PYield 0.26.4__tar.gz → 0.26.6__tar.gz

{pyield-0.26.4 → pyield-0.26.6}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: PYield
-Version: 0.26.4
+Version: 0.26.6
 Summary: A Python library for analysis of fixed income instruments in Brazil
 Project-URL: Source, https://github.com/crdcj/PYield
 Author-email: Carlos Carvalho <cr.cj@outlook.com>

pyield-0.26.6/pyield/__about__.py

@@ -0,0 +1 @@
+__version__ = "0.26.6"

{pyield-0.26.4 → pyield-0.26.6}/pyield/bc/auction.py

@@ -1,6 +1,8 @@
 """
 Documentação da API do BC
-https://olinda.bcb.gov.br/olinda/servico/leiloes_selic/versao/v1/aplicacao#!/recursos/leiloesTitulosPublicos#eyJmb3JtdWxhcmlvIjp7IiRmb3JtYXQiOiJqc29uIiwiJHRvcCI6MTAwfX0=
+    https://olinda.bcb.gov.br/olinda/servico/leiloes_selic/versao/v1/aplicacao#!/recursos/leiloesTitulosPublicos#eyJmb3JtdWxhcmlvIjp7IiRmb3JtYXQiOiJqc29uIiwiJHRvcCI6MTAwfX0=
+Exemplo de chamada:
+    https://olinda.bcb.gov.br/olinda/servico/leiloes_selic/versao/v1/odata/leiloesTitulosPublicos(dataMovimentoInicio=@dataMovimentoInicio,dataMovimentoFim=@dataMovimentoFim,dataLiquidacao=@dataLiquidacao,codigoTitulo=@codigoTitulo,dataVencimento=@dataVencimento,edital=@edital,tipoPublico=@tipoPublico,tipoOferta=@tipoOferta)?@dataMovimentoInicio='2025-01-30'&@dataMovimentoFim='2025-01-30'&@tipoOferta='Venda'&$top=100&$format=json
 """
 
 import io
@@ -10,7 +12,7 @@ from typing import Literal
 import pandas as pd
 import requests
 
-import pyield as yd
+from pyield import bday
 from pyield import date_converter as dc
 from pyield.date_converter import DateScalar
 from pyield.tpf.ntnb import duration as duration_b
@@ -128,7 +130,7 @@ def _adjust_null_values(df: pd.DataFrame) -> pd.DataFrame:
 
 
 def _add_dv01(df: pd.DataFrame) -> pd.DataFrame:
-    df["BDToMat"] = yd.bday.count(start=df["Date"], end=df["Maturity"])
+    df["BDToMat"] = bday.count(start=df["Date"], end=df["Maturity"])
 
     is_accepted = df["AcceptedQuantityFR"] != 0  # noqa
     df_not_accepted = df.query("~@is_accepted").reset_index(drop=True)
@@ -170,16 +172,6 @@ def _add_dv01(df: pd.DataFrame) -> pd.DataFrame:
     return df
 
 
-def _filter_auction_by_type(
-    df: pd.DataFrame, auction_type: Literal["Sell", "Buy"]
-) -> pd.DataFrame:
-    auction_type_mapping = {"Venda": "Sell", "Compra": "Buy"}
-    auction_type = auction_type_mapping.get(auction_type)
-    if auction_type:
-        df = df.query(f"AuctionType == '{auction_type}'").reset_index(drop=True)
-    return df
-
-
 def _sort_and_reorder_columns(df: pd.DataFrame) -> pd.DataFrame:
     column_sequence = [
         "Date",
@@ -213,17 +205,16 @@ def _sort_and_reorder_columns(df: pd.DataFrame) -> pd.DataFrame:
     return df[column_sequence].sort_values(by=primary_sort_keys).reset_index(drop=True)
 
 
-def _fetch_df_from_url(
-    url: str,
-    auction_type: Literal["Sell", "Buy"] = None,
-) -> pd.DataFrame:
+def _fetch_df_from_url(url: str) -> pd.DataFrame:
     try:
         df = _load_from_url(url)
+        if df.empty:
+            logging.warning("No auction data found for the specified period.")
+            return pd.DataFrame()
         df = _pre_process_df(df)
         df = _adjust_null_values(df)
         df = _process_df(df)
         df = _add_dv01(df)
-        df = _filter_auction_by_type(df, auction_type)
         df = _sort_and_reorder_columns(df)
         return df
     except Exception:
@@ -231,92 +222,109 @@ def _fetch_df_from_url(
         return pd.DataFrame()
 
 
-def get_all_auctions() -> pd.DataFrame:
-    """
-    Retrieves a DataFrame containing all public auction data from the BC.
-
-    This function fetches the complete series of public auctions conducted by the
-    National Treasury via the BC API and processes it to a standardized DataFrame.
-
-    Returns:
-        pd.DataFrame: A DataFrame sorted by Date, AuctionType, BondType, and Maturity
-            containing auction data. In case of an error during data retrieval, an empty
-            DataFrame is returned and an error message is logged.
-    """
-    # URL com toda a série de leilões de títulos públicos do Tesouro Nacional
-    url = f"{BASE_API_URL}$format=text/csv"
-
-    return _fetch_df_from_url(url)
-
-
 def auctions(
-    start: DateScalar,
+    start: DateScalar | None = None,
     end: DateScalar | None = None,
     auction_type: Literal["Sell", "Buy"] = None,
 ) -> pd.DataFrame:
     """
-    Retrieves auction data for a given date range and auction type.
-
-    It fetches auction data from the BC API for the specified start and end dates.
-    If the end date is not provided, it defaults to the start date.
-    The resulting data is then filtered by the specified auction type ("Sell" or "Buy").
-    "Sell" auctions are those where the National Treasury sells bonds to the market.
-    "Buy" auctions are those where the National Treasury buys bonds from the market.
+    Recupera dados de leilões para um determinado período e tipo de leilão da API do BC.
+
+    **Consultas de Período:**
+    - Para consultar dados de um intervalo, forneça as datas de `start` e `end`.
+      Exemplo: `auctions(start='2024-10-20', end='2024-10-27')`
+    - Se apenas `start` for fornecido, a API do BC retornará dados de leilão a partir
+      da data de `start` **até a data mais recente disponível**.
+      Exemplo: `auctions(start='2024-10-20')`
+    - Se apenas `end` for fornecido, a API do BC retornará dados de leilão **desde a
+      data mais antiga disponível até a data de `end`**.
+      Exemplo: `auctions(end='2024-10-27')`
+
+    **Série Histórica Completa:**
+    - Para recuperar a série histórica completa de leilões (desde 12/11/2012 até o
+      último dia útil), chame a função sem fornecer os parâmetros `start` e `end`.
+      Exemplo: `auctions()`
+
+    Busca dados de leilões da API do BC para as datas de início e fim especificadas,
+    filtrando os resultados diretamente na API pelo tipo de leilão, se especificado.
+    O comportamento da função em relação aos parâmetros `start` e `end` segue o padrão
+    da API do Banco Central:
+    - Se `start` for fornecido e `end` não, a função retorna dados de `start` até o fim.
+    - Se `end` for fornecido e `start` não, a API retorna dados do início até `end`.
+    - Se ambos `start` e `end` forem omitidos, a API retorna a série histórica completa.
+
+    Os dados podem ser filtrados pelo tipo de leilão especificado ("Sell" ou "Buy").
+    Leilões de "Sell" são aqueles em que o Tesouro Nacional vende títulos ao mercado.
+    Leilões de "Buy" são aqueles em que o Tesouro Nacional compra títulos do mercado.
 
     Args:
-        start (DateScalar): The start date for the auction data query.
-        end (DateScalar | None, optional): The end date for the auction data query.
-            If None, the start date is used. Defaults to None.
-        auction_type (Literal["Sell", "Buy"], optional): The type of auction to filter
-            by. Defaults to "Sell".
+        start (DateScalar, opcional): A data de início para a consulta dos leilões.
+            Se `start` for fornecido e `end` for `None`, a API retornará dados de
+            leilão a partir de `start` até a data mais recente disponível.
+            Se `start` e `end` forem `None`, a série histórica completa será retornada.
+            Padrão é `None`.
+        end (DateScalar, opcional): A data de fim para a consulta de dados de leilão.
+            Se `end` for fornecido e `start` for `None`, a API retornará dados de
+            leilão desde a data mais antiga disponível até a data de `end`.
+            Se `start` e `end` forem `None`, a série histórica completa será retornada.
+            Padrão é `None`.
+        auction_type (Literal["Sell", "Buy"], opcional): O tipo de leilão para filtrar
+            diretamente na API. Padrão é `None` (retorna todos os tipos de leilão).
 
     Returns:
-        pd.DataFrame: A DataFrame containing auction data for the specified date range
-            and auction type. In case of an error during data retrieval, an empty
-            DataFrame is returned and an error message is logged.
+        pd.DataFrame: Um DataFrame contendo dados de leilões para o período e tipo
+            especificados. Em caso de erro ao buscar os dados, um DataFrame vazio
+            é retornado e uma mensagem de erro é registrada no log.
 
     Notes:
-        FR = First Round
-        SR = Second Round
-
-        The DataFrame has the following columns:
-            - Date: Date of the auction.
-            - Settlement: Settlement date of the auction.
-            - AuctionType: Type of auction (e.g., "Sell" or "Buy").
-            - Ordinance: Normative ordinance associated with the auction.
-            - Buyer: Buyer category (e.g., "TodoMercado", "SomenteDealerApto").
-            - BondType: Category of the bond (e.g., "LTN", "LFT", "NTN-B", "NTN-F").
-            - Maturity: Bond maturity date.
-            - SelicCode: Bond code in the Selic system.
-            - Value: Total value of the auction in R$ (FR + SR).
-            - ValueFR: First round (FR) value of the auction in R$.
-            - ValueSR: Value in the second round (SR) in R$.
-            - OfferedQuantity: Total quantity offered in the auction (FR + SR).
-            - OfferedQuantityFR: Quantity offered in the first round (FR).
-            - OfferedQuantitySR: Quantity offered in the second round (SR).
-            - AcceptedQuantity: Total quantity accepted in the auction (FR + SR).
-            - AcceptedQuantityFR: Quantity accepted in the first round (FR).
-            - AcceptedQuantitySR: Quantity accepted in the second round (SR).
-            - AvgPrice: Average price in the auction.
-            - CutPrice: Cut-off price.
-            - AvgRate: Average interest rate.
-            - CutRate: Cut-off rate.
-            - BDToMat: Business days to maturity.
-            - Duration: Duration of the bond.
-            - MDuration: Modified duration of the bond.
-            - DV01FR: First Round (FR) dollar value of a 1 bp change in yield in R$.
-
+        FR = First Round (Primeira Rodada)
+        SR = Second Round (Segunda Rodada)
+
+        O DataFrame possui as seguintes colunas:
+            - Date: Data do leilão.
+            - Settlement: Data de liquidação do leilão.
+            - AuctionType: Tipo de leilão (ex: "Sell" ou "Buy").
+            - Ordinance: Edital normativo associado ao leilão.
+            - Buyer: Categoria do comprador (ex: "TodoMercado", "SomenteDealerApto").
+            - BondType: Categoria do título (ex: "LTN", "LFT", "NTN-B", "NTN-F").
+            - Maturity: Data de vencimento do título.
+            - SelicCode: Código do título no sistema Selic.
+            - Value: Valor total do leilão em R$ (FR + SR).
+            - ValueFR: Valor da primeira rodada (FR) do leilão em R$.
+            - ValueSR: Valor da segunda rodada (SR) em R$.
+            - OfferedQuantity: Quantidade total ofertada no leilão (FR + SR).
+            - OfferedQuantityFR: Quantidade ofertada na primeira rodada (FR).
+            - OfferedQuantitySR: Quantidade ofertada na segunda rodada (SR).
+            - AcceptedQuantity: Quantidade total aceita no leilão (FR + SR).
+            - AcceptedQuantityFR: Quantidade aceita na primeira rodada (FR).
+            - AcceptedQuantitySR: Quantidade aceita na segunda rodada (SR).
+            - AvgPrice: Preço médio no leilão.
+            - CutPrice: Preço de corte.
+            - AvgRate: Taxa de juros média.
+            - CutRate: Taxa de corte.
+            - BDToMat: Dias úteis até o vencimento.
+            - Duration: Duration (Duração) do título.
+            - MDuration: Modified Duration (Duração Modificada) do título.
+            - DV01FR: Dollar Value of 1 bp change in yield - Primeira Rodada (FR) em R$.
     """
+    url = BASE_API_URL
+    if start:
+        start = dc.convert_input_dates(start)
+        start_str = start.strftime("%Y-%m-%d")
+        url += f"@dataMovimentoInicio='{start_str}'"
 
-    start = dc.convert_input_dates(start)
     if end:
         end = dc.convert_input_dates(end)
-    else:
-        end = start
+        end_str = end.strftime("%Y-%m-%d")
+        url += f"&@dataMovimentoFim='{end_str}'"
 
-    start_str = start.strftime("%Y-%m-%d")
-    end_str = end.strftime("%Y-%m-%d")
-    # url = f"https://olinda.bcb.gov.br/olinda/servico/leiloes_selic/versao/v1/odata/leiloesTitulosPublicos(dataMovimentoInicio=@dataMovimentoInicio,dataMovimentoFim=@dataMovimentoFim,dataLiquidacao=@dataLiquidacao,codigoTitulo=@codigoTitulo,dataVencimento=@dataVencimento,edital=@edital,tipoPublico=@tipoPublico,tipoOferta=@tipoOferta)?@dataMovimentoInicio='{start_str}'&@dataMovimentoFim='{end_str}'&$format=text/csv"
-    url = f"{BASE_API_URL}@dataMovimentoInicio='{start_str}'&@dataMovimentoFim='{end_str}'&$format=text/csv"  # noqa
+    # Mapeamento do auction_type para o valor esperado pela API
+    auction_type_mapping = {"Sell": "Venda", "Buy": "Compra"}
+    auction_type_api_value = auction_type_mapping.get(auction_type)
+    # Adiciona o parâmetro tipoOferta à URL se auction_type for fornecido
+    if auction_type_api_value:
+        url += f"&@tipoOferta='{auction_type_api_value}'"
 
-    return _fetch_df_from_url(url, auction_type)
+    url += "&$format=text/csv"  # Adiciona o formato CSV ao final
+
+    return _fetch_df_from_url(url)

pyield-0.26.6/pyield/ima.py

@@ -0,0 +1,154 @@
+import io
+import logging
+from typing import Literal
+
+import pandas as pd
+import requests
+
+ima_types = Literal[
+    "IRF-M 1",
+    "IRF-M 1+",
+    "IRF-M",
+    "IMA-B 5",
+    "IMA-B 5+",
+    "IMA-B",
+    "IMA-S",
+    "IMA-GERAL-EX-C",
+    "IMA-GERAL",
+]
+
+LAST_IMA_COL_MAPPING = {
+    # "2",
+    "Data de Referência": "Date",
+    "INDICE": "IMAType",
+    "Títulos": "BondType",
+    "Data de Vencimento": "Maturity",
+    "Código SELIC": "SelicCode",
+    "Código ISIN": "ISIN",
+    "Taxa Indicativa (% a.a.)": "IndicativeRate",
+    "PU (R$)": "Price",
+    # "PU de Juros (R$)": "InterestPrice",
+    "Quantidade (1.000 títulos)": "MarketQuantity",
+    "Quantidade Teórica (1.000 títulos)": "TheoreticalQuantity",
+    "Carteira a Mercado (R$ mil)": "MarketValue",
+    "Peso (%)": "Weight",
+    "Prazo (d.u.)": "BDToMat",
+    "Duration (d.u.)": "Duration",
+    # "Número de Operações *": "NumberOfOperations",
+    # "Quant. Negociada (1.000 títulos) *": "NegotiatedQuantity",
+    # "Valor Negociado (R$ mil) *": "NegotiatedValue",
+    "PMR": "PMR",  # Prazmo médio de repactuação
+    "Convexidade": "Convexity",
+}
+
+
+LAST_IMA_URL = "https://www.anbima.com.br/informacoes/ima/arqs/ima_completo.txt"
+
+
+def _fetch_last_ima() -> pd.DataFrame:
+    r = requests.get(LAST_IMA_URL)
+    r.raise_for_status()
+    r.encoding = "latin1"
+    text = r.text.split("2@COMPOSIÇÃO DE CARTEIRA")[1].strip()
+    string_io_buffer = io.StringIO(text)
+
+    df = pd.read_csv(
+        string_io_buffer,
+        sep="@",
+        decimal=",",
+        thousands=".",
+        dtype_backend="numpy_nullable",
+    )
+
+    return df
+
+
+def _process_last_ima(df: pd.DataFrame) -> pd.DataFrame:
+    df = df.rename(columns=LAST_IMA_COL_MAPPING)[LAST_IMA_COL_MAPPING.values()]
+    df["IndicativeRate"] = (df["IndicativeRate"] / 100).round(6)
+    df["Date"] = pd.to_datetime(df["Date"], format="%d/%m/%Y")
+    df["Maturity"] = pd.to_datetime(df["Maturity"], format="%d/%m/%Y")
+    df["MarketQuantity"] = (1000 * df["MarketQuantity"]).astype("Int64")
+    df["Price"] = df["Price"].round(6)
+    # Duration is in business days, convert to years
+    df["Duration"] /= 252
+    mduration = df["Duration"] / (1 + df["IndicativeRate"])
+    dv01 = 0.0001 * df["Price"] * mduration * df["MarketQuantity"]
+    # Since DV01 and MarketValue are total stock values, we round them to integers
+    df["MarketDV01"] = dv01.round(0).astype("Int64")
+    df["MarketValue"] = (1000 * df["MarketValue"]).round(0).astype("Int64")
+    return df
+
+
+def _reorder_last_ima(df: pd.DataFrame) -> pd.DataFrame:
+    col_order = [
+        "Date",
+        "IMAType",
+        "BondType",
+        "Maturity",
+        "SelicCode",
+        "ISIN",
+        "Weight",
+        "IndicativeRate",
+        "Price",
+        "BDToMat",
+        "Duration",
+        "PMR",
+        "Convexity",
+        "TheoreticalQuantity",
+        "MarketDV01",
+        "MarketQuantity",
+        "MarketValue",
+    ]
+    return df[col_order].reset_index(drop=True)
+
+
+def ima(ima_type: ima_types | None = None) -> pd.DataFrame:
+    """
+    Fetch and process the last IMA market data available from ANBIMA.
+
+    This function processes the data into a structured DataFrame.
+    It handles conversion of date formats, renames columns to English, and converts
+    certain numeric columns to integer types. In the event of an error during data
+    fetching or processing, an empty DataFrame is returned.
+
+    Args:
+        ima_type (str, optional): Type of IMA index to filter the data. If None, all
+            IMA indexes are returned. Defaults to None.
+
+    Returns:
+        pd.DataFrame: A DataFrame containing the IMA data with the following columns:
+            - Date: Reference date of the data.
+            - Index: IMA index.
+            - BondType: Type of bond.
+            - Maturity: Bond maturity date.
+            - SelicCode: Code representing the SELIC rate.
+            - ISIN: International Securities Identification Number.
+            - Price: Bond price.
+            - Weight: Weight of the bond in the index.
+            - BDToMat: Business days to maturity.
+            - Duration: Duration of the bond in years.
+            - PMR: Average repurchase term.
+            - Convexity: Convexity of the bond.
+            - TheoreticalQuantity: Theoretical quantity.
+            - MarketDV01: Market DV01 in R$.
+            - MarketQuantity: Market quantity.
+            - MarketValue: Market value in R$.
+
+
+    Raises:
+        Exception: Logs error and returns an empty DataFrame if any error occurs during
+            fetching or processing.
+
+    """
+    try:
+        df = _fetch_last_ima()
+        df = _process_last_ima(df)
+        df = _reorder_last_ima(df)
+        if ima_type is not None:
+            df = df.query("IMAType == @ima_type").reset_index(drop=True)
+        df = df.sort_values(["IMAType", "BondType", "Maturity"]).reset_index(drop=True)
+        return df
+    except Exception as e:
+        logging.exception(f"Error fetching or processing the last IMA data: {e}")
+        return pd.DataFrame()

pyield-0.26.4/pyield/__about__.py

@@ -1 +0,0 @@
-__version__ = "0.26.4"

pyield-0.26.4/pyield/ima.py

@@ -1,143 +0,0 @@
-import io
-import logging
-import re
-import warnings
-
-import pandas as pd
-import requests
-from bs4 import XMLParsedAsHTMLWarning
-
-from pyield import date_converter as dc
-from pyield.date_converter import DateScalar
-
-IMA_URL = "https://www.anbima.com.br/informacoes/ima/ima-quantidade-mercado.asp"
-COLUMN_MAPPING = {
-    "Data Referência": "Date",
-    "Título": "BondType",
-    "Data de Vencimento": "Maturity",
-    "Codigo Selic": "SelicCode",
-    "Código ISIN": "ISIN",
-    "PU (R$)": "Price",
-    "Quantidade em Mercado (1.000 Títulos)": "MarketQuantity",
-    "Valor de Mercado (R$ Mil)": "MarketValue",
-    "Variação da Quantidade (1.000 Títulos)": "QuantityVariation",
-    "Status do Titulo": "BondStatus",
-}
-
-
-def _fetch_url_tables(target_date: pd.Timestamp) -> pd.DataFrame:
-    # Warning supression for BeautifulSoup, as the text is valid HTML and not XML
-    warnings.filterwarnings("ignore", category=XMLParsedAsHTMLWarning)
-
-    target_date_str = target_date.strftime("%d/%m/%Y")
-    payload = {
-        "Tipo": "",
-        "DataRef": "",
-        "Pai": "ima",
-        "Dt_Ref_Ver": "20250117",
-        "Dt_Ref": f"{target_date_str}",
-    }
-
-    r = requests.post(IMA_URL, data=payload, timeout=10)
-    r.raise_for_status()
-    r.encoding = "iso-8859-1"
-    if "Não há dados disponíveis" in r.text:
-        logging.warning("No data found. Returning empty DataFrame.")
-        return pd.DataFrame()
-
-    string_io_buffer = io.StringIO(r.text)
-
-    dfs = pd.read_html(
-        string_io_buffer,
-        flavor="html5lib",
-        attrs={"width": "100%"},
-        header=0,
-        thousands=".",
-        decimal=",",
-        displayed_only=True,
-        dtype_backend="numpy_nullable",
-    )
-
-    df = (
-        pd.concat(dfs)
-        .query("`Data de Vencimento`.notnull()")
-        .query("Título!='Título'")
-        .drop_duplicates(subset="Código ISIN")
-        .reset_index(drop=True)
-    )
-
-    # Convert to CSV and then back to pandas to get automatic type conversion
-    csv_buffer = io.StringIO(df.to_csv(index=False))
-    df = pd.read_csv(csv_buffer, dtype_backend="numpy_nullable")
-
-    # Expressão regular para datas no formato dd/mm/ano
-    date_pattern = r"\b(\d{2}/\d{2}/\d{4})\b"
-
-    # Busca pela primeira data
-    match = re.search(date_pattern, r.text)
-
-    if match:
-        anbima_date_str = match.group(1)
-        anbima_date = pd.to_datetime(anbima_date_str, format="%d/%m/%Y")
-    else:
-        logging.warning("No date found. Returning empty DataFrame.")
-        return pd.DataFrame()
-
-    df["Data Referência"] = anbima_date
-
-    return df
-
-
-def _process_df(df: pd.DataFrame) -> pd.DataFrame:
-    df = df.rename(columns=COLUMN_MAPPING)[COLUMN_MAPPING.values()]
-    df["Maturity"] = pd.to_datetime(df["Maturity"], format="%d/%m/%Y")
-    # Converter a valores para inteiros
-    df["MarketQuantity"] = (1000 * df["MarketQuantity"]).astype("Int64")
-    df["MarketValue"] = (1000 * df["MarketValue"]).astype("Int64")
-    df["QuantityVariation"] = (1000 * df["QuantityVariation"]).astype("Int64")
-
-    return df
-
-
-def ima(date: DateScalar) -> pd.DataFrame:
-    """
-    Fetch and process IMA market data for a given date.
-
-    This function retrieves IMA market data for the specified date from ANBIMA,
-    processes the data into a structured DataFrame, and returns the resulting DataFrame.
-    It handles conversion of date formats, renames columns to English, and converts
-    certain numeric columns to integer types. In the event of an error during data
-    fetching or processing, an empty DataFrame is returned.
-
-    Args:
-        date (DateScalar): A date-like object representing the target date for fetching
-            the data.
-
-    Returns:
-        pd.DataFrame: A DataFrame containing the IMA data with the following columns:
-            - Date: Reference date of the data.
-            - BondType: Type of bond.
-            - Maturity: Bond maturity date.
-            - SelicCode: Code representing the SELIC rate.
-            - ISIN: International Securities Identification Number.
-            - Price: Bond price.
-            - MarketQuantity: Market quantity (in units of 1000 bonds).
-            - MarketValue: Market value (in units of 1000 reais).
-            - QuantityVariation: Variation in quantity (in units of 1000 bonds).
-            - BondStatus: Status of the bond.
-
-    Raises:
-        Exception: Logs error and returns an empty DataFrame if any error occurs during
-            fetching or processing.
-
-    """
-    try:
-        date = dc.convert_input_dates(date)
-        df = _fetch_url_tables(date)
-        df = _process_df(df)
-        return df
-    except Exception as e:
-        date_str = date.strftime("%d/%m/%Y")
-        logging.error(f"Error fetching IMA for {date_str}. Returning empty DataFrame.")
-        logging.error(f"Error message: {e}", exc_info=True)
-        return pd.DataFrame()