Análise de Sentimento de Mercado com IA usando Python

Ler notícias diárias sobre empresas e ações listadas na bolsa pode ser maçante e cansativo. Mas, e se houvesse uma maneira de simplificar todo esse processo? Mostraremos como a IA generativa pode ajudar a captar o sentimento de notícias sobre companhias, automatizando todo o processo com Python e Gemini.

Aprenda a coletar, processar e analisar dados na formação de Do Zero à Análise de Dados Econômicos e Financeiros com Python.

Introdução

O maior desafio para qualquer analista do mercado de ações é compreender o que uma notícia ou relatório realmente indica. Isso ocorre porque ler muitas páginas ao longo de um dia ou até mesmo durante uma semana inteira pode tornar a interpretação das informações confusa. Além disso, a redação desses comunicados pode não facilitar o trabalho, podendo até mesmo complicá-lo.

É por isso que o uso da técnica de Análise de Sentimentos com IA pode ser extremamente útil para aumentar a produtividade de qualquer profissional, ajudando na compreensão de diversos textos de notícias e relatórios.

Como funciona a Análise de Sentimentos?

Análise de Sentimentos é uma técnica de Processamento de Linguagem Natural (PLN) usada para identificar e extrair emoções e opiniões expressas em textos. Essa técnica é amplamente utilizada para compreender a atitude emocional de um autor em relação a um tópico específico, seja ele positivo, negativo ou neutro.

Portanto, o objetivo principal deste exercício é capturar notícias sobre empresas, obtidas através do Yahoo Finance, e realizar a análise de sentimento dessas notícias, além de gerar um resumo. Todo o procedimento é realizado utilizando Python, possibilitando a automação da coleta de dados, processamento, formatação e interação com a API.

Passo 01: bibliotecas de Python

Para quantificar o sentimento das notícias com IA, utilizaremos as seguintes bibliotecas no Python:

  • yfinance para conectar com a API do Yahoo Finance
  • textwrap para manipular e formatar texto de maneira mais conveniente
  • requests para requisitar o link
  • BeautifulSoup para realizar o Scrap das notícias
  • google.generativeai para conectar o Gemini

Passo 02: autenticação na API do Google

Para utilizar o modelo de inteligência artificial Gemini, é necessário obter uma chave de token na plataforma Google AI Studio (veja mais informações aqui).

Com a chave de token em mãos, defina uma variável de ambiente com nome GOOGLE_API_KEY para armazenar a chave.

Atenção: a utilização da API do Google pode acarretar custos. Verifique o site da empresa para mais informações.

Passo 03: obtenção das noticiais via Yahoo Finance

Para analisar o sentimento das noticiais é necessário obter os textos contidos nas páginas do Yahoo Finance. Para isso, obtemos o acesso a API do Yahoo Finance usando a biblioteca yfinance. Em seguida, requisitamos o acesso a API e extraímos o conteúdo da página.

Passo 04: prompt

Para que o modelo de inteligência artificial quantifique o sentimento do texto, é fundamental definir uma instrução clara sobre o que e como deve ser feito. Esse procedimento é feito seguindo estas etapas:

  • Definir qual modelo será utilizado e com quais configurações (aqui utilizamos o Gemini Pro).
  • Instruir o modelo de inteligência artificial para o que se pede em relação ao texto da notícia. Podemos usar um básico como exemplo:
     "Analise o sentimento do texto a seguir e forneça detalhes

    Apple (AAPL) ended the recent trading session at 234.41,𝑑𝑒𝑚𝑜𝑛𝑠𝑡𝑟𝑎𝑡𝑖𝑛𝑔𝑎+1.681.33, reflecting a 5.56% increase from the same quarter last year. Alongside, our most recent consensus estimate is anticipating revenue of 83.75𝑏𝑖𝑙𝑙𝑖𝑜𝑛,𝑖𝑛𝑑𝑖𝑐𝑎𝑡𝑖𝑛𝑔𝑎2.386.59 per share and a revenue of $386.4 billion, demonstrating changes of +7.5% and +0.81%, respectively, from the preceding year.It's also important for investors to be aware of any recent modifications to analyst estimates for Apple. These latest adjustments often mirror the shifting dynamics of short-term business patterns. Therefore, positive revisions in estimates convey analysts' confidence in the company's business performance and profit potential.Our research suggests that these changes in estimates have a direct relationship with upcoming stock price performance. To take advantage of this, we've established the Zacks Rank, an exclusive model that considers these estimated changes and delivers an operational rating system.The Zacks Rank system, stretching from #1 (Strong Buy) to #5 (Strong Sell), has a noteworthy track record of outperforming, validated by third-party audits, with stocks rated #1 producing an average annual return of +25% since the year 1988. Over the last 30 days, the Zacks Consensus EPS estimate has moved 0.17% higher. Apple is currently sporting a Zacks Rank of #2 (Buy).Looking at its valuation, Apple is holding a Forward P/E ratio of 34.98. This expresses a premium compared to the average Forward P/E of 11.53 of its industry.Investors should also note that AAPL has a PEG ratio of 2.8 right now. This metric is used similarly to the famous P/E ratio, but the PEG ratio also takes into account the stock's expected earnings growth rate. The Computer - Mini computers was holding an average PEG ratio of 2.34 at yesterday's closing price.Story continuesThe Computer - Mini computers industry is part of the Computer and Technology sector. At present, this industry carries a Zacks Industry Rank of 19, placing it within the top 8% of over 250 industries.The Zacks Industry Rank gauges the strength of our industry groups by measuring the average Zacks Rank of the individual stocks within the groups. Our research shows that the top 50% rated industries outperform the bottom half by a factor of 2 to 1.To follow AAPL in the coming trading sessions, be sure to utilize Zacks.com.Want the latest recommendations from Zacks Investment Research? Today, you can download 7 Best Stocks for the Next 30 Days. Click to get this free reportApple Inc. (AAPL) : Free Stock Analysis ReportTo read this article on Zacks.com click here.Zacks Investment ResearchView comments

Resultado

O Resultado do Prompt utilizado resultou na seguinte avaliação:

Sentimento Geral:

O sentimento geral do texto é positivo em relação à Apple (AAPL).

Evidências de Sentimento Positivo:

  • A Apple superou o S&P 500, Dow e Nasdaq no dia anterior.
  • As ações da Apple ganharam 8,49% no mês anterior, superando o setor e o mercado em geral.
  • As estimativas de lucro para o próximo trimestre e o ano inteiro são positivas.
  • A Apple tem uma classificação Zacks Rank de #2 (Buy), o que indica confiança analítica.
  • O setor de computadores e tecnologia, do qual a Apple faz parte, está classificado entre os 8% melhores de mais de 250 setores.

Evidências de Sentimento Neutro:

  • A relação Preço/Lucro (P/L) é mais alta do que a média do setor.
  • A relação Preço/Lucro ao Crescimento (PEG) também é mais alta do que a média do setor.

Conclusão:

O texto fornece uma perspectiva geralmente otimista sobre a Apple. Os analistas estão confiantes em seu desempenho futuro, e as métricas financeiras da empresa são sólidas. No entanto, os investidores devem estar cientes de que a P/L e a PEG da Apple são mais altas do que a média do setor, o que indica uma potencial avaliação mais alta.

Quer aprender mais?

Clique aqui para fazer seu cadastro no Boletim AM e baixar o código que produziu este exercício, além de receber novos exercícios com exemplos reais de análise de dados envolvendo as áreas de Data Science, Econometria, Machine Learning, Macroeconomia Aplicada, Finanças Quantitativas e Políticas Públicas diretamente em seu e-mail.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como treinar e selecionar os melhores modelos de previsão no Python?

Em previsão, há uma infinidade de modelos que podem ser usados. O processo de escolha do(s) modelo(s) deve ser empírico-científico, usando métodos que visem avaliar a generalização dos algoritmos para dados novos. Neste artigo, mostramos como implementar a metodologia de validação cruzada com algoritmos de machine learning no Python, exemplificando para a previsão do IPCA.

Como selecionar variáveis para modelos de previsão no Python?

Em oposição à crença popular, grande parte dos modelos de machine learning não produzem previsões magicamente. É papel do cientista de dados executar uma boa engenharia de variáveis para não cair no clássico problema de “garbage in, garbage out” (GIGO) em aprendizado de máquina. Neste sentido, aprender a fazer uma boa seleção de variáveis é fundamental e neste artigo exploramos algumas possibilidades práticas usando o Python.

Resultado IPCA-15 - Novembro/2024

A Análise Macro apresenta os resultados do IPCA-15 de Novembro de 2024, com gráficos elaborados em Python para coleta, tratamento e visualização de dados. Todo o conteúdo, disponível exclusivamente no Clube AM, foi desenvolvido com base nos métodos ensinados nos cursos da Análise Macro, permitindo aos assinantes acesso aos códigos e replicação das análises.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.