La predicción del precio de las acciones puede ser más eficiente al considerar las fluctuaciones de precios y comprender los sentimientos de las personas. Un número limitado de modelos entienden el argot financiero o tienen conjuntos de datos etiquetados sobre cambios en el precio de las acciones. Para superar este desafío, presentamos FinALBERT, un modelo basado en ALBERT entrenado para manejar tareas de clasificación de texto de dominio financiero etiquetando datos de texto de Stocktwits basados en cambios en el precio de las acciones. Recopilamos datos de Stocktwits durante más de diez años para 25 empresas diferentes, incluidas las cinco principales FAANG (Facebook, Amazon, Apple, Netflix, Google). Estos conjuntos de datos fueron etiquetados con tres técnicas de etiquetado basadas en cambios en el precio de las acciones. Nuestro modelo propuesto FinALBERT se ajusta con estas etiquetas para lograr resultados óptimos. Experimentamos con el conjunto de datos etiquetado entrenándolo en modelos de aprendizaje automático tradicionales, BERT y FinBERT, lo que nos ayudó a comprender cómo se comportaban estas etiquetas con diferentes arquitecturas de modelos. La ventaja competitiva de nuestro método de etiquetado es que puede ayudar a analizar los datos históricos de manera efectiva y la función matemática se puede personalizar fácilmente para predecir el movimiento de las acciones.