app.py

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()