Original title:
Next-Generation Wealth Advisory: A Multi-Agent Hybrid AI Model
Translated title:
Next-Generation Wealth Advisory: A Multi-Agent Hybrid AI Model
Authors:
DavidVíteček ; MiroslavUmlauf (advisor) Document type: Master’s theses
Year:
2026
Language:
eng Publisher:
Vysoká škola ekonomická v Praze Abstract:
[eng][cze] The accelerating emergence of AI-native advisory platforms is reshaping the wealth-management industry, creating both an opportunity and a strategic necessity for institutions facing rising client expectations and a shrinking advisor workforce. By 2034, the U.S. market is projected to experience an advisor shortfall of nearly 30%, while investors increasingly demand real-time, hyperpersonalized, and digitally delivered guidance. This thesis responds to these pressures by designing, implementing, and validating a Hybrid AI Advisor—a multi-agent, modular system that enhances traditional advisory workflows with scalable AI capabilities while preserving transparency, auditability, and regulatory alignment. The system integrates several coordinated components: a GPT-based conversational agent that converts unstructured dialogue into structured risk profiles and financial objectives; a rule-based AI Portfolio Selector that maps these profiles to suitable investment strategies with deterministic, auditable logic; and a market-signal engine incorporating indicators such as Squeeze Momentum and Parabolic SAR to contextualize portfolio decisions. These inputs feed into a Python-based rebalancing engine that produces reproducible allocation updates and transaction-ready instructions. Quality and coherence are ensured through a dual validation layer combining cosine-similarity benchmarking and peer-LLM review. All modules operate within a multi-agent orchestration framework enabling transparent data flow, modular extensibility, and human-in-the-loop oversight. A fully functional prototype—implemented using GPT-based agents, MANUS orchestration, Python analytics, and a web-based client interface—was developed and published on GitHub as part of this research. Validation in a simulated enterprise environment demonstrated high consistency, explainability, and workflow traceability, confirming the technical feasibility of a “one-client–one-AI-advisor” operating model. The empirical findings show that hybrid architectures outperform traditional advisory processes in scalability, personalization, and error reduction, while remaining compatible with supervisory review and compliance requirements. The thesis concludes that hybrid multi-agent systems represent a credible and strategically advantageous direction for next-generation wealth management. As validation mechanisms mature and regulatory frameworks adapt, advisory workflows are expected to shift progressively toward AI-driven, self-validating models with human oversight reserved for exceptional or high-impact decisions.Rychlý nástup platforem založených na umělé inteligenci zásadně proměňuje oblast správy majetku. Finanční instituce tak stojí před nutností zachovat tradiční, osvědčené principy profesionálního poradenství a současně umožnit jeho bezprecedentní škálování a personalizaci. V situaci, kdy nabídka licencovaných poradců klesá – s prognózovaným deficitem téměř 30 % do roku 2034 – a kdy zákazníci očekávají digitální, okamžitou a individualizovanou interakci, roste tlak na modernizaci poradenských služeb bez kompromisu v oblasti důvěry, transparentnosti a regulatorních standardů. Tato práce popisuje návrh, implementaci a testování Hybridního AI poradce – modulární, multiagentní platformy, která propojuje konverzaci v přirozeném jazyce, deterministickou logiku pro výběr portfolia a analytiku tržních signálů s cílem poskytovat personalizovaná, regulatorně vyhovující investiční doporučení ve velkém rozsahu. Architektura systému zahrnuje několik koordinovaných komponent: agent GPT určený pro profilaci klienta převádí nestrukturovaný dialog do strukturovaných finančních cílů a rizikových parametrů; deterministický modul pro výběr portfolia páruje tato klientská data s vhodnými investičními strategiemi prostřednictvím transparentní a auditovatelné logiky; dedikovaný modul tržních signálů kombinuje indikátory, jako jsou Squeeze Momentum či Parabolic SAR, a poskytuje strukturované podklady pro rebalancování portfolia. Tyto vstupy následně přecházejí do deterministického Pythonového balanceru, který přepočítává cílové alokace a generuje reprodukovatelné transakční instrukce. Pro zajištění vhodnosti doporučení a vnitřní konzistence systém využívá dvouvrstvou validační metodiku založenou na porovnávání pomocí kosinové podobnosti a na vzájemném LLM peer-review. Všechny komponenty jsou propojeny v rámci koordinovaného multiagentního orchestru, který zajišťuje transparentní tok dat, modularitu, škálovatelnost a průběžné zlepšování systému. V rámci práce byl vyvinut plně funkční prototyp uvedené architektury, veřejně dostupný na GitHubu, který demonstruje technickou proveditelnost i praktickou integraci systému. Výsledky ukazují, že hybridní přístup – kombinující deterministickou logiku, modul tržních signálů a velké jazykové modely – představuje škálovatelnou a životaschopnou cestu k poskytování personalizovaného investičního poradenství. S dalším rozvojem validačních mechanismů bude poradenský proces přirozeně směřovat k modelu, v němž bude umělá inteligence hrát primární roli s možností doplňkového lidského dohledu.
Keywords:
Agent Orchestration; Hybrid AI Financial Advisor; LLM Multi-Agent Systems; Portfolio Optimization; Validation Loop; Hybridní AI finanční poradce; LLM multiagentní systémy; Optimalizace portfolia; Orchestrace agentů; Validační smyčka
Institution: University of Economics, Prague
(web)
Document availability information: Available in the digital repository of the University of Economics, Prague. Original record: https://vskp.vse.cz/eid/98686
guest ::
