B3-FEED: FEED DE NOTÍCIAS DA BOLSA DE VALORES BASEADO EM SENTIMENTO

(1)

B3-FEED: FEED DE NOTÍCIAS

DA BOLSA DE VALORES

BASEADO EM SENTIMENTO

Aluno: Marcelo Wippel Orientador: Marcel Hugo

(2)

Roteiro

• Introdução • Objetivos • Fundamentação Teórica • Trabalhos Correlatos • Requisitos • Especificação • Implementação • Operacionalidade • Avaliação do aplicativo • Conclusões • Demonstração

(3)

Introdução

• Crescimento de pessoas físicas na Bolsa de Valores

• Democratização da informação

• Influência das notícias no mercado

(4)

Objetivos

• Geral: desenvolver um aplicativo contendo um feed de notícias da Bolsa de Valores classificado por sentimento.

• Específicos:

– Extrair notícias sobre o mercado acionário da Suno Notícias, Exame.com e InfoMoney;

– Buscar os ativos citados na notícia; – Classificar o sentimento das notícias;

– Disponibilizar um aplicativo contendo um feed de notícias classificadas por seu sentimento.

(5)

(6)

Educação financeira no Brasil

• Distribuição de renda desigual; • Ascensão econômica;

• Aumento do leque de possibilidades de investimentos.

(7)

Web Scrapers

• Diferença do Web Crawler; • Formas de extração;

(8)

Análise de Sentimentos

• Subárea do PNL;

• Extração do sentimento em sentenças;

• Crescimento do interesse nessa área de estudo;

(9)

Trabalhos Correlatos

• Modelo para predição de Bolsa de Valores baseado em mineração de opinião (2016); • Brand Feeling (2017);

• Uso de técnicas de computação social para tomada de decisão de compra e venda de ações no mercado brasileiro de Bolsa de Valores (2015).

(10)

Modelo para predição de Bolsa de Valores baseado em mineração de opinião (2016)

• Mineração de opinião do Twitter

• Sentiment140 para análise de sentimentos • Support Vector Machine (SVM)

(11)

Brand Feeling (2017)

• Sentimento de usuários em relação a uma marca

• SentiWordNet para análise de

(12)

Uso de técnicas de computação social para tomada de decisão de compra e venda de ações no mercado brasileiro de Bolsa de Valores (2015)

• Tweets com citação do nome de 9 empresas pré-selecionadas

• LingPipe para análise de sentimentos

• Treinamento através da polarização de sentenças

• Saída das informações através de gráficos e planilhas

(13)

Requisitos Funcionais

• O Web Scraper deve: – Varrer as últimas

notícias dos portais

InfoMoney, Exame.com e Suno Notícias;

– Dividir o conteúdo da notícia em parágrafos; – Limpar o conteúdo dos

parágrafos;

– Salvar as notícias no banco de dados;

– Salvar os parágrafos no banco de dados.

• A API deve permitir: – Manter notícias; – Manter parágrafos; – Analisar o sentimento dos parágrafos; – Buscar os ativos relacionados à notícia; – Manter os ativos relacionados à notícia.

(14)

Requisitos Funcionais

• O aplicativo deve permitir: – Realizar log in;

– Realizar cadastro; – Filtrar notícias;

– Visualizar gráfico de sentimentos; – Visualizar os ativos relacionados; – Visualizar a cotação do ativo;

(15)

Requisitos Não Funcionais

• O Web Scraper deve:

– Ser implementado em Python;

– Extrair o conteúdo das notícias utilizando a

biblioteca BeautifulSoup; – Utilizar SQL Server como

banco de dados;

– Executar a varredura a cada 15 minutos;

– Ser executado em uma imagem Docker;

– Ser implantado no serviço de Aplicativos Web para Contêineres da Azure.

• A API deve:

– Utilizar a linguagem Java; – Utilizar o framework

Spring Boot;

– Utilizar o Amazon

Comprehend para efetuar a análise de sentimentos; – Executar a varredura a

cada 15 minutos;

– Ser executado em uma imagem Docker;

– Ser implantado no serviço de Aplicativos Web para Contêineres da Azure.

(16)

Requisitos Não Funcionais

• O aplicativo deve:

– Utilizar o framework Flutter;

– Utilizar o Firebase Authentication para autenticação;

– Estar disponível nas plataformas Android e iOS; – Apresentar a cotação do ativo através do site

TradingView;

(17)

(18)

(19)

(20)

(21)

(22)

(23)

Técnicas e Ferramentas

• Python (Web Scraper)

• Java e Spring Boot (API)

• Flutter (Aplicativo B3-Feed) • Amazon Comprehend

• Docker • Azure

(24)

Operacionalidade

• Visualização das últimas notícias

• Sentimento médio da notícia

• Filtro de notícias por: título, portal de notícia, ativos relacionados e data de postagem

(25)

Resultados e Discussões

• Comparação entre os trabalhos correlatos e a aplicação desenvolvida.

• Avaliação através do formulário on-line via Google Forms.

(26)

Comparação dos correlatos

com o B3-Feed

(27)

(28)

(29)

Conclusões: Objetivos

• Extrair notícias sobre o mercado acionário da Suno Notícias, Exame.com e InfoMoney;

– Alcançado através da implementação do Web Scraper;

• Buscar os ativos citados na notícia;

– Expressões regulares implementadas na API;

• Classificar o sentimento das notícias;

– Alcançado através do serviço Amazon Comprehend;

• Disponibilizar um aplicativo contendo um feed de notícias classificadas por seu sentimento;

(30)

Conclusões: Extensões

• Disponibilização para web;

• Quantidade de portais varridos pelo Web Scraper;

• Modelo de análise de sentimentos específico;

• Prever o viés do ativo pelo seu sentimento utilizando aprendizado de máquina.

(31)

(32)