Create App.py

App.py

@@ -0,0 +1,116 @@
+import gradio as gr
+import pandas as pd
+import numpy as np
+import tensorflow as tf
+import yfinance as yf
+from PIL import Image
+import ast
+from datetime import datetime, timedelta
+
+# Cargar el modelo
+modelo = tf.keras.models.load_model('binary_classification_model.keras')
+
+# Definir constantes
+img_height, img_width = 224, 224
+I_min, I_max = -3.5, 3.5
+
+# Definir listas de acciones
+mineria = ['BHP', 'RIO', 'VALE', 'NEM', 'FCX', 'GOLD', 'SCCO', 'TECK', 'AA', 'AEM']
+entretenimiento = ['DIS', 'NFLX', 'CMCSA', 'EA', 'TTWO', 'SONY', 'LYV', 'CNK', 'IMAX', 'AMC']
+tecnologia = ['AAPL', 'MSFT', 'GOOGL', 'AMZN', 'META', 'INTC', 'NVDA', 'CSCO', 'ORCL', 'IBM']
+alimentacion = ['KO', 'PEP', 'MDLZ', 'TSN', 'GIS', 'K', 'CAG', 'HSY', 'SYY', 'HRL']
+otros = ['JNJ', 'PG', 'WMT', 'XOM', 'JPM', 'V', 'PFE', 'HD', 'BA', 'MCD']
+acciones = mineria + entretenimiento + tecnologia + alimentacion + otros
+
+# Función para calcular fechas
+def calcular_fechas(fecha_fin_str):
+    fecha_fin = datetime.strptime(fecha_fin_str, '%Y-%m-%d')
+    if fecha_fin.weekday() == 0:  # Lunes es 0
+        fecha_inicio = fecha_fin - timedelta(days=3)
+    else:
+        fecha_inicio = fecha_fin - timedelta(days=1)  # Resta un día en otros casos
+    fecha_fin_mas_uno = fecha_fin + timedelta(days=1)
+    return fecha_inicio.strftime('%Y-%m-%d'), fecha_fin_mas_uno.strftime('%Y-%m-%d')
+
+# Función para escalar la matriz a RGB
+def escalar_matriz_rgb(matriz, I_min, I_max):
+    matriz_normalizada = (matriz - I_min) / (I_max - I_min)
+    rojo = (1 - matriz_normalizada.clip(max=0)) * 255
+    verde = matriz_normalizada.clip(min=0) * 255
+    azul = (1 - abs(matriz_normalizada)) * 255
+    imagen_rgb = np.stack([rojo, verde, azul], axis=-1).astype('uint8')
+    return imagen_rgb
+
+# Función para preparar la imagen
+def preparar_imagen(imagen):
+    imagen = imagen.resize((img_height, img_width))
+    imagen_array = np.array(imagen) / 255.0
+    imagen_array = np.expand_dims(imagen_array, axis=0)
+    return imagen_array
+
+# Función para combinar las puntuaciones en una matriz de intensidades
+def combinar_puntuaciones(z_vector):
+    z_columna = z_vector.reshape(-1, 1)
+    z_fila = z_vector.reshape(1, -1)
+    matriz_intensidad = (z_columna + z_fila) / 2
+    return matriz_intensidad
+
+# Función principal para procesar y predecir
+def procesar_y_predecir(fecha_fin_str):
+    # Calcular fechas de inicio y fin
+    fecha_inicio, fecha_fin_mas_uno = calcular_fechas(fecha_fin_str)
+
+    # Descargar datos y calcular los retornos
+    datos_acciones = yf.download(acciones, start=fecha_inicio, end=fecha_fin_mas_uno)['Adj Close']
+    valores = datos_acciones.pct_change().dropna().values[0]
+
+    # Valores fijos de desviación estándar y media
+    desviacion_retornos = pd.Series({
+        'AA': 0.033874, 'AAPL': 0.018052, 'AEM': 0.024548, 'AMC': 0.088641, 'AMZN': 0.020669,
+        'BA': 0.025481, 'BHP': 0.021584, 'CAG': 0.016168, 'CMCSA': 0.015756, 'CNK': 0.034773,
+        'CSCO': 0.015871, 'DIS': 0.017589, 'EA': 0.018129, 'FCX': 0.034673, 'GIS': 0.013253,
+        'GOLD': 0.024993, 'GOOGL': 0.017890, 'HD': 0.015374, 'HRL': 0.014172, 'HSY': 0.013699,
+        'IBM': 0.014975, 'IMAX': 0.029040, 'INTC': 0.022295, 'JNJ': 0.011410, 'JPM': 0.017179,
+        'K': 0.013803, 'KO': 0.011238, 'LYV': 0.023748, 'MCD': 0.012875, 'MDLZ': 0.013368,
+        'META': 0.023727, 'MSFT': 0.017148, 'NEM': 0.022646, 'NFLX': 0.027685, 'NVDA': 0.030759,
+        'ORCL': 0.017283, 'PEP': 0.011764, 'PFE': 0.014615, 'PG': 0.011667, 'RIO': 0.020612,
+        'SCCO': 0.022382, 'SONY': 0.018923, 'SYY': 0.018709, 'TECK': 0.035790, 'TSN': 0.017928,
+        'TTWO': 0.021477, 'V': 0.015461, 'VALE': 0.030546, 'WMT': 0.013344, 'XOM': 0.017617
+    })  # Coloca aquí las desviaciones
+    media_retornos = pd.Series({
+        'AA': 0.000632, 'AAPL': 0.001083, 'AEM': 0.000843, 'AMC': 0.001134, 'AMZN': 0.001229,
+        'BA': 0.000451, 'BHP': 0.000543, 'CAG': 0.000287, 'CMCSA': 0.000366, 'CNK': 0.000569,
+        'CSCO': 0.000543, 'DIS': 0.000201, 'EA': 0.000629, 'FCX': 0.000933, 'GIS': 0.000337,
+        'GOLD': 0.000649, 'GOOGL': 0.000899, 'HD': 0.000776, 'HRL': 0.000279, 'HSY': 0.000421,
+        'IBM': 0.000449, 'IMAX': 0.000262, 'INTC': 0.000170, 'JNJ': 0.000359, 'JPM': 0.000777,
+        'K': 0.000341, 'KO': 0.000398, 'LYV': 0.000882, 'MCD': 0.000679, 'MDLZ': 0.000443,
+        'META': 0.001095, 'MSFT': 0.001097, 'NEM': 0.000790, 'NFLX': 0.001496, 'NVDA': 0.002764,
+        'ORCL': 0.000768, 'PEP': 0.000434, 'PFE': 0.000253, 'PG': 0.000441, 'RIO': 0.000662,
+        'SCCO': 0.000949, 'SONY': 0.000867, 'SYY': 0.000538, 'TECK': 0.001210, 'TSN': 0.000411,
+        'TTWO': 0.000924, 'V': 0.000747, 'VALE': 0.000822, 'WMT': 0.000593, 'XOM': 0.000433
+    })  # Coloca aquí las medias
+
+    # Calcular puntuaciones z y generar la imagen
+    puntuaciones_z = (valores - media_retornos) / desviacion_retornos
+    puntuaciones_z_limited = puntuaciones_z.clip(lower=-3.5, upper=3.5)
+    matriz_intensidad = combinar_puntuaciones(puntuaciones_z_limited.values)
+    matriz_rgb = escalar_matriz_rgb(matriz_intensidad, I_min, I_max)
+    imagen = Image.fromarray(matriz_rgb, mode='RGB')
+    imagen_resized = imagen.resize((224, 224))
+    imagen_procesada = preparar_imagen(imagen_resized)
+
+    # Predecir con el modelo
+    prediccion = modelo.predict(imagen_procesada)
+    predicted_class = int((prediccion > 0.5).astype(int).flatten()[0])
+    mensaje = "Mañana va a ganar la NYSE" if predicted_class == 1 else "Mañana va a perder la NYSE"
+    
+    return imagen_resized, mensaje
+
+# Interfaz de Gradio
+iface = gr.Interface(
+    fn=procesar_y_predecir,
+    inputs=gr.Textbox(label="Fecha", placeholder="Ingresa la fecha en formato aaaa-mm-dd"),
+    outputs=[gr.Image(type="pil"), gr.Textbox(label="Predicción")]
+)
+
+iface.launch()