[8] 241108 Team Project Results: Stock Headline Sentiment Analysis [Goorm All-In-One Pass! AI Project Master - 4th Session, Day 8]

241108 Fri 8th class

노션 발표 자료 만들었다!

https://acoustic-hexagon-e6d.notion.site/Streamlit-1361e9b916c3808c8d37e3bf079ea6df

주식 정보 제공 및 시각화를 위한 Streamlit 활용 | Notion

아직 URL, 스크린샷은 없다.

---

감성 분석 Streamlit 버전을 만들었다

뉴스 감정 분석 및 이벤트 영향 표시

• 뉴스 헤드라인 감정 분석: 최근 주식과 관련된 뉴스 기사나 소셜 미디어 데이터를 수집하여, 감정 분석을 통해 긍정적, 부정적, 중립적인 의견을 분류할 수 있어요. 이를 통해 사용자에게 최근 뉴스가 주식에 어떤 영향을 미치는지 보여줄 수 있습니다.

---

배포한 웹사이트

https://stock-sentiment-app.streamlit.app/

---

코드)

app.py

import streamlit as st
import requests
from bs4 import BeautifulSoup
from transformers import pipeline
import time
 
def get_stock_buy_recommendation(stock_name):
    """
    Fetch news headlines and provide stock buy recommendations
    """
    # Add a spinner while processing
    with st.spinner(f'분석 중... {stock_name}에 대한 정보를 가져오는 중입니다.'):
        url = f'https://search.naver.com/search.naver?ie=utf8&sm=nws_hty&query={stock_name}'
        response = requests.get(url)
        soup = BeautifulSoup(response.content, 'html.parser')
 
        # Extract headlines
        headlines = [headline.get_text() for headline in soup.find_all('a', class_='news_tit')[:10]]
 
        # Initialize sentiment analyzer
        sentiment_analyzer = pipeline('sentiment-analysis')
 
        # Analyze sentiments
        results = []
        positive_count = 0
        negative_count = 0
        
        for headline in headlines:
            sentiment = sentiment_analyzer(headline)[0]['label']
            
            if sentiment == 'POSITIVE':
                sentiment_emoji = '😊'
                positive_count += 1
            elif sentiment == 'NEGATIVE':
                sentiment_emoji = '😰'
                negative_count += 1
            else:
                sentiment_emoji = '😐'
                
            results.append((headline, sentiment_emoji))
 
        # Determine recommendation
        if positive_count > negative_count:
            buy_recommendation = f'{stock_name}을(를) 매수하세요 😊'
        elif positive_count < negative_count:
            buy_recommendation = f'{stock_name}을(를) 매수하지 마세요 😰'
        else:
            buy_recommendation = f'{stock_name}에 대해 중립적인 입장입니다 😐'
 
        return results, buy_recommendation
 
# Set up the Streamlit page
st.set_page_config(page_title="주식 투자 의견 분석기", page_icon="📈")
 
# Add title and description
st.title("📈 주식 투자 의견 분석기")
st.markdown("""
이 앱은 네이버 뉴스 헤드라인을 분석하여 주식 투자 의견을 제공합니다.
""")
 
# Create input field
stock_name = st.text_input("종목명을 입력하세요:", placeholder="예: 삼성전자")
 
# Create analyze button
if st.button("투자의견 분석"):
    if stock_name:
        try:
            # Get recommendation
            headline_results, buy_recommendation = get_stock_buy_recommendation(stock_name)
            
            # Display results
            st.subheader(f"{stock_name}에 대한 분석 결과")
            
            # Display buy recommendation in a highlighted box
            st.info(buy_recommendation)
            
            # Display headlines in an expandable section
            with st.expander("뉴스 헤드라인 상세 분석 보기"):
                for headline, emoji in headline_results:
                    st.write(f"{emoji} {headline}")
                    
        except Exception as e:
            st.error(f"오류가 발생했습니다: {str(e)}")
    else:
        st.warning("종목명을 입력해주세요.")
 
# Add footer
st.markdown("---")
st.markdown("Made with ❤️ using Streamlit")

requirement.txt

streamlit
requests
beautifulsoup4
transformers
torch

cd stock_analyzer
pip install -r requirements.txt
streamlit run app.py
 
  You can now view your Streamlit app in your browser.
 
  Local URL: http://localhost:8501

---

결과)

---

• 감성 분석
  • 사용한 모델: DistilBERT 기반 감정 분석 모델
    • DistilBERT는 BERT의 경량화 버전으로, 약 60% 더 작고 2배 빠른 처리 속도를 자랑하며, 성능은 원래 BERT의 97% 수준을 유지합니다.
    • SST-2 데이터셋(Stanford Sentiment Treebank 2)으로 미세 조정된 감정 분석 모델로, **긍정(positive)**과 부정(negative) 감정 분류가 가능합니다.
    • "base-uncased":
      • base: BERT의 기본 크기이며, 12개의 Transformer 레이어와 110M개의 파라미터를 가지고 있음.
      • uncased: 입력 텍스트에서 대소문자를 구분하지 않음.
    • 주요 특징:
      • 영화 리뷰, 소셜 미디어 게시물 등에서 빠르고 효율적인 감정 분석을 수행할 수 있음.
      • 지식 증류(Knowledge Distillation) 기법을 통해 모델 크기를 줄이면서도 성능을 유지하여, 모바일 및 웹 서비스와 같은 컴퓨팅 자원이 제한된 환경에서도 활용 가능.
  • 모델 이름: distilbert-base-uncased-finetuned-sst-2-english
  • 한계: 한국어 모델(snunlp/KR-FinBert)을 사용했을 때 모든 결과가 중립(Neutral)으로 나왔으며, 영어 모델보다 성능이 떨어져서 DistilBERT 기반 감정 분석 모델 사용**.**

---