中运行。框架模拟了超过15,000个异质性市场参与者其行为基于12,000多篇真实世界新闻文章、政策文件和收益报告。在包含8个GICS行业和3个真实场景的基准测试中MarketSim不仅捕捉了真实市场的关键复杂性特征还在追踪高频价格动态方面达到3.48%的平均MAPE显著优于现有基线。7. Towards Professional-Grade Financial Agents: Benchmarking, Tooling, and Structured Reasoning项目内容作者Cheng Huang, Jinghua Piao, Ranran Wang, Yong Li清华大学链接https://icml.cc/virtual/2026/poster/60732【摘要】金融推理要求精确执行但现有LLM代理缺乏全面的基准测试和鲁棒的推理结构。本文贡献三方面ProFinR基准首个专业金融推理基准528个专家设计任务覆盖四种金融任务类型、Financial Tool Universe53个领域专用工具13个类别、ProFinAgents框架基于有向无环图DAG和案例记忆CBM的结构化代理。相比SOTA基线ProFinAgent实现49.81%性能提升同时**推理延迟降低47.1%**展示了结构化工具增强在金融智能体中的巨大潜力。9. Evolving Quantitative Reasoning through Self-Play in Digital Twin Markets项目内容作者Tianmi Ma, Wenxin Huang, Jiawei Du, Lin Li, Xian Zhong, Joey Tianyi Zhou链接https://icml.cc/virtual/2026/poster/62173 / https://github.com/MTMQuantAI/Agent-Trading-Arena【摘要】LLM在高层次语义理解和战略规划方面表现出色但在精确计算和定量推理上存在持续缺陷。本文提出将推理与计算解耦LLM负责规划、分析和结果解释数值计算和统计推断委托给专用外部工具。这些工具在规划阶段以结构化方式动态创建使代理能够根据市场条件自适应选择工具。在DecoupledMarket数字孪生市场中LLM代理通过自博弈持续测试、比较和适应策略形成有界自我进化循环显著提升了LLM驱动决策的定量可靠性。四、强化学习与时间序列8. Doubly Outlier-Robust Online Infinite Hidden Markov Model项目内容作者Horace Yiu, Leandro Sánchez-Betancourt, Álvaro Cartea, Gerardo Duran-Martin链接https://icml.cc/virtual/2026/poster/60726【摘要】金融时间序列中异常值闪崩、暴涨频发传统在线学习方法对此敏感。本文提出BR-iHMM批量鲁棒无限隐马尔可夫模型利用广义贝叶斯推断的最新进展通过后验影响函数PIF定义鲁棒性提供有界PIF的理论条件。方法通过两个可调参数在适应性和鲁棒性之间取得平衡。在限价订单簿数据、小时级电力需求和合成高维线性系统上的实验表明BR-iHMM相比竞争方法将一步预测误差降低**最多67%**适用于高频交易中的状态推断和regime检测。五、Workshop亮点论文11. Forecast-to-Trade: Hierarchical Reinforcement Learning for Decision-Aware Financial Forecasting项目内容作者Zijie Zhao, Roy E Welsch链接https://icml.cc/virtual/2026/workshop/54091【摘要】传统预测模型独立于下游交易决策进行优化导致预测结果未必对交易最有用。本文提出层次化强化学习框架将金融预测与交易决策紧密耦合通过分层RL架构使预测模型直接服务于交易决策目标实现预测-交易一体化优化。12. DeXposure-FM: Time-series Graph Foundation Model for Credit Exposures on Decentralised Financial Networks项目内容作者Aijie Shu, Wenbin Wu, Gbenga Ibikunle, Fengxiang He链接https://icml.cc/virtual/2026/workshop/54057【摘要】随着DeFi市场快速增长传统风险管理方法面临挑战。本文提出DeXposure-FM专为去中心化金融网络设计的时序图基础模型通过图神经网络和时序建模的结合为DeFi生态系统的信用风险敞口分析和稳定性评估提供了新工具。13. TradeFM: A Generative Foundation Model for Trade-flow and Market Microstructure项目内容作者Srijan Sood, Maxime Kawawa-Beaudan, Daniel Borrajo, Manuela Veloso链接https://icml.cc/virtual/2026/workshop/54066【摘要】TradeFM是一个生成式基础模型专门用于交易流和市场微观结构建模。该模型能够生成逼真的交易流数据为算法交易策略的开发和测试提供高质量模拟环境同时在市场质量分析方面展现了强大能力。14. Learning to Trade Like an Expert: Cognitive Fine-Tuning for Stable Financial Reasoning项目内容作者Yuchen Pan, Soung Chang Liew链接https://icml.cc/virtual/2026/workshop/54088【摘要】探索通过认知微调让LLM像专家一样进行交易决策。研究设计了稳定的金融推理微调方法使模型在复杂多变的市场环境中保持推理的一致性和可靠性克服了通用LLM在金融场景中的不稳定性问题。15. Behavioral Proxy Conditioning for Financial Stress Scenario Generation项目内容作者Elena Kuular, Junsuk Choe链接https://icml.cc/virtual/2026/workshop/54066【摘要】利用预训练扩散模型生成金融风险压力测试场景。通过行为代理条件化技术模型能够生成符合特定市场条件金融危机、流动性紧缩的逼真场景为压力测试和风险管理提供了新的数据生成范式。16. Generating Robust Portfolios of Optimization Models using Large Language Models项目内容作者Eleni Straitouri, Cheol Kim, Milind Tambe链接https://icml.cc/virtual/2026/workshop/54095【摘要】探索使用大语言模型生成优化模型组合的方法。通过让LLM参与投资组合的优化模型选择和组合过程展示了AI辅助决策在复杂优化问题中的潜力为自动化投资组合构建开辟了新方向。17. Beyond Forecasting: The Belief-to-Trade Layer in Prediction-Market Agents项目内容作者Issue Y Wang, Yuxuan Wang, Hanyang Tang链接https://icml.cc/virtual/2026/workshop/54091【摘要】在预测市场中从信念belief到交易trade的转换是一个关键但被忽视的环节。本文提出信念到交易的中间层帮助预测市场代理更好地将概率估计转化为最优交易决策。18. Preference Optimization Drives Monoculture in LLM Prediction Markets项目内容作者James Begin, Brendan Gho, Suman Muppavarapu, Tyson Tsay, Atharva Mohan, Afnan Shaik, Ruizhe Li, Vasu Sharma, Archana Vaidheeswaran, Kevin Zhu链接https://icml.cc/virtual/2026/workshop/54091【摘要】研究了LLM预测市场中偏好优化导致的单一文化monoculture现象。发现当多个LLM代理使用相似的偏好优化目标时预测市场可能失去多样性影响聚合预测的准确性和鲁棒性。19. Scaling Deep Learning in Financial Markets (Expo Talk)项目内容作者Iain DunningHudson River Trading链接https://icml.cc/virtual/2026/75721【摘要】Hudson River Trading分享了构建和部署大规模市场模型Market Foundation Models的实战经验。这些模型每天处理PB级高保真数据从数万亿个事件中提取信号。核心挑战包括在非平稳数据集上训练、微秒级实时推理的工程约束、以及在高度动态市场条件下保持鲁棒性。20. Mechanism Design for Multi-Agent Alpha Discovery项目内容作者Ajitabh Kumar链接https://icml.cc/virtual/2026/workshop/54068【摘要】探索多智能体Alpha发现的机制设计问题。通过优化异构LLM市场中代理的分布研究如何在信号噪声比极低的环境中有效发现可持续的Alpha信号为量化策略开发提供了多智能体视角。更多深度研究欢迎加入QuantML知识星球关于QuantMLQuantML 是链接全球顶尖量化人才的高端社群我们聚焦于机器学习在量化投资中的最前沿应用。核心价值顶级圈层社区涵盖头部机构从业者、知名私募创始人、机构量化负责人基金经理券商金工分析师、GitHub千星作者及顶会学者构成。每日高价值内容持续分享前沿论文、论文研报复现、模型代码、核心Alpha因子以及QuantML-Qlib框架等。