Cunha, Carlos Augusto da SilvaPereira, Pedro Manuel Noutel2025-07-232025-07-232025-06-05http://hdl.handle.net/10400.19/9391In an era where the intersection of artificial intelligence and digital finance is be coming increasingly relevant, the application of Large Language Models (LLM) to investor risk profiling is a revolutionary possibility. Traditional risk profiling meth ods rely too heavily on structured questionnaires, which fail to capture the nuances of investor behaviour, resulting in stereotyped categorization and more often than not, inaccurate representations of risk tolerance. This thesis explores how LLMs, specifically using OpenAI GPT series, can enhance the accuracy and personalisa tion of risk assessment models by leveraging natural language understanding and adaptive learning capabilities. This study explains the limitations of conventional profiling techniques and pro poses an LLM-based model that is dynamic in nature and adjusts according to in vestors’ responses, making the classification more precise with interactive discussion. To identify the effectiveness of the model proposed, the Morningstar risk profile is taken as a training and testing dataset for the LLM, while the traditional approach is analyzed, based on Google Forms, for comparing dynamic and static models. The results indicate that LLMs can significantly contribute to investor profiling by providing a conversational, real-time assessment process that complements the accuracy and user engagement, rendering the monitoring process more personalized. They also show that LLM achieves a significant improvement in investor profiling through a more flexible and interactive classification procedure. The model out performs conventional methods in cases where investor responses are ambiguous or subjective, ensuring better alignment with risk tolerance. In addition, it was ob served that the GPT-based classification tends to be conservative in the case of uncertain responses, which can serve to avoid excessive risk-taking. These results validate the potential of leveraging LLMs to augment financial advisory services by providing a more accurate and responsive risk assessment to individual investor profiles. By demonstrating the advantages and limits of AI-based investor profiling, the thesis contributes to the growing body of literature on LLM application for making financial decisions. The findings pinpoint the transition from rigid, questionnaire based questionnaires to adaptive, context-aware systems, with new potentials for augmenting financial advisory services in an increasingly digitalized economy.Numa era onde a interseção entre inteligência artificial e finanças digitais se torna cada vez mais relevante, a aplicação de Large Language Models (LLM) à perfilagem de risco de investidores representa uma possibilidade revolucionária. Os métodos tradicionais de avaliação de risco dependem excessivamente de questionários estru turados, que não conseguem captar as nuances do comportamento dos investidores, resultando em categorização estereotipada e, frequentemente, representações impre cisas da tolerância ao risco. Esta tese explora como os LLMs, especificamente a série GPT da OpenAI, podem melhorar a precisão e a personalização dos modelos de avaliação de risco, aproveitando as capacidades de compreensão de linguagem natural e aprendizagem adaptativa. Este estudo explica as limitações das técnicas convencionais de perfilagem e propõe um modelo baseado em LLMs que é dinâmico por natureza e ajusta-se às respostas dos investidores, tornando a classificação mais precisa através de uma dis cussão interativa. Para identificar a eficácia do modelo proposto, o perfil de risco da Morningstar é utilizado como dataset de treino e teste para os LLMs, enquanto a abordagem tradicional é analisada com base em Google Forms, permitindo a com paração entre modelos dinâmicos e estáticos. Os resultados indicam que os LLMs podem contribuir significativamente para a perfilagem de investidores ao fornecer um processo de avaliação conversacional e em tempo real, que complementa a precisão e o envolvimento do utilizador, tornando o acompanhamento mais personalizado. Indicam também que os LLMs podem contri buir significativamente para a perfilagem de investidores, proporcionando um pro cesso de avaliação conversacional e em tempo real que complementa a precisão e o envolvimento do utilizador, tornando o acompanhamento mais personalizado. Mos tram também que os LLMs permitem uma melhoria significativa na perfilagem de investidores através de um procedimento de classificação mais flexível e interativo. O modelo supera os métodos convencionais em situações onde as respostas dos in vestidores são ambíguas ou subjetivas, garantindo um melhor alinhamento com a tolerância ao risco. Além disso, observou-se que a classificação baseada em GPT tende a ser conservadora em casos de respostas incertas, o que pode servir para evi tar a assunção excessiva de riscos. Estes resultados validam o potencial da utilização de LLMs para melhorar os serviços de consultoria financeira, proporcionando uma avaliação de risco mais precisa e adaptável aos perfis individuais dos investidores. Ao demonstrar as vantagens e limitações da perfilagem de investidores baseada em IA, esta tese contribui para o crescente corpo de literatura sobre a aplicação de LLMs na tomada de decisões financeiras. Os resultados destacam a transição de questionários rígidos e padronizados para sistemas adaptativos e sensíveis ao con texto, abrindo novas possibilidades para o aprimoramento dos serviços de consultoria financeira numa economia cada vez mais digitalizada.engInteligência artificialLarge Language ModelsPerfilagem de RiscoMorningstarConsultoria FinanceiraFintechComportamento do InvestidorLanguage ModelsRisk ProfilingMorningstarFinancial Advi soryArtificial IntelligenceFintechInvestor Behaviourmaster thesis203956320