diff --git a/Models/Sentiment Analysis for Stock Market Prediction.py b/Models/Sentiment Analysis for Stock Market Prediction.py
index 39c3654..665d654 100644
--- a/Models/Sentiment Analysis for Stock Market Prediction.py	
+++ b/Models/Sentiment Analysis for Stock Market Prediction.py	
@@ -277,8 +277,8 @@ def calculate_sentiment_score(noun_list):
     "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36"
 }
 
-start_date = datetime.datetime.now() - datetime.timedelta(days=30)
-end_date = datetime.datetime.now() - datetime.timedelta(days=5)
+start_date = datetime.datetime.now() - datetime.timedelta(days=5)
+end_date = datetime.datetime.now() - datetime.timedelta(days=1)
 current_date = start_date
 
 news_data = []
@@ -322,7 +322,7 @@ def calculate_sentiment_score(noun_list):
 else:
     print("미래 주식 시장은 부정적으로 움직일 것으로 예상됩니다.")
 
-    # 각 뉴스의 감성 점수를 바탕으로 긍정적 및 부정적 뉴스 개수 확인 및 출력
+# 각 뉴스의 감성 점수를 바탕으로 긍정적 및 부정적 뉴스 개수 확인 및 출력
 sent_mean = news_df['sent_score'].mean()
 
 pos_news = len(news_df[news_df['sent_score'] > sent_mean])
@@ -338,4 +338,31 @@ def calculate_sentiment_score(noun_list):
 
 print("\n부정적 뉴스 예시:")
 for title in news_df[news_df['sent_score'] <= sent_mean]['title'].head(5):
-    print("-", title)
\ No newline at end of file
+    print("-", title)
+
+    
+weight_bilstm = 0.7  # Bi-LSTM 모델에 부여할 가중치
+weight_sentiment = 0.3  # 감성 사전에 부여할 가중치
+
+# Bi-LSTM 모델의 예측 결과와 감성 사전의 점수를 각각 가져오기
+bilstm_scores = predicted.flatten() 
+sentiment_scores = news_df['sent_score'].values 
+
+# 이진 분류 문제라면 임계값을 설정하여 긍정/부정으로 분류
+threshold = 0.7
+
+# 각 비율 계산
+bilstm_positive_ratio = (bilstm_scores > threshold).mean()
+sentiment_positive_ratio = (sentiment_scores > sent_mean).mean()
+
+# 가중 평균 계산
+final_positive_ratio = (weight_bilstm * bilstm_positive_ratio) + (weight_sentiment * sentiment_positive_ratio)
+
+# 결과 출력
+if final_positive_ratio > 0.5:
+    print("종합적으로 긍정적인 결과가 나왔습니다.")
+else:
+    print("종합적으로 부정적인 결과가 나왔습니다.")
+
+print(f"종합적인 긍정 비율: {final_positive_ratio * 100:.2f}%")
+print(f"종합적인 부정 비율: {100 - final_positive_ratio * 100:.2f}%")
diff --git a/app.py b/app.py
index fbe951a..e5def1a 100644
--- a/app.py
+++ b/app.py
@@ -914,8 +914,8 @@ def calculate_sentiment_score(noun_list):
         "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36"
     }
 
-    start_date = datetime.datetime.now() - datetime.timedelta(days=30)
-    end_date = datetime.datetime.now() - datetime.timedelta(days=5)
+    start_date = datetime.datetime.now() - datetime.timedelta(days=5)
+    end_date = datetime.datetime.now() - datetime.timedelta(days=1)
     current_date = start_date
 
     news_data = []
@@ -951,38 +951,46 @@ def calculate_sentiment_score(noun_list):
     # 훈련된 Bi-LSTM 모델로 예측
     predicted = model.predict(X_test_padded)
     news_df['predicted_label'] = (predicted > 0.5).astype(int)
+     
+    weight_bilstm = 0.7  # Bi-LSTM 모델에 부여할 가중치
+    weight_sentiment = 0.3  # 감성 사전에 부여할 가중치
 
-    # 결과 출력
-    positive_news_ratio = news_df['predicted_label'].sum() / len(news_df)
-    if positive_news_ratio > 0.5:
-        print("미래 주식 시장은 긍정적으로 움직일 것으로 예상됩니다.")
-    else:
-        print("미래 주식 시장은 부정적으로 움직일 것으로 예상됩니다.")
+    # Bi-LSTM 모델의 예측 결과와 감성 사전의 점수를 각각 가져오기
+    bilstm_scores = predicted.flatten() 
+    sentiment_scores = news_df['sent_score'].values 
+
+    # 임계값을 설정하여 긍정/부정으로 분류
+    threshold = 0.7
 
-        # 각 뉴스의 감성 점수를 바탕으로 긍정적 및 부정적 뉴스 개수 확인 및 출력
-    sent_mean = news_df['sent_score'].mean()
+    # 각 비율 계산
+    bilstm_positive_ratio = (bilstm_scores > threshold).mean()
+    sentiment_positive_ratio = (sentiment_scores > sent_mean).mean()
 
-    pos_news = len(news_df[news_df['sent_score'] > sent_mean])
-    neg_news = len(news_df[news_df['sent_score'] <= sent_mean])
-    total_news = len(news_df)
+    # 가중 평균 계산
+    final_positive_ratio = (weight_bilstm * bilstm_positive_ratio) + (weight_sentiment * sentiment_positive_ratio)
 
-    print(f"긍정적 뉴스 수: {pos_news} ({pos_news/total_news*100:.2f}%)")
-    print(f"부정적 뉴스 수: {neg_news} ({neg_news/total_news*100:.2f}%)")
+    # 결과 출력
+    if final_positive_ratio > 0.5:
+        print("종합적으로 긍정적인 결과가 나왔습니다.")
+    else:
+        print("종합적으로 부정적인 결과가 나왔습니다.")
 
-    print("\n긍정적 뉴스 예시:")
-    for title in news_df[news_df['sent_score'] > sent_mean]['title'].head(5):
-        print("-", title)
+    print(f"종합적인 긍정 비율: {final_positive_ratio * 100:.2f}%")
+    print(f"종합적인 부정 비율: {100 - final_positive_ratio * 100:.2f}%")
 
-    print("\n부정적 뉴스 예시:")
-    for title in news_df[news_df['sent_score'] <= sent_mean]['title'].head(5):
-        print("-", title)
+    if final_positive_ratio > 0.5:
+            prediction_result = "미래 주식 시장은 긍정적으로 예측됩니다 ."
+    else:
+            prediction_result = "미래 주식 시장은 부정적으로 예측됩니다.."
 
+    positive_percentage = final_positive_ratio * 100
+    negative_percentage = 100 - positive_percentage
+
+        # API 응답 형식 구성
     response_market = {
-        "prediction": "positive" if positive_news_ratio > 0.5 else "negative",
-        "positive_news_count": pos_news,
-        "negative_news_count": neg_news,
-        "positive_news_examples": list(news_df[news_df['sent_score'] > sent_mean]['title'].head(5)),
-        "negative_news_examples": list(news_df[news_df['sent_score'] <= sent_mean]['title'].head(5))
+        "prediction_result": prediction_result,
+        "positive_percentage": f"{positive_percentage:.2f}%",
+        "negative_percentage": f"{negative_percentage:.2f}%"
     }
     return jsonify(response_market)
 
@@ -1092,7 +1100,6 @@ def risk_parity_objective(weights, volatilities):
     return jsonify(response_portfolio)
 
 @app.route("/recommend_stock", methods = ['POST'])
-
 def recommend_stock():
     if request.method == 'POST':
         data = request.json
diff --git a/best_model.h5 b/best_model.h5
index f781c21..ce1109d 100644
Binary files a/best_model.h5 and b/best_model.h5 differ