Chatbot bancari e analisi predittiva: verso soluzioni finanziarie proattive

This thesis explores the development of a financial assistant chatbot that leverages advanced artificial intelligence models for sentiment analysis, stock price prediction, and user interaction. The core components of the system include FinBERT, a specialized transformer-based model for analyzing financial sentiment, Long Short-Term Memory (LSTM) networks for stock trend forecasting, and a Large Language Model (LLM) for natural language interactions. The chatbot integrates a Retrieval-Augmented Generation (RAG) framework to ensure that its responses are contextually relevant and grounded in real-time financial data. The system retrieves financial news from external sources, processes sentiment through FinBERT, and utilizes LSTM to forecast market trends by incorporating both historical data and sentiment analysis. Additionally, the chatbot is designed to provide users with financial education, leveraging a glossary module populated via web scraping techniques. The implementation is conducted using Streamlit for the user interface and OpenAI’s GPT-based LLM for response generation. This research highlights the effectiveness of combining different AI models to enhance financial decision-making, demonstrating how sentiment analysis, deep learning, and large language models can be integrated into a cohesive, intelligent financial assistant.

Questa tesi analizza lo sviluppo di un assistente finanziario basato su chatbot, che sfrutta modelli avanzati di intelligenza artificiale per l’analisi del sentiment, la previsione dei prezzi delle azioni e l’interazione con gli utenti. I componenti principali del sistema includono FinBERT, un modello transformer specializzato nell’analisi del sentiment finanziario, reti Long Short-Term Memory (LSTM) per la previsione delle tendenze di mercato, e un Large Language Model (LLM) per le interazioni in linguaggio naturale. Il chatbot integra un framework di Retrieval-Augmented Generation (RAG) per garantire che le risposte siano contestualmente pertinenti e basate su dati finanziari aggiornati. Il sistema recupera notizie finanziarie da fonti esterne, analizza il sentiment con FinBERT e utilizza LSTM per prevedere le tendenze di mercato combinando dati storici e analisi del sentiment. Inoltre, il chatbot è progettato per fornire agli utenti un supporto educativo finanziario, attraverso un modulo di glossario popolato tramite tecniche di web scraping. L’implementazione è stata realizzata utilizzando Streamlit per l’interfaccia utente e un LLM basato su GPT per la generazione delle risposte. Questa ricerca evidenzia l’efficacia dell’integrazione di diversi modelli di IA nel supporto alle decisioni finanziarie, dimostrando come analisi del sentiment, deep learning e modelli di linguaggio avanzati possano essere combinati in un assistente finanziario intelligente e coeso.