Update app.py

app.py

@@ -9,7 +9,7 @@ import plotly.graph_objects as go
 from plotly.subplots import make_subplots
 import yfinance as yf
 import torch
-from transformers import AutoTokenizer, AutoModelForSequenceClassification, AutoModelForSeq2SeqLM, pipeline
+from transformers import AutoTokenizer, AutoModelForSequenceClassification, pipeline
 
 # --------------------------
 # CONFIG
@@ -29,62 +29,66 @@ def load_finbert():
 tokenizer, model = load_finbert()
 
 # --------------------------
-# โหลด Pegasus summarizer (slow tokenizer)
+# Zero-shot classifier สำหรับธีมข่าว
+# --------------------------
+@st.cache_resource
+def load_theme_classifier():
+    return pipeline("zero-shot-classification", model="facebook/bart-large-mnli")
+
+theme_classifier = load_theme_classifier()
+candidate_labels = ["Stock Movement", "Earnings", "M&A", "Regulation", "Product Launch", "Market Analysis"]
+
+# --------------------------
+# Summarizer model
 # --------------------------
 @st.cache_resource
 def load_summarizer():
-    tokenizer_sum = AutoTokenizer.from_pretrained(
-        "Nerdward/financial-summarization-pegasus-finetuned-pytorch-model",
-        use_fast=False  # ใช้ slow tokenizer
-    )
-    model_sum = AutoModelForSeq2SeqLM.from_pretrained(
-        "Nerdward/financial-summarization-pegasus-finetuned-pytorch-model"
-    )
-    summarizer = pipeline("summarization", model=model_sum, tokenizer=tokenizer_sum)
-    return summarizer
+    return pipeline("summarization", model="Nerdward/financial-summarization-pegasus-finetuned-pytorch-model")
 
 summarizer = load_summarizer()
 
 # --------------------------
-# UTILITIES
+# Utilities
 # --------------------------
 def analyze_text(text):
-    """วิเคราะห์อารมณ์ของข่าวด้วย FinBERT"""
     if not text or not text.strip():
         return 0
-
-    inputs = tokenizer(
-        text,
-        return_tensors="pt",
-        padding=True,
-        truncation=True,
-        max_length=512
-    )
-
+    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 summarize_article(text):
-    """สรุปข่าวเป็น 1 พารากราฟ"""
-    if not text.strip():
-        return ""
-    summary_list = summarizer(text, max_length=150, min_length=50, do_sample=False)
-    return summary_list[0]['summary_text']
+def summarize_themes(news_texts):
+    themes = []
+    for text in news_texts:
+        if not text.strip():
+            continue
+        result = theme_classifier(text, candidate_labels)
+        themes.append(result["labels"][0])
+    return themes
+
+@st.cache_data(ttl=3600)
+def summarize_news(texts):
+    """สรุปข่าวทีละข่าว ใช้ caching"""
+    summaries = []
+    for t in texts:
+        if not t.strip():
+            summaries.append("")
+            continue
+        summ = summarizer(t, max_length=150, min_length=50, do_sample=False)
+        summaries.append(summ[0]["summary_text"])
+    return summaries
 
 # --------------------------
-# แปลงชื่อ/ตัวย่อ → (Company Name, Symbol)
+# Yahoo Finance helpers
 # --------------------------
 def resolve_company_symbol(keyword: str):
     keyword = keyword.strip()
     ticker = None
     name = None
-
     try:
         data = yf.Ticker(keyword)
         info = data.info
@@ -100,25 +104,18 @@ def resolve_company_symbol(keyword: str):
                 name = q.get("longname", q.get("shortname", keyword))
     except:
         pass
-
     if not ticker:
         ticker = keyword.upper()
     if not name:
         name = keyword.capitalize()
-
     return name, ticker
 
-# --------------------------
-# ดึงข่าว 7 วัน
-# --------------------------
 @st.cache_data(ttl=3600)
 def fetch_financial_news(keyword):
     company, symbol = resolve_company_symbol(keyword)
     to_date = datetime.now().strftime('%Y-%m-%d')
     from_date = (datetime.now() - timedelta(days=7)).strftime('%Y-%m-%d')
-
     query_keyword = f"({company} OR {symbol}) finance stock"
-
     all_articles = []
     page = 1
     while True:
@@ -134,11 +131,9 @@ def fetch_financial_news(keyword):
         if data.get("status") != "ok":
             st.error(f"API Error: {data}")
             break
-
         articles = data.get("articles", [])
         if not articles:
             break
-
         for a in articles:
             if a["description"]:
                 all_articles.append({
@@ -147,34 +142,25 @@ def fetch_financial_news(keyword):
                     "source": a["source"]["name"],
                     "url": a["url"]
                 })
-
         if len(articles) < 100:
             break
         page += 1
-
     return pd.DataFrame(all_articles)
 
-# --------------------------
-# 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("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"ดึงราคาหุ้นล้มเหลว: {e}")
         return pd.DataFrame()
@@ -184,151 +170,108 @@ 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("วิเคราะห์ข่าวย้อนหลัง 7 วัน พร้อมราคาหุ้น")
 
     # Sidebar
     with st.sidebar:
         keyword = st.text_input("ค้นหา Stock Symbol (เช่น AAPL, TSLA):", "")
-        analyze_btn = st.button("วิเคราะห์เลย")
+        analyze_btn = st.button("วิเคราะห์ sentiment & ราคา")
+        summarize_btn = st.button("สรุปข่าว")
 
-    if not analyze_btn:
-        st.info("กรอกคำค้นแล้วกด 'วิเคราะห์เลย'")
+    if not keyword:
+        st.info("กรอกคำค้นแล้วกดปุ่ม")
         return
 
-    # ดึงข่าว
-    st.info(f"กำลังดึงข่าวย้อนหลัง 7 วันสำหรับ '{keyword}'...")
+    # ดึงข่าว (ใช้ cache เดียวกันสำหรับทั้งสองปุ่ม)
     news_df = fetch_financial_news(keyword)
     if news_df.empty:
         st.warning("ไม่พบบทความข่าว")
         return
 
-    # วิเคราะห์ Sentiment
-    st.info("กำลังวิเคราะห์อารมณ์ของข่าว...")
-    news_df["sentiment"] = news_df["text"].apply(analyze_text)
-    news_df["date"] = pd.to_datetime(news_df["date"])
-
-    # 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}")
-    col2.metric("ข่าวเชิงบวก", f"{pos_pct:.1f}%")
-    col3.metric("ข่าวเชิงลบ", f"{neg_pct:.1f}%")
-
-    # สรุปข่าว 1 พารากราฟ
-    st.info("กำลังสรุปข่าวเป็น 1 พารากราฟต่อข่าว...")
-    news_df["text"] = news_df["text"].apply(lambda x: summarize_article(x) if x.strip() else "")
-
-    # ---------------------------------------------------------
-    # ส่วนกราฟ Sentiment & Price (เหมือนเดิม)
-    # ---------------------------------------------------------
-    st.subheader("📈 แนวโน้มอารมณ์ของข่าว & 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"
-        return "neutral"
-
-    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()
-
-    df_sorted = pd.merge(daily_avg, daily_counts, on="date_day").sort_values("date_day")
-
-    if len(df_sorted) < 2:
-        st.warning("ข้อมูลไม่พอสร้างแนวโน้ม")
-        st.dataframe(news_df)
-        return
-
-    # ดึงราคาหุ้น
-    _, symbol = resolve_company_symbol(keyword)
-    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)
-
-    plot_data = pd.merge(df_sorted, stock_df, left_on="date_day", right_on="date", how="left")
-
-    # Correlation
-    correlation = plot_data['price'].corr(plot_data['avg_sentiment'])
-    corr_text = "ไม่มีความสัมพันธ์"
-    if correlation > 0.5:
-        corr_text = "มีความสัมพันธ์ในทิศทางเดียวกัน"
-    elif correlation < -0.5:
-        corr_text = "มีความสัมพันธ์ในทิศทางตรงข้าม"
-    st.metric("วิเคราะห์ความสัมพันธ์ระหว่างอารมณ์ของข่าวกับราคาหุ้น (Correlation)", corr_text, f"{correlation:.2f}")
-
-    # Forecast Sentiment
-    plot_data["timestamp"] = (plot_data["date_day"] - plot_data["date_day"].min()).dt.days
-    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_dates = [plot_data["date_day"].max() + timedelta(days=i) for i in range(1, future_days + 1)]
-        future_preds = model_lr.predict(future_timestamps.reshape(-1, 1))
-
-    # 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)
-
-    # ราคาหุ้น
-    fig.add_trace(go.Scatter(x=plot_data["date_day"], y=plot_data["price"], name=f"{symbol} Price",
-                             mode="lines+markers", line=dict(color="orange")), row=1, col=1)
-    # Sentiment จริง
-    fig.add_trace(go.Scatter(x=plot_data["date_day"], y=plot_data["avg_sentiment"], name="Actual Sentiment",
-                             mode="lines+markers", line=dict(color="blue")), 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(color="#05a0fa", dash="dash")), row=1, col=1, secondary_y=True)
-        # เส้นเชื่อม Actual -> Predicted
-        last_actual_date = plot_data["date_day"].max()
-        last_actual_value = plot_data["avg_sentiment"].iloc[-1]
-        first_pred_date = future_dates[0]
-        first_pred_value = future_preds[0]
-        fig.add_trace(go.Scatter(x=[last_actual_date, first_pred_date],
-                                 y=[last_actual_value, first_pred_value],
-                                 mode="lines",
-                                 line=dict(color="#05a0fa", dash="dot"),
-                                 name="Connector Actual→Predicted"), row=1, col=1, secondary_y=True)
-
-    # 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",
-                         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)
-
-    fig.update_layout(title=f"แนวโน้มอารมณ์ของข่าว + ราคาหุ้น ({symbol})",
-                      barmode="stack", height=650, hovermode="x unified", template="plotly_white")
-
-    st.plotly_chart(fig, use_container_width=True)
-
-    # แสดงรายการข่าวทั้งหมด (text เป็นสรุปแล้ว)
+    if analyze_btn:
+        # วิเคราะห์ sentiment
+        st.info("กำลังวิเคราะห์อารมณ์ของข่าว...")
+        news_df["sentiment"] = news_df["text"].apply(analyze_text)
+        news_df["date"] = pd.to_datetime(news_df["date"])
+
+        # 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}")
+        col2.metric("ข่าวเชิงบวก", f"{pos_pct:.1f}%")
+        col3.metric("ข่าวเชิงลบ", f"{neg_pct:.1f}%")
+
+        # ธีมข่าว
+        news_df["theme"] = summarize_themes(news_df["text"].tolist())
+
+        # ส่วนกราฟ sentiment & price
+        st.subheader("📈 แนวโน้มอารมณ์ของข่าว & 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"
+            return "neutral"
+        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()
+        df_sorted = pd.merge(daily_avg, daily_counts, on="date_day").sort_values("date_day")
+        if len(df_sorted) < 2:
+            st.warning("ข้อมูลไม่พอสร้างแนวโน้ม")
+            st.dataframe(news_df)
+            return
+
+        _, symbol = resolve_company_symbol(keyword)
+        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)
+        plot_data = pd.merge(df_sorted, stock_df, left_on="date_day", right_on="date", how="left")
+
+        correlation = plot_data['price'].corr(plot_data['avg_sentiment'])
+        corr_text = "ไม่มีความสัมพันธ์"
+        if correlation > 0.5:
+            corr_text = "มีความสัมพันธ์ในทิศทางเดียวกัน"
+        elif correlation < -0.5:
+            corr_text = "มีความสัมพันธ์ในทิศทางตรงข้าม"
+        st.metric("Correlation อารมณ์ข่าว vs ราคาหุ้น", corr_text, f"{correlation:.2f}")
+
+        # Forecast Sentiment
+        plot_data["timestamp"] = (plot_data["date_day"] - plot_data["date_day"].min()).dt.days
+        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_dates = [plot_data["date_day"].max() + timedelta(days=i) for i in range(1, future_days+1)]
+            future_preds = model_lr.predict(future_timestamps.reshape(-1,1))
+
+        # 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)
+        fig.add_trace(go.Scatter(x=plot_data["date_day"], y=plot_data["price"], name=f"{symbol} Price", mode="lines+markers", line=dict(color="orange")), row=1, col=1, secondary_y=False)
+        fig.add_trace(go.Scatter(x=plot_data["date_day"], y=plot_data["avg_sentiment"], name="Actual Sentiment", mode="lines+markers", line=dict(color="blue")), row=1, col=1, secondary_y=True)
+        if "future_preds" in locals():
+            fig.add_trace(go.Scatter(x=future_dates, y=future_preds, name="Predicted Sentiment", mode="lines+markers", line=dict(color="#05a0fa", dash="dash")), row=1, col=1, secondary_y=True)
+        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", 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)
+        fig.update_layout(title=f"แนวโน้มอารมณ์ของข่าว + ราคาหุ้น ({symbol})", barmode="stack", height=650, hovermode="x unified", template="plotly_white")
+        st.plotly_chart(fig, use_container_width=True)
+
+    if summarize_btn:
+        st.info("กำลังสรุปข่าวแต่ละข่าว...")
+        news_df["text"] = summarize_news(news_df["text"].tolist())
+
+    # แสดงรายการข่าว (เหมือนกันทั้งสองปุ่ม)
     st.subheader("📰 รายการข่าวทั้งหมด")
-    st.dataframe(news_df[["date", "source", "text", "sentiment", "url"]], use_container_width=True)
+    st.dataframe(news_df[["date","source","text","sentiment"]].fillna(""), use_container_width=True)
 
-# ---------------------------------------------------------
+# --------------------------
 # RUN APP
-# ---------------------------------------------------------
+# --------------------------
 if __name__ == "__main__":
     nltk.download("stopwords", quiet=True)
     main()