| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 6.9 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Financial reporting is a critical but time-consuming activity in the banking sector, traditionally requiring analysts to manually extract data, validate figures, and draft lengthy reports. This thesis investigates the use of Generative AI, specifically a GPT-based API, to automate the reporting workflow. A key contribution lies in the design of structured prompt engineering strategies that constrain outputs, ensure numeric accuracy, and enforce corporate formatting requirements. The proposed framework integrates three components: (i) a data extraction
tool for structured retrieval of financial indicators, (ii) a Python-based orchestration layer that preprocesses data, builds prompts, and manages interaction with the Generative AI API, and (iii) a report assembly module that converts the AI’s HTML output into fully formattedWord documents. A Streamlit-based interface centralizes usage, enabling analysts to configure parameters, trigger generation, and download reports seamlessly. Evaluation followed an iterative approach with weekly user feedback cycles. Results show a reduction of over 90% in preparation time compared to the manual workflow, alongside improved consistency and reduced operational risk. The framework also demonstrated adaptability across different use cases, from quarterly statements to daily transaction-level reports. While limitations remain—such as dependence on data quality and model fragility—the
study demonstrates that LLM-driven prompt engineering can deliver scalable, auditable, and efficient financial reporting automation.
A crescente complexidade e volume dos processos de reporte financeiro tornam a sua automação uma necessidade para instituições modernas. A elaboração manual de relatórios, como os trimestrais, exige um esforço elevado de tempo e é propensa a erros, limitando a eficiência e a escalabilidade. Este trabalho apresenta uma solução de automação baseada em Inteligência Artificial Generativa, com recurso LLMs. A arquitetura proposta combina extração automática de dados, pré-processamento e validação, engenharia de prompts e geração de narrativas financeiras através de API generativa, culminando na produção de relatórios em formato Word totalmente alinhados com os padrões corporativos. A implementação foi validada no contexto de relatórios financeiros trimestrais, tradicionalmente produzidos em um a dois dias de trabalho. Com a solução proposta, o mesmo processo pode ser concluído em minutos, representando uma redução superior a 90 % no tempo necessário e eliminando erros manuais de cópia e formatação. Para além do caso principal, a framework foi aplicada em dois projetos adicionais — um relatório anual de risco operacional e um relatório transacional diário — confirmando a sua flexibilidade e transferibilidade. Em conclusão, a abordagem demonstra que LLMs podem transformar o reporte financeiro, libertando analistas para tarefas de maior valor acrescentado.
A crescente complexidade e volume dos processos de reporte financeiro tornam a sua automação uma necessidade para instituições modernas. A elaboração manual de relatórios, como os trimestrais, exige um esforço elevado de tempo e é propensa a erros, limitando a eficiência e a escalabilidade. Este trabalho apresenta uma solução de automação baseada em Inteligência Artificial Generativa, com recurso LLMs. A arquitetura proposta combina extração automática de dados, pré-processamento e validação, engenharia de prompts e geração de narrativas financeiras através de API generativa, culminando na produção de relatórios em formato Word totalmente alinhados com os padrões corporativos. A implementação foi validada no contexto de relatórios financeiros trimestrais, tradicionalmente produzidos em um a dois dias de trabalho. Com a solução proposta, o mesmo processo pode ser concluído em minutos, representando uma redução superior a 90 % no tempo necessário e eliminando erros manuais de cópia e formatação. Para além do caso principal, a framework foi aplicada em dois projetos adicionais — um relatório anual de risco operacional e um relatório transacional diário — confirmando a sua flexibilidade e transferibilidade. Em conclusão, a abordagem demonstra que LLMs podem transformar o reporte financeiro, libertando analistas para tarefas de maior valor acrescentado.
Description
Keywords
FinancialReporting Automation GenerativeAI LargeLanguageModels Prompt Engineering Natural Language Processing