Sistema Inteligente de Análisis de Sentimientos de Mercados Financieros mediante Transformers y Redes Generativas Adversarias.

Abstract

Este trabajo presenta el desarrollo de una plataforma interactiva para el análisis del sentimiento expresado en titulares financieros y la visualización de su impacto sobre el comportamiento del mercado. Se han aplicado diferentes enfoques de procesamiento del lenguaje natural (NLP), desde modelos clásicos basados en diccionarios hasta redes neuronales LSTM y modelos transformers especializados como FinBERT y FinancialBERT. Además, se ha realizado el fine-tuning de varios modelos para adaptarlos mejor al contexto financiero, integrándolos después en un ensemble que combina sus predicciones. Una parte clave del proyecto ha sido evaluar cuál de estos modelos ofrece mejores resultados y cómo de bien son capaces de clasificar titulares como positivos, negativos o neutros. A partir de ahí, se ha desarrollado una interfaz interactiva en Streamlit que permite al usuario explorar la evolución del sentimiento por empresa y periodo temporal, realizar análisis de tópicos por clase emocional y generar resúmenes automáticos a partir de los titulares. También se ha cruzado este análisis textual con datos reales del mercado (precios y volumen de acciones), generando una capa adicional de insights para entender mejor qué está pasando y por qué. Los resultados muestran una mejora significativa en la clasificación de sentimientos al aplicar fine-tuning y estrategias de combinación de modelos, lo que respalda la viabilidad del sistema para tareas reales de análisis financiero.This project presents the development of an interactive platform for analyzing the sentiment expressed in financial news headlines and visualizing its impact on market behavior. Different natural language processing (NLP) approaches have been applied, ranging from traditional dictionary-based models to LSTM neural networks and specialized transformer models such as FinBERT and FinancialBERT. In addition, several models have been fine-tuned to better adapt to the financial context and then integrated into an ensemble that combines their predictions. A key part of the project was evaluating which of these models performs best and how accurately they can classify headlines as positive, negative, or neutral. Based on this, an interactive Streamlit interface was developed, allowing users to explore sentiment trends by company and time period, perform topic modeling by sentiment class, and generate automatic summaries from the headlines. This textual analysis was also cross-referenced with real market data (stock prices and volumes), adding an extra layer of insights to better understand what is happening and why. The results show a significant improvement in sentiment classification when applying fine-tuning and ensemble strategies, supporting the system’s viability for real-world financial analysis tasks.