[pt] ASSISTENTE INTELIGENTE PARA ANÁLISE E DECISÃO NO MERCADO FINANCEIRO

[en] INTELLIGENT ASSISTANT FOR FINANCIAL MARKET ANALYSIS AND DECISION SUPPORT

[pt] CAIO VALLE DE V DAS N MORAES

[pt] INTELIGENCIA ARTIFICIAL

[pt] ANALISE DE ATIVOS

[pt] MODELO DE LINGUAGEM

[pt] ASSISTENTE VIRTUAL

[pt] MERCADO FINANCEIRO

[en] ARTIFICIAL INTELLIGENCE

[en] ASSET ANALYSIS

[en] LANGUAGE MODEL

[en] VIRTUAL ASSISTANTS

[en] FINANCIAL MARKET

[pt] Este projeto tem a proposta de desenvolver um assistente inteligente voltado para a análise e apoio à tomada de decisão no mercado financeiro, um setor caracterizado por um volume massivo e altamente complexo de dados. O método empregado para solucionar este problema é a implementação de um modelo RAG, Retrieval-Augmented Generation. Esta arquitetura utiliza uma base de dados vetorial para permitir que um Modelo de Linguagem acesse informações em tempo real, superando seu conhecimento estático. A base vetorial é alimentada continuamente por múltiplas fontes de dados, integrando dados públicos (notícias recentes via API, posts de redes sociais via web scraping) com dados privados do usuário como os ativos que compõem sua carteira. Os resultados são demonstrados através de um protótipo funcional que permite ao usuário não apenas gerenciar seu portfólio, mas interagir com o assistente. O sistema é capaz de interpretar consultas em linguagem natural e utilizar ferramentas de software para buscar o contexto relevante, seja na base vetorial ou em APIs, antes de formular uma resposta. Conclui-se que, no contexto deste estudo, o uso de arquiteturas RAG aplicadas às finanças é uma abordagem viável e eficaz. O sistema demonstrou a capacidade de integrar informações dispersas e oferecer suporte analítico personalizado, ampliando o acesso à informação e aprimorando a compreensão de cenários complexos do mercado.

[en] This undergraduate thesis presents the objective of developing an intelligent assistant aimed at analysis and decision support in the financial market, a sector characterized by a massive volume of data. The method employed to solve this problem is the implementation of a RAG, Retrieval-Augmented Generation architecture. This architecture utilizes a vector database to allow a Large Language Model to access real-time information, overcoming its static knowledge. The vector database is continuously fed by multiple data sources, integrating public data (recent news via API, social media posts via web scraping) with the user s private data (uploaded PDF reports and the assets composing their portfolio). The results are demonstrated through a functional prototype that allows the user to not only manage their portfolio but also interact with the assistant. The system is capable of interpreting natural language queries and using software tools to retrieve relevant context (whether from the vector database or APIs) before formulating a response. It is concluded that the use of RAG architectures applied to finance is a viable and effective approach. The system demonstrated the ability to integrate disperse information and offer personalized analytical support, broadening access to information and enhancing the understanding of complex market scenarios.

AUGUSTO CESAR ESPINDOLA BAFFA

2026-03-26

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=75844@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=75844@2

https://doi.org/10.17771/PUCRio.acad.75844