Update app.py

app.py

@@ -2,8 +2,6 @@ import streamlit as st
 import requests
 import pandas as pd
 from datetime import datetime, timedelta
-from vaderSentiment.vaderSentiment import SentimentIntensityAnalyzer
-from textblob import TextBlob
 import nltk
 from wordcloud import WordCloud
 import base64
@@ -13,6 +11,8 @@ from sklearn.linear_model import LinearRegression
 import plotly.graph_objects as go
 from plotly.subplots import make_subplots
 import yfinance as yf
+import torch
+from transformers import AutoTokenizer, AutoModelForSequenceClassification
 
 # --------------------------
 # CONFIG
@@ -20,15 +20,41 @@ import yfinance as yf
 st.set_page_config(page_title="📰 News Sentiment Analysis for Young Investor", layout="wide")
 API_KEY = "88bc396d4eab4be494a4b86ec842db47"
 
+# --------------------------
+# โหลด FinBERT model
+# --------------------------
+@st.cache_resource
+def load_finbert():
+    tokenizer = AutoTokenizer.from_pretrained("project-aps/finbert-finetune")
+    model = AutoModelForSequenceClassification.from_pretrained("project-aps/finbert-finetune")
+    return tokenizer, model
+
+tokenizer, model = load_finbert()
+
 # --------------------------
 # UTILITIES
 # --------------------------
-def analyze_text(text, vader):
-    if not text.strip():
+def analyze_text(text):
+    """วิเคราะห์อารมณ์ข่าวด้วย FinBERT"""
+    if not text or not text.strip():
         return 0
-    vader_score = vader.polarity_scores(text)["compound"]
-    textblob_score = TextBlob(text).sentiment.polarity
-    return np.mean([vader_score, textblob_score])
+
+    inputs = tokenizer(
+        text,
+        return_tensors="pt",
+        padding=True,
+        truncation=True,
+        max_length=512
+    )
+
+    with torch.no_grad():
+        outputs = model(**inputs)
+        logits = outputs.logits
+        probs = torch.softmax(logits, dim=1).numpy()[0]
+
+    # FinBERT = [negative, neutral, positive]
+    score = (-1 * probs[0]) + (0 * probs[1]) + (1 * probs[2])
+    return float(score)
 
 
 def generate_wordcloud(text):
@@ -60,8 +86,8 @@ def resolve_company_symbol(keyword: str):
                 q = res["quotes"][0]
                 ticker = q.get("symbol")
                 name = q.get("longname", q.get("shortname", keyword))
-    except Exception as e:
-        print("Lookup failed:", e)
+    except:
+        pass
 
     if not ticker:
         ticker = keyword.upper()
@@ -72,7 +98,7 @@ def resolve_company_symbol(keyword: str):
 
 
 # --------------------------
-# ดึงข่าว 7 วัน สำหรับ Company + Symbol
+# ดึงข่าว 7 วัน
 # --------------------------
 @st.cache_data(ttl=3600)
 def fetch_financial_news(keyword):
@@ -119,29 +145,28 @@ def fetch_financial_news(keyword):
 
 
 # --------------------------
-# ดึงราคาหุ้นตามช่วงเวลาที่กำหนด (และ Flatten Header)
+# ดึงราคาหุ้น
 # --------------------------
 @st.cache_data(ttl=3600)
 def fetch_stock_price(symbol, start_date, end_date):
     try:
         start_str = (start_date - timedelta(days=2)).strftime('%Y-%m-%d')
         end_str = (end_date + timedelta(days=1)).strftime('%Y-%m-%d')
-        
         df = yf.download(symbol, start=start_str, end=end_str, interval="1d")
-        
+
         if df.empty:
-            st.warning("ไม่พบข้อมูลราคาหุ้นในช่วงเวลานี้")
+            st.warning("ไม่พบข้อมูลราคาหุ้น")
             return pd.DataFrame()
-            
+
         df = df.reset_index()
         df_subset = df[['Date', 'Close']]
         df_subset.columns = ['date', 'price']
         df_subset["date"] = pd.to_datetime(df_subset["date"].dt.date)
-        
+
         return df_subset
-        
+
     except Exception as e:
-        st.warning(f"ไม่สามารถดึงราคาหุ้นได้: {e}")
+        st.warning(f"ดึงราคาหุ้นล้มเหลว: {e}")
         return pd.DataFrame()
 
 
@@ -150,7 +175,7 @@ def fetch_stock_price(symbol, start_date, end_date):
 # --------------------------
 def main():
     st.title("📰 News Sentiment Analysis for Young Investor")
-    st.markdown("วิเคราะห์แนวโน้มอารมณ์ของข่าวย้อนหลัง 7 วัน พร้อมราคาหุ้น")
+    st.markdown("วิเคราะห์แนวโน้มอารมณ์ของข่าวย้อนหลัง 7 วัน พร้อมราคาหุ้น (FinBERT)")
 
     # Sidebar
     with st.sidebar:
@@ -158,194 +183,165 @@ def main():
         analyze_btn = st.button("วิเคราะห์เลย")
 
     if not analyze_btn:
-        st.info("กรอกคำค้นแล้วกด 'วิเคราะห์เลย' เพื่อเริ่มต้น")
+        st.info("กรอกคำค้นแล้วกด 'วิเคราะห์เลย'")
         return
 
-    vader = SentimentIntensityAnalyzer()
-
     # ดึงข่าว
-    st.info(f"กำลังดึงข่าวย้อนหลัง 7 วันสำหรับ '{keyword}' ...")
+    st.info(f"กำลังดึงข่าวย้อนหลัง 7 วันสำหรับ '{keyword}'...")
     news_df = fetch_financial_news(keyword)
     if news_df.empty:
-        st.warning("ไม่พบบทความข่าวในช่วง 7 วันที่ผ่านมา")
+        st.warning("ไม่พบบทความข่าว")
         return
 
-    # วิเคราะห์ sentiment
-    st.info("กำลังวิเคราะห์อารมณ์ของข่าว...")
-    news_df["sentiment"] = news_df["text"].apply(lambda x: analyze_text(x, vader))
+    # วิเคราะห์ Sentiment
+    st.info("กำลังวิเคราะห์อารมณ์ข่าวด้วย FinBERT...")
+    news_df["sentiment"] = news_df["text"].apply(analyze_text)
     news_df["date"] = pd.to_datetime(news_df["date"])
 
-    # แสดง Metric
+    # Metrics
     avg_sentiment = news_df["sentiment"].mean()
     pos_pct = (news_df["sentiment"] > 0.1).mean() * 100
     neg_pct = (news_df["sentiment"] < -0.1).mean() * 100
 
     col1, col2, col3 = st.columns(3)
-    col1.metric("ค่าเฉลี่ยอารมณ์ข่าว", f"{avg_sentiment:.2f}",
-                "Positive" if avg_sentiment > 0 else "Negative" if avg_sentiment < 0 else "Neutral")
+    col1.metric("ค่าเฉลี่ยอารมณ์ข่าว", f"{avg_sentiment:.2f}")
     col2.metric("ข่าวเชิงบวก", f"{pos_pct:.1f}%")
     col3.metric("ข่าวเชิงลบ", f"{neg_pct:.1f}%")
 
-    # Wordcloud
-    st.subheader("☁️ Word Cloud ของข่าว")
+    # WordCloud
+    st.subheader("☁️ Word Cloud")
     all_text = " ".join(news_df["text"].tolist())
     img = generate_wordcloud(all_text)
     st.image(f"data:image/png;base64,{img}", use_column_width=True)
 
-    # -----------------------------------------------------------------
-    # กราฟไฮบริด (Ref1 + Prediction)
-    # -----------------------------------------------------------------
-    st.subheader("📈 แนวโน้มอารมณ์ของข่าว & ราคาหุ้น")
-    
-    # 1. รวบรวมข้อมูลข่าวเป็นรายวัน (Daily Aggregation)
+    # ---------------------------------------------------------
+    # เตรียมข้อมูลสำหรับกราฟ Sentiment & Price
+    # ---------------------------------------------------------
+    st.subheader("📈 แนวโน้มอารมณ์ข่าว & ราคาหุ้น")
+
     news_df["date_day"] = pd.to_datetime(news_df["date"].dt.date)
 
     def sentiment_type(score):
-        if score > 0.1: return "positive"
-        if score < -0.1: return "negative"
+        if score > 0.1:
+            return "positive"
+        if score < -0.1:
+            return "negative"
         return "neutral"
-    
-    news_df["sentiment_type"] = news_df["sentiment"].apply(sentiment_type)
 
-    daily_avg_sentiment = news_df.groupby("date_day").agg(
-        avg_sentiment=('sentiment', 'mean')
-    ).reset_index()
+    news_df["sentiment_type"] = news_df["sentiment"].apply(sentiment_type)
 
+    daily_avg = news_df.groupby("date_day")["sentiment"].mean().reset_index(name="avg_sentiment")
     daily_counts = news_df.groupby(["date_day", "sentiment_type"]).size().unstack(fill_value=0).reset_index()
-    
-    daily_data = pd.merge(daily_avg_sentiment, daily_counts, on="date_day", how="left").fillna(0)
-    
-    for col in ['positive', 'negative', 'neutral']:
-        if col not in daily_data.columns:
-            daily_data[col] = 0
-            
-    df_sorted = daily_data.sort_values("date_day").copy()
-    
+
+    df_sorted = pd.merge(daily_avg, daily_counts, on="date_day").sort_values("date_day")
+
     if len(df_sorted) < 2:
-        st.warning("มีข้อมูลข่าวไม่เพียงพอที่จะสร้างแนวโน้ม (น้อยกว่า 2 วัน)")
-        st.subheader("📰 รายการข่าว")
-        st.dataframe(news_df[["date", "source", "text", "sentiment", "url"]], use_container_width=True)
+        st.warning("ข้อมูลไม่พอสร้างแนวโน้ม")
+        st.dataframe(news_df)
         return
 
-    # 2. ดึงราคาหุ้น
+    # ดึงราคาหุ้น
     _, symbol = resolve_company_symbol(keyword)
-    min_date = df_sorted["date_day"].min()
-    max_date = df_sorted["date_day"].max()
-    
-    st.info(f"กำลังดึงราคาหุ้น {symbol} ระหว่างวันที่ {min_date.strftime('%Y-%m-%d')} ถึง {max_date.strftime('%Y-%m-%d')}...")
+    min_date, max_date = df_sorted["date_day"].min(), df_sorted["date_day"].max()
+
+    st.info(f"กำลังดึงราคาหุ้น {symbol} ...")
     stock_df = fetch_stock_price(symbol, min_date, max_date)
 
-    # 3. Merge ข้อมูล 2 ชุด (Sentiment & Stock)
-    plot_data = pd.merge(
-        df_sorted, 
-        stock_df,
-        left_on="date_day", 
-        right_on="date", 
-        how="left"
-    )
+    plot_data = pd.merge(df_sorted, stock_df, left_on="date_day", right_on="date", how="left")
 
-    # 4. (*** ใหม่ ***) คำนวณและตีความ Correlation
+    # ---------------------------------------------------------
+    # Correlation
+    # ---------------------------------------------------------
     correlation = plot_data['price'].corr(plot_data['avg_sentiment'])
-    
-    corr_text = "ไม่มีความสัมพันธ์กัน"
-    corr_delta = f"Correlation = {correlation:.2f}"
-
-    if pd.isna(correlation):
-        corr_text = "ไม่สามารถคำนวณได้"
-        corr_delta = "N/A"
-    elif correlation > 0.3:
-        corr_text = "มีความสัมพันธ์กันในทิศทางเดียวกัน"
-    elif correlation < -0.3:
-        corr_text = "มีความสัมพันธ์กันในทิศทางตรงข้าม"
-
-    # 5. เทรนโมเดล Prediction (ใช้ข้อมูลที่ Merge แล้ว)
+
+    corr_text = "ไม่มีความสัมพันธ์"
+    if correlation > 0.5:
+        corr_text = "มีความสัมพันธ์เชิงบวก"
+    elif correlation < -0.5:
+        corr_text = "มีความสัมพันธ์เชิงลบ"
+
+    st.metric("ความสัมพันธ์ระหว่าง Sentiment Score กับราคาหุ้น", corr_text, f"{correlation:.2f}")
+
+    # ---------------------------------------------------------
+    # Forecast Sentiment
+    # ---------------------------------------------------------
     plot_data["timestamp"] = (plot_data["date_day"] - plot_data["date_day"].min()).dt.days
-    
-    # แก้ปัญหา .fit() ถ้ามี NaN ใน sentiment
-    train_data = plot_data.dropna(subset=['avg_sentiment', 'timestamp'])
-    if len(train_data) < 2:
-        st.warning("มีข้อมูลไม่พอสำหรับเทรนโมเดล")
-    else:
-        model = LinearRegression()
-        model.fit(train_data[["timestamp"]], train_data["avg_sentiment"])
+    train_data = plot_data.dropna(subset=['avg_sentiment'])
+
+    if len(train_data) >= 2:
+        model_lr = LinearRegression()
+        model_lr.fit(train_data[["timestamp"]], train_data["avg_sentiment"])
 
         future_days = 7
-        future_timestamps = np.arange(plot_data["timestamp"].max() + 1, plot_data["timestamp"].max() + future_days + 1)
+        future_timestamps = np.arange(
+            plot_data["timestamp"].max() + 1,
+            plot_data["timestamp"].max() + future_days + 1
+        )
         future_dates = [plot_data["date_day"].max() + timedelta(days=i) for i in range(1, future_days + 1)]
-        future_preds = model.predict(future_timestamps.reshape(-1, 1))
-
-    # 6. (*** ใหม่ ***) แสดงผล Correlation Metric
-    st.metric(
-        label="วิเคราะห์ความสัมพันธ์ (Sentiment vs Price)",
-        value=corr_text,
-        delta=corr_delta
-    )
+        future_preds = model_lr.predict(future_timestamps.reshape(-1, 1))
 
-    # 7. สร้างกราฟ (Plot) ด้วย Subplots (ใช้ 'plot_data' เป็นหลัก)
+    # ---------------------------------------------------------
+    # Plot
+    # ---------------------------------------------------------
     fig = make_subplots(rows=2, cols=1, specs=[[{"secondary_y": True}], [{}]],
-                         row_heights=[0.7, 0.3], vertical_spacing=0.1,
-                         shared_xaxes=True)
+                        row_heights=[0.7, 0.3], vertical_spacing=0.1,
+                        shared_xaxes=True)
 
-    # --- กราฟส่วนบน (ราคา, Sentiment, Prediction) ---
+    # ราคาหุ้น
     fig.add_trace(
         go.Scatter(
             x=plot_data["date_day"], y=plot_data["price"],
-            name=f"{symbol} Stock Price",
-            mode="lines+markers",
-            connectgaps=True,
-            line=dict(color="orange", width=2)
+            name=f"{symbol} Price", mode="lines+markers", line=dict(color="orange")
         ),
         row=1, col=1, secondary_y=False
     )
+
+    # Sentiment จริง
     fig.add_trace(
         go.Scatter(
             x=plot_data["date_day"], y=plot_data["avg_sentiment"],
-            name="Actual Sentiment (Daily Avg)",
-            mode="lines+markers",
-            line=dict(color="blue", width=2)
+            name="Actual Sentiment", mode="lines+markers", line=dict(color="blue")
         ),
         row=1, col=1, secondary_y=True
     )
-    
-    # เพิ่มการตรวจสอบว่า future_preds ถูกสร้างหรือยัง
-    if 'future_preds' in locals():
-        fig.add_trace(go.Scatter(
-            x=future_dates, y=future_preds,
-            mode="lines+markers", name="Predicted Sentiment (7-day Forecast)",
-            line=dict(color="#02caf7", dash="dash")
-        ),
-        row=1, col=1,
-        secondary_y=True
+
+    # Sentiment พยากรณ์
+    if "future_preds" in locals():
+        fig.add_trace(
+            go.Scatter(
+                x=future_dates, y=future_preds,
+                name="Predicted Sentiment", mode="lines+markers", line=dict(dash="dash")
+            ),
+            row=1, col=1, secondary_y=True
         )
 
-    # --- กราFส่วนล่าง (จำนวนข่าว) ---
-    fig.add_trace(go.Bar(x=plot_data["date_day"], y=plot_data["neutral"], name="Neutral", marker_color='rgba(128, 128, 128, 0.7)'), row=2, col=1)
-    fig.add_trace(go.Bar(x=plot_data["date_day"], y=plot_data["negative"], name="Negative", marker_color='rgba(255, 0, 0, 0.7)'), row=2, col=1)
-    fig.add_trace(go.Bar(x=plot_data["date_day"], y=plot_data["positive"], name="Positive", marker_color='rgba(0, 128, 0, 0.7)'), row=2, col=1)
-    
-    # 8. ตกแต่ง Layout
+    # จำนวนข่าว
+    for col in ["neutral", "negative", "positive"]:
+        if col not in plot_data.columns:
+            plot_data[col] = 0
+
+    fig.add_trace(go.Bar(x=plot_data["date_day"], y=plot_data["neutral"], name="Neutral"), row=2, col=1)
+    fig.add_trace(go.Bar(x=plot_data["date_day"], y=plot_data["negative"], name="Negative"), row=2, col=1)
+    fig.add_trace(go.Bar(x=plot_data["date_day"], y=plot_data["positive"], name="Positive"), row=2, col=1)
+
     fig.update_layout(
-        title=f"แนวโน้มอารมณ์ข่าว & ราคาหุ้น '{keyword}'",
-        template="plotly_white",
+        title=f"แนวโน้มอารมณ์ข่าว + ราคาหุ้น ({symbol})",
+        barmode="stack",
+        height=650,
         hovermode="x unified",
-        barmode='stack',
-        legend=dict(orientation='h', yanchor='bottom', y=1.02, xanchor='right', x=1),
-        height=600,
-        margin=dict(l=20, r=20, t=80, b=20)
+        template="plotly_white"
     )
-    
-    fig.update_yaxes(title_text="Stock Price", row=1, col=1, secondary_y=False)
-    fig.update_yaxes(title_text="Sentiment Score", range=[-1, 1], row=1, col=1, secondary_y=True)
-    fig.update_yaxes(title_text="Article Count", row=2, col=1)
-    fig.update_xaxes(title_text="วันที่", row=2, col=1)
 
     st.plotly_chart(fig, use_container_width=True)
 
-    # แสดงข่าว (ยังใช้ news_df ตัวเต็ม)
-    st.subheader("📰 รายการข่าว")
+    # แสดงรายการข่าว
+    st.subheader("📰 รายการข่าวทั้งหมด")
     st.dataframe(news_df[["date", "source", "text", "sentiment", "url"]], use_container_width=True)
 
 
+# ---------------------------------------------------------
+# RUN APP
+# ---------------------------------------------------------
 if __name__ == "__main__":
     nltk.download("stopwords", quiet=True)
-    main()
+    main()