This paper addresses the critical need for efficient market analysis tools in the era of big data and artificial intelligence. We present
a novel software service that integrates real-time news sentiment analysis with stock market prediction, enhancing the accuracy and
speed of trading decisions. The system employs APIs for data collection, FinBERT for sentiment analysis, and MongoDB for data storage, overcoming limitations of existing platforms like Investing.com and MarketWatch. Our methodology combines sentiment analysis
with autoregressive models to forecast stock prices for 11 major companies. The experiment utilized 141 observations, applying multiple
regression and binary outcome models. Results demonstrate that investor sentiment significantly affects stock prices for 2 out of 11
companies, with Meta showing a 70 % determination coefficient in price direction changes based on sentiment. The study reveals that
incorporating both quantitative (previous stock prices) and qualitative (sentiment) data improves forecast accuracy for certain stocks.
This research contributes to the field of financial analytics by providing a more comprehensive approach to stock price prediction, integrating ML models and data analytics to support informed decision-making in dynamic financial markets.
У статті розглянута нагальна потреба в ефективних інструментах аналізу ринку в еру великих даних і штучного
інтелекту. Ми представляємо новий програмний сервіс, який інтегрує аналіз новинних настроїв у реальному часі з
прогнозуванням фондового ринку, підвищуючи точність і швидкість прийняття торгових рішень. Система використовує API
для збору даних, FinBERT для аналізу настроїв та MongoDB для зберігання даних, долаючи обмеження існуючих платформ,
таких як Investing.com та MarketWatch. Наша методологія поєднує аналіз настроїв з авторегресійними моделями для
прогнозування цін на акції 11 найбільших компаній. В експерименті було використано 141 спостереження із застосуванням
множинної регресії та моделі з бінарними результатами. Результати демонструють, що настрої інвесторів суттєво впливають на
ціни акцій 2 з 11 компаній, причому Meta демонструє коефіцієнт детермінації 70%, що пояснює напрямки зміни цін акцій на
основі настроїв інвесторів. Дослідження показує, що врахування як кількісних (попередні ціни акцій), так і якісних (настрої
інвесторів) даних підвищує точність прогнозу для акцій певних компаній. Стаття робить внесок у сферу фінансової аналітики,
пропонуючи більш комплексний підхід до прогнозування цін на акції, інтегруючи моделі машинного навчання та аналізу даних
для підтримки прийняття обґрунтованих рішень на динамічних фінансових ринках.
