Update app.py

app.py

@@ -10,12 +10,16 @@ import yfinance as yf
 import torch
 from transformers import AutoTokenizer, AutoModelForSequenceClassification
 
+
 # --------------------------
-# CONFIG
+# CONFIG ตั้งค่า Streamlit
 # --------------------------
 st.set_page_config(page_title="📰 News Sentiment Analysis for Young Investor", layout="wide")
+
+# API จากเว็บ newsapi.org
 API_KEY = "88bc396d4eab4be494a4b86ec842db47"
 
+
 # --------------------------
 # โหลด FinBERT model
 # --------------------------
@@ -27,14 +31,18 @@ def load_finbert():
 
 tokenizer, model = load_finbert()
 
+
 # --------------------------
-# UTILITIES
+# UTILITIES 
 # --------------------------
+
+# ฟังก์ชันวิเคราะห์ Sentiment
 def analyze_text(text):
     """วิเคราะห์อารมณ์ของข่าว"""
     if not text or not text.strip():
         return 0
 
+    # แปลงข้อความเป็นตัวเลข
     inputs = tokenizer(
         text,
         return_tensors="pt",
@@ -43,30 +51,43 @@ def analyze_text(text):
         max_length=512
     )
 
+    #ส่งข้อความเข้า Model
     with torch.no_grad():
         outputs = model(**inputs)
         logits = outputs.logits
         probs = torch.softmax(logits, dim=1).numpy()[0]
 
+    # โมเดล FinBERT แบ่งออกเป็น 3 คลาส
     # FinBERT = [negative, neutral, positive]
+    # คูณความน่าจะเป็นของแต่ละคลาสกับ -1, 0, 1 แล้วรวมกันเป็นคะแนน
     score = (-1 * probs[0]) + (0 * probs[1]) + (1 * probs[2])
     return float(score)
 
 
 # --------------------------
-# แปลงชื่อ/ตัวย่อ → (Company Name, Symbol)
+# แปลงชื่อบริษัท/ชื่อหุ้น เพื่อให้ไม่ว่าจะค้นหาด้วยชื่อไหน จะต้องได้ผลลัพธ์เหมือนกัน
 # --------------------------
+
+# ฟังก์ชันสำหรับหาชื่อหุ้นหรือชื่อบริษัท
+# ถ้า Keyword เป็นชื่อบริษัท ให้หาชื่อหุ้น, ถ้า Keyword เป็นชื่อหุ้น ให้หาชื่อบริษัท
 def resolve_company_symbol(keyword: str):
+    
+    # รับ Keyword เป็นชื่อบริษัท หรือ ชื่อหุ้น อย่างใดอย่างหนึ่ง
     keyword = keyword.strip()
     ticker = None
     name = None
 
+    # ดึงข้อมูลชื่อบริษัท/ชื่อหุ้นจาก yfinance
     try:
         data = yf.Ticker(keyword)
         info = data.info
+        
+        # ตรวจสอบข้อมูลใน Info (ข้อมูลหุ้นของ keyword ที่ส่งเข้าไป)
         if "symbol" in info and info["symbol"]:
             ticker = info["symbol"]
             name = info.get("longName", info.get("shortName", keyword))
+        
+        # ถ้าไม่หาไม่เจอให้ค้นหาผ่าน Yahoo Finance API
         else:
             url = f"https://query2.finance.yahoo.com/v1/finance/search?q={keyword}"
             res = requests.get(url).json()
@@ -82,20 +103,30 @@ def resolve_company_symbol(keyword: str):
     if not name:
         name = keyword.capitalize()
 
+    # คืนค่าเป็น tuple (ชื่อบริษัท, ชื่อหุ้น) เช่น (Apple Inc., AAPL)
     return name, ticker
 
 
 # --------------------------
 # ดึงข่าว 7 วัน
 # --------------------------
+
+# ฟังก์ชันสำหรับดึงข่าว
 @st.cache_data(ttl=3600)
 def fetch_financial_news(keyword):
+    
+    # หลังจากรับ Keyword เป็นชื่อบริษัท/ชื่อหุ้นอย่างใดอย่างหนึ่ง จะเรียกฟังชันก์ resolve_company_symbol เพื่อให้คืนค่าทั้งชื่อบริษัทและชื่อหุ้น
     company, symbol = resolve_company_symbol(keyword)
+    
+    # กำหนดช่วงวันที่ค้นหาเป็น 7 วันล่าสุด
     to_date = datetime.now().strftime('%Y-%m-%d')
     from_date = (datetime.now() - timedelta(days=7)).strftime('%Y-%m-%d')
 
+    # สร้าง query สำหรับ News API เพื่อให้สามารถค้นเจอข่าวที่มีชื่อบริษัทหรือชื่อหุ้นก็ได้
+    # เช่น กรอก AAPL ต้องเจอข่าวที่มีคำว่า Apple Inc. ด้วย แม้จะไม่มีคำว่า AAPL อยู่ในข่าวก็ตาม
     query_keyword = f"({company} OR {symbol}) finance stock"
 
+    # ดึงข่าวทุกหน้าจนกว่าข่าวจะหมด โดยดึงข่าวจาก API ของเว็บ newsapi.org
     all_articles = []
     page = 1
     while True:
@@ -116,6 +147,7 @@ def fetch_financial_news(keyword):
         if not articles:
             break
 
+        # เก็บข่าวลง list
         for a in articles:
             if a["description"]:
                 all_articles.append({
@@ -135,11 +167,22 @@ def fetch_financial_news(keyword):
 # --------------------------
 # ดึงราคาหุ้น
 # --------------------------
+
+# ฟังก์ชันสำหรับดึงราคาหุ้น
+# รับพารามิเตอร์:
+    # symbol → ชื่อหุ้น (Ticker)
+    # start_date → วันที่เริ่มต้น (datetime object)
+    # end_date → วันที่สิ้นสุด (datetime object)
 @st.cache_data(ttl=3600)
 def fetch_stock_price(symbol, start_date, end_date):
+    
     try:
+        
+        # ขยายช่วงวันที่เล็กน้อย เนื่องจากบางครั้งตลาดหุ้นปิดวันเสาร์-อาทิตย์ และวันหยุดนนักขัตฤกษ์ การขยายช่วงจะช่วยให้ได้ข้อมูลครบ
         start_str = (start_date - timedelta(days=2)).strftime('%Y-%m-%d')
         end_str = (end_date + timedelta(days=1)).strftime('%Y-%m-%d')
+
+        # ดึงราคาหุ้นจาก yfinance โดยใช้ราคาปิดรายวัน
         df = yf.download(symbol, start=start_str, end=end_str, interval="1d")
 
         if df.empty:
@@ -151,6 +194,7 @@ def fetch_stock_price(symbol, start_date, end_date):
         df_subset.columns = ['date', 'price']
         df_subset["date"] = pd.to_datetime(df_subset["date"].dt.date)
 
+        # คืนค่าเป็น DataFrame ที่มี 2 คอลัมน์ คือ date และ price
         return df_subset
 
     except Exception as e:
@@ -161,11 +205,17 @@ def fetch_stock_price(symbol, start_date, end_date):
 # --------------------------
 # MAIN APP
 # --------------------------
+
+# ฟังก์ชันหลักของ Streamlit app
 def main():
+    
+    # หัวข้อใหญ่ของแอป
     st.title("📰 News Sentiment Analysis for Young Investor")
+    
+    # ข้อความอธิบาย
     st.markdown("วิเคราะห์แนวโน้มอารมณ์ของข่าวย้อนหลัง 7 วัน พร้อมราคาหุ้น")
 
-    # Sidebar
+    # Sidebar สำหรับ Input
     with st.sidebar:
         keyword = st.text_input("ค้นหา Stock Symbol (เช่น AAPL, TSLA):", "")
         analyze_btn = st.button("วิเคราะห์เลย")
@@ -186,13 +236,14 @@ def main():
     news_df["sentiment"] = news_df["text"].apply(analyze_text)
     news_df["date"] = pd.to_datetime(news_df["date"])
 
-    # Metrics
+    # คำนวณ 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
 
+    # แสดง Metrics บน App เป็น 3 คอลัมน์ ได้แก่ ค่าเฉลี่ย Sentment, % ข่าวเชิงบวก, % ข่าวเชิงลบ
     col1, col2, col3 = st.columns(3)
-    col1.metric("ค่าเฉลี่ยอารมณ์ข่าว", f"{avg_sentiment:.2f}")
+    col1.metric("ค่าเฉลี่ยอารมณ์ของข่าว", f"{avg_sentiment:.2f}")
     col2.metric("ข่าวเชิงบวก", f"{pos_pct:.1f}%")
     col3.metric("ข่าวเชิงลบ", f"{neg_pct:.1f}%")
 
@@ -202,8 +253,10 @@ def main():
     # ---------------------------------------------------------
     st.subheader("📈 แนวโน้มอารมณ์ของข่าว & ราคาหุ้น")
 
+    # สร้างคอลัมน์วันที่
     news_df["date_day"] = pd.to_datetime(news_df["date"].dt.date)
 
+    # ฟังก์ชันจำแนก Sentiment
     def sentiment_type(score):
         if score > 0.1:
             return "positive"
@@ -213,9 +266,13 @@ def main():
 
     news_df["sentiment_type"] = news_df["sentiment"].apply(sentiment_type)
 
+    # คำนวณค่าเฉลี่ย Sentiment ต่อวัน
     daily_avg = news_df.groupby("date_day")["sentiment"].mean().reset_index(name="avg_sentiment")
+
+    # นับจำนวนข่าวรายวัน
     daily_counts = news_df.groupby(["date_day", "sentiment_type"]).size().unstack(fill_value=0).reset_index()
 
+    # รวม DataFrame ของค่าเฉลี่ย และ จำนวนข่าว
     df_sorted = pd.merge(daily_avg, daily_counts, on="date_day").sort_values("date_day")
 
     if len(df_sorted) < 2:
@@ -230,14 +287,19 @@ def main():
     st.info(f"กำลังดึงราคาหุ้น {symbol} ...")
     stock_df = fetch_stock_price(symbol, min_date, max_date)
 
+    # รวม DataFrame ของข่าว (ค่าเฉลี่ยและจำนวนข่าวที่รวมกันแล้ว) และ ราคาหุ้น
+    # ผลลัพธ์จะมี 4 คอลัมน์ ได้แก่ วันที่, ค่าเฉลี่ย, จำนวนข่าว, ราคาหุ้น เพื่อให้พร้อมสำหรับทำกราฟ
     plot_data = pd.merge(df_sorted, stock_df, left_on="date_day", right_on="date", how="left")
 
+    
     # ---------------------------------------------------------
     # Correlation
     # ---------------------------------------------------------
+    
+    # คำนวณ correlation ระหว่างราคาหุ้นกับค่า sentiment
     correlation = plot_data['price'].corr(plot_data['avg_sentiment'])
 
-    # หาข้อความอธิบาย (ข้อความใหญ่ด้านบน)
+    # แปลงค่า correlation เป็นข้อความอธิบาย
     if correlation > 0.7:
         corr_label = "มีความสัมพันธ์กันอย่างมากในทิศทางเดียวกัน"
     elif correlation > 0.4:
@@ -261,24 +323,34 @@ def main():
         corr_value_text             # ตัวล่าง (สีเขียว/แดง)
     )
 
+    
     # ---------------------------------------------------------
     # Forecast Sentiment
     # ---------------------------------------------------------
+    
+    # แปลง date เป็นตัวเลข โดยนับวันแรกเป็นวันที่ 0 และวันถัดมาเป็น 1, 2, ... เพื่อทำ Linear Regression
     plot_data["timestamp"] = (plot_data["date_day"] - plot_data["date_day"].min()).dt.days
     train_data = plot_data.dropna(subset=['avg_sentiment'])
 
+    # ตรวจสอบว่ามีข้อมูลเพียงพอ
     if len(train_data) >= 2:
+        
+        # สร้างโมเดล Linear Regression โดยให้ x = จำนวนวัน, y = ค่าเฉลี่ย sentiment ต่อวัน
         model_lr = LinearRegression()
         model_lr.fit(train_data[["timestamp"]], train_data["avg_sentiment"])
 
+        # สร้างช่วงวันที่สำหรับทำนายอนาคต
         future_days = 7
         future_timestamps = np.arange(
             plot_data["timestamp"].max() + 1,
             plot_data["timestamp"].max() + future_days + 1
         )
+        
+        # ทำนายค่า sentiment ในอนาคต
         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
     # ---------------------------------------------------------
@@ -315,7 +387,7 @@ def main():
         )
 
     # ---------------------------------------------------------
-    # เส้นเชื่อม Actual -> Predicted
+    # สร้างเส้นเชื่อม Actual -> Predicted Sentiment เพื่อความสวยงาม
     # ---------------------------------------------------------
     last_actual_date = plot_data["date_day"].max()
     last_actual_value = plot_data["avg_sentiment"].iloc[-1]
@@ -334,7 +406,7 @@ def main():
     )
 
     
-    # จำนวนข่าว
+    # กราฟแท่งแสดงจำนวนข่าว
     for col in ["neutral", "negative", "positive"]:
         if col not in plot_data.columns:
             plot_data[col] = 0
@@ -357,7 +429,7 @@ def main():
 
     st.plotly_chart(fig, use_container_width=True)
 
-    # แสดงรายการข่าว
+    # ตารางแสดงรายการข่าว
     st.subheader("📰 รายการข่าวทั้งหมด")
     st.dataframe(news_df[["date", "source", "text", "sentiment", "url"]], use_container_width=True)