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 from io import BytesIO import numpy as np from sklearn.linear_model import LinearRegression import plotly.graph_objects as go import yfinance as yf # -------------------------- # CONFIG # -------------------------- st.set_page_config(page_title="📰 SentimentSync NewsAI", layout="wide") API_KEY = "88bc396d4eab4be494a4b86ec842db47" # -------------------------- # UTILITIES # -------------------------- def analyze_text(text, vader): if 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]) def generate_wordcloud(text): stopwords = nltk.corpus.stopwords.words('english') wordcloud = WordCloud(width=800, height=400, background_color="white", stopwords=stopwords).generate(text) buf = BytesIO() wordcloud.to_image().save(buf, format="PNG") return base64.b64encode(buf.getvalue()).decode() # -------------------------- # แปลงชื่อ/ตัวย่อ → (Company Name, Symbol) # -------------------------- def resolve_company_symbol(keyword: str): keyword = keyword.strip() ticker = None name = None try: data = yf.Ticker(keyword) info = data.info if "symbol" in info and info["symbol"]: ticker = info["symbol"] name = info.get("longName", info.get("shortName", keyword)) else: url = f"https://query2.finance.yahoo.com/v1/finance/search?q={keyword}" res = requests.get(url).json() if "quotes" in res and len(res["quotes"]) > 0: q = res["quotes"][0] ticker = q.get("symbol") name = q.get("longname", q.get("shortname", keyword)) except Exception as e: print("Lookup failed:", e) if not ticker: ticker = keyword.upper() if not name: name = keyword.capitalize() return name, ticker # -------------------------- # ดึงข่าว 7 วัน สำหรับ Company + Symbol # -------------------------- @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: url = ( f"https://newsapi.org/v2/everything?" f"q={query_keyword}&" f"from={from_date}&to={to_date}&" f"language=en&sortBy=publishedAt&" f"pageSize=100&page={page}&apiKey={API_KEY}" ) r = requests.get(url) data = r.json() 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({ "date": pd.to_datetime(a["publishedAt"]), "text": f"{a['title']} {a['description']}", "source": a["source"]["name"], "url": a["url"] }) if len(articles) < 100: break page += 1 return pd.DataFrame(all_articles) # -------------------------- # (*** ส่วนที่แก้ไข ***) # ดึงราคาหุ้นย้อนหลัง (แก้ไขให้ตรงกับช่วงข่าว) # -------------------------- @st.cache_data(ttl=3600) def fetch_stock_price(symbol): try: # --- (เริ่มการแก้ไข) --- # ดึงข้อมูลย้อนหลัง 8 วัน (เพื่อให้ครอบคลุมช่วงข่าว 7 วัน) # เราใช้ start/end ที่ชัดเจน แทน period="14d" # เพื่อให้แน่ใจว่าช่วงเวลาตรงกับข่าวที่เพิ่งดึงมา end_date = datetime.now() start_date = end_date - timedelta(days=8) df = yf.download(symbol, start=start_date.strftime('%Y-%m-%d'), end=end_date.strftime('%Y-%m-%d'), interval="1d") # --- (สิ้นสุดการแก้ไข) --- if df.empty: st.warning("ไม่พบข้อมูลราคาหุ้นในช่วง 8 วันที่ผ่านมา") return pd.DataFrame() df = df.reset_index()[["Date", "Close"]] df.rename(columns={"Date": "date", "Close": "price"}, inplace=True) df["date"] = pd.to_datetime(df["date"]) return df except Exception as e: st.warning(f"ไม่สามารถดึงราคาหุ้นได้: {e}") return pd.DataFrame() # -------------------------- # MAIN APP (เหมือนเดิมทุกประการ) # -------------------------- def main(): st.title("📰 SentimentSync NewsAI") st.markdown("วิเคราะห์แนวโน้มอารมณ์ของข่าวย้อนหลัง 7 วัน พร้อมราคาหุ้น") # Sidebar with st.sidebar: keyword = st.text_input("ค้นหาคำ / ตัวย่อหุ้น (เช่น Tesla หรือ TSLA):", "") analyze_btn = st.button("วิเคราะห์เลย") if not analyze_btn: st.info("กรอกคำค้นแล้วกด 'วิเคราะห์เลย' เพื่อเริ่มต้น") return vader = SentimentIntensityAnalyzer() # ดึงข่าว st.info(f"กำลังดึงข่าวย้อนหลัง 7 วันสำหรับ '{keyword}' ...") news_df = fetch_financial_news(keyword) if news_df.empty: st.warning("ไม่พบบทความข่าวในช่วง 7 วันที่ผ่านมา") return # วิเคราะห์ sentiment st.info("กำลังวิเคราะห์อารมณ์ของข่าว...") news_df["sentiment"] = news_df["text"].apply(lambda x: analyze_text(x, vader)) news_df["date"] = pd.to_datetime(news_df["date"]) 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") col2.metric("ข่าวเชิงบวก", f"{pos_pct:.1f}%") col3.metric("ข่าวเชิงลบ", f"{neg_pct:.1f}%") # Wordcloud st.subheader("☁️ Word Cloud ของข่าว") all_text = " ".join(news_df["text"].tolist()) img = generate_wordcloud(all_text) st.image(f"data:image/png;base64,{img}", use_column_width=True) # แนวโน้ม + พยากรณ์ + ราคาหุ้น st.subheader("📈 แนวโน้มอารมณ์ของข่าว & ราคาหุ้น") df_sorted = news_df.sort_values("date").copy() df_sorted["timestamp"] = (df_sorted["date"] - df_sorted["date"].min()).dt.days # Train sentiment model model = LinearRegression() model.fit(df_sorted[["timestamp"]], df_sorted["sentiment"]) # Forecast next 7 days future_days = 7 future_timestamps = np.arange(df_sorted["timestamp"].max() + 1, df_sorted["timestamp"].max() + future_days + 1) future_dates = [df_sorted["date"].max() + timedelta(days=i) for i in range(1, future_days + 1)] future_preds = model.predict(future_timestamps.reshape(-1, 1)) # ดึงราคาหุ้น (นี่จะเรียกใช้ฟังก์ชันที่แก้ไขแล้ว) _, symbol = resolve_company_symbol(keyword) stock_df = fetch_stock_price(symbol) # Plot fig = go.Figure() # Actual sentiment fig.add_trace(go.Scatter( x=df_sorted["date"], y=df_sorted["sentiment"], mode="lines+markers", name="Actual Sentiment", line=dict(color="blue") )) # Predicted sentiment fig.add_trace(go.Scatter( x=future_dates, y=future_preds, mode="lines+markers", name="Predicted Sentiment (7-day Forecast)", line=dict(color="orange", dash="dash") )) # Stock price (ตอนนี้จะแสดงผลตรงช่วงเวลาแล้ว) if not stock_df.empty: fig.add_trac(go.Scatter( x=stock_df["date"], y=stock_df["price"], mode="lines+markers", name=f"{symbol} Stock Price", line=dict(color="green"), yaxis="y2" )) fig.update_layout( title=f"แนวโน้มและพยากรณ์อารมณ์ข่าว & ราคาหุ้น '{keyword}'", xaxis_title="วันที่", yaxis=dict(title="Sentiment", side="left", range=[-1, 1]), yaxis2=dict(title="Stock Price", overlaying="y", side="right", showgrid=False), hovermode="x unified", template="plotly_white" ) st.plotly_chart(fig, use_container_width=True) # แสดงข่าว st.subheader("📰 รายการข่าว") st.dataframe(news_df[["date", "source", "text", "sentiment", "url"]], use_container_width=True) if __name__ == "__main__": nltk.download("stopwords", quiet=True) main()