import streamlit as st import requests import pandas as pd from datetime import datetime, timedelta import numpy as np 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 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 # -------------------------- @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 # -------------------------- # ฟังก์ชันวิเคราะห์ Sentiment def analyze_text(text): """วิเคราะห์อารมณ์ของข่าว""" if not text or not text.strip(): return 0 # แปลงข้อความเป็นตัวเลข inputs = tokenizer( text, return_tensors="pt", padding=True, truncation=True, 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) # -------------------------- # แปลงชื่อบริษัท/ชื่อหุ้น เพื่อให้เมื่อค้นหาแล้ว ได้ผลลัพธ์เหมือนกัน ไม่ว่าจะค้นหาด้วยชื่อไหน # -------------------------- # 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() 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: pass if not ticker: ticker = keyword.upper() 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: 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 # เก็บข่าวลง list 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) # -------------------------- # 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: 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) # คืนค่าเป็น DataFrame ที่มี 2 คอลัมน์ คือ date และ price return df_subset except Exception as e: st.warning(f"ดึงราคาหุ้นล้มเหลว: {e}") return pd.DataFrame() # -------------------------- # MAIN APP # -------------------------- # ฟังก์ชันหลักของ Streamlit app def main(): # หัวข้อใหญ่ของแอป st.title("📰 News Sentiment Analysis for Young Investor") # ข้อความอธิบาย st.markdown("วิเคราะห์แนวโน้มอารมณ์ของข่าวย้อนหลัง 7 วัน พร้อมราคาหุ้น") # Sidebar สำหรับ Input with st.sidebar: keyword = st.text_input("ค้นหา Stock Symbol (เช่น AAPL, TSLA):", "") analyze_btn = st.button("วิเคราะห์เลย") if not analyze_btn: st.info("กรอกคำค้นแล้วกด 'วิเคราะห์เลย'") return # ดึงข่าว st.info(f"กำลังดึงข่าวย้อนหลัง 7 วันสำหรับ '{keyword}'...") 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"]) # 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("ค่าเฉลี่ยอารมณ์ของข่าว", f"{avg_sentiment:.2f}") col2.metric("ข่าวเชิงบวก", f"{pos_pct:.1f}%") col3.metric("ข่าวเชิงลบ", f"{neg_pct:.1f}%") # --------------------------------------------------------- # เตรียมข้อมูลสำหรับกราฟ Sentiment & Price # --------------------------------------------------------- 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" if score < -0.1: return "negative" return "neutral" 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: 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) # 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']) # แปลงค่า correlation เป็นข้อความอธิบาย if correlation > 0.7: corr_label = "มีความสัมพันธ์กันอย่างมากในทิศทางเดียวกัน" elif correlation > 0.4: corr_label = "มีความสัมพันธ์กันปานกลางในทิศทางเดียวกัน" elif correlation > 0.2: corr_label = "มีความสัมพันธ์กันเล็กน้อยในทิศทางเดียวกัน" elif correlation < -0.7: corr_label = "มีความสัมพันธ์กันอย่างมากในทิศทางตรงกันข้าม" elif correlation < -0.4: corr_label = "มีความสัมพันธ์กันปานกลางในทิศทางตรงกันข้าม" elif correlation < -0.2: corr_label = "มีความสัมพันธ์กันเล็กน้อยในทิศทางตรงกันข้าม" else: corr_label = "ไม่มีความสัมพันธ์กัน" corr_value_text = f"Correlation = {correlation:.2f}" st.metric( "วิเคราะห์ความสัมพันธ์ระหว่างอารมณ์ของข่าวกับราคาหุ้น", corr_label, # ตัวบน (ใหญ่) 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 # --------------------------------------------------------- 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, secondary_y=False ) # 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="#02a1f7", dash="dash") ), row=1, col=1, secondary_y=True ) # --------------------------------------------------------- # สร้างเส้นเชื่อม Actual -> Predicted Sentiment เพื่อความสวยงาม # --------------------------------------------------------- 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="#02a1f7", dash="dot"), name="Connector Actual→Predicted" ), row=1, col=1, secondary_y=True ) # กราฟแท่งแสดงจำนวนข่าว 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"แนวโน้มอารมณ์ข่าว + ราคาหุ้น ({symbol})", barmode="stack", height=650, hovermode="x unified", template="plotly_white" ) st.plotly_chart(fig, use_container_width=True) # ตารางแสดงรายการข่าว st.subheader("📰 รายการข่าวทั้งหมด") st.dataframe(news_df[["date", "source", "text", "sentiment", "url"]], use_container_width=True) # --------------------------------------------------------- # RUN APP # --------------------------------------------------------- if __name__ == "__main__": main()