Este es un esfuerzo por analizar la reacción de los precios de las acciones de los bancos públicos y privados indios que cotizan en la NSE y BSE ante el anuncio de siete eventos de noticias en el mejor de los casos. Varios estudios recientes han analizado la correlación entre los precios de las acciones y los anuncios de noticias; sin embargo, no hay evidencia sobre cómo reaccionan las acciones de los bancos indios del sector privado y público a eventos de noticias importantes de manera independiente. Examinamos estas características concentrándonos en una muestra de eventos de noticias bancarias y gubernamentales. Clasificamos estos eventos de noticias para crear un grupo de anuncios de tono negativo y un grupo de anuncios de tono positivo (sentimientos). Los resultados estadísticos muestran que los anuncios de noticias bancarias negativas tuvieron un impacto de un mes en los bancos privados, con CARs medios negativos estadísticamente significativos. Sin embargo, con CARs medios negativos altamente significativos, se observó que la influencia de los anuncios de noticias bancarias negativas en los bancos públicos se mantuvo durante dos meses después de la publicación de la noticia. Además, la influencia de las noticias bancarias positivas en los bancos privados persistió un mes después de la publicación de la noticia. Los eventos de noticias bancarias positivas tuvieron una influencia en los bancos públicos durante cinco días después de su publicación. El estudio concluye que las acciones de los bancos públicos reaccionan más a los anuncios de noticias negativas que a los anuncios de noticias positivas de la misma manera que la polaridad sentimental de los anuncios de noticias en comparación con las acciones de los bancos privados. Primero, recuperamos los artículos de noticias publicados en portales de noticias financieras en línea prominentes entre 2017 y 2020, y se extrajeron y clasificaron los siete eventos de noticias principales utilizando clasificación de texto multicategoría. El clasificador Random Forest produjo una precisión significativa del 94% con embeddings preentrenados de DistilBERT, un modelo de red neuronal, que superó la técnica tradicional de representación de características, TF-IDF. Los datos de entrenamiento para el clasificador se equilibraron utilizando la técnica de muestreo SMOTE.