Este estudio destaca el rendimiento comparativo de modelos de IA de vanguardia, es decir, Representaciones Bidireccionales de Codificadores Financieros de Transformadores (FinBERT), Generador Preentrenado de Transformadores GPT-4 y Regresión Logística, para análisis de sentimientos y predicción de índices bursátiles utilizando noticias financieras y datos del índice NGX All-Share. Al aprovechar modelos avanzados de procesamiento del lenguaje natural como GPT-4 y FinBERT, junto con un modelo de aprendizaje automático tradicional, Regresión Logística, nuestro objetivo es clasificar el sentimiento del mercado, generar puntuaciones de sentimiento y predecir movimientos de precios en el mercado. Esta investigación destaca los avances globales de IA en los mercados bursátiles, mostrando cómo los modelos de lenguaje de última generación pueden contribuir a la comprensión de datos financieros complejos. Los modelos fueron evaluados utilizando métricas como precisión, recuperación, puntuación F1 y AUC de ROC. Los resultados indican que la Regresión Logística superó a FinBERT, más intensivo computacionalmente, y al enfoque predefinido del versátil GPT-4, con una precisión del 81.83% y un AUC de ROC del 89.76%. El enfoque predefinido de GPT-4 exhibió una precisión más baja del 54.19% pero demostró un fuerte potencial para manejar datos complejos. FinBERT, aunque ofrece un análisis más sofisticado, era exigente en recursos y tuvo un rendimiento moderado. La optimización de hiperparámetros utilizando Optuna y técnicas de validación cruzada aseguraron la robustez de los modelos. Este estudio destaca las fortalezas y limitaciones de las aplicaciones prácticas de los enfoques de IA en la predicción del mercado de valores y presenta a la Regresión Logística como el modelo más eficiente para esta tarea, con FinBERT y GPT-4 representando herramientas emergentes con potencial para futuras exploraciones e innovaciones en análisis financiero impulsado por IA.