PYield 0.44.4__tar.gz → 0.45.0__tar.gz

{pyield-0.44.4 → pyield-0.45.0}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: pyield
-Version: 0.44.4
+Version: 0.45.0
 Summary: A Python library for analysis of fixed income instruments in Brazil
 Project-URL: Homepage, https://github.com/crdcj/PYield
 Project-URL: Documentation, https://crdcj.github.io/PYield
@@ -36,10 +36,9 @@ Classifier: Operating System :: OS Independent
 Classifier: Programming Language :: Python :: 3
 Classifier: Topic :: Office/Business :: Financial :: Investment
 Requires-Python: >=3.12
-Requires-Dist: cachetools>=5.0.0
 Requires-Dist: fastexcel>=0.19.0
 Requires-Dist: lxml>=6.0.0
-Requires-Dist: polars>=1.33.0
+Requires-Dist: polars>=1.39.0
 Requires-Dist: python-dateutil>=2.8.0
 Requires-Dist: requests>=2.31.0
 Requires-Dist: tenacity>=9.0.0
@@ -173,13 +172,18 @@ forwards(bdays, rates)  # -> Series: [0.05, 0.070095, 0.090284]
 | Módulo | Finalidade |
 |--------|---------|
 | `bday` | Calendário de dias úteis com feriados brasileiros |
-| `futures` | Dados de futuros da B3 (DI1, DDI, FRC, DAP, DOL, WDO, IND, WIN) |
+| `futures` | Dados de futuros da B3 (DI1, DDI, DAP, DOL, WDO, IND, WIN e outros) |
+| `di1` | Curva DI1 interpolada e datas de negociação disponíveis |
 | `Interpolator` | Interpolação de taxas (flat_forward, linear) |
 | `forward` / `forwards` | Cálculo de taxas a termo |
-| `ltn`, `ntnb`, `ntnf`, `lft`, `ntnc` | Precificação e análise de títulos públicos |
+| `ltn`, `ntnb`, `ntnf`, `lft`, `ntnc` | Precificação e análise dos títulos públicos principais |
+| `ntnb1`, `ntnbprinc`, `pre` | Títulos e curvas adicionais (NTN-B1, NTN-B Principal, curva PRE) |
+| `tn.auction` / `tn.benchmarks` | Leilões e benchmarks de títulos públicos |
 | `anbima` | Dados da ANBIMA (preços de TPF, curvas de juros, índices IMA) |
-| `bc` | Indicadores do BCB (SELIC, PTAX, repos, VNA) |
+| `bc` | Indicadores do BCB (SELIC, PTAX, repos, VNA, leilões, negociações) |
+| `b3` | Dados da B3 (DI over, price reports, derivativos intradiários) |
 | `ipca` | Dados de inflação (histórico e projeções) |
+| `selic` | Opções digitais de COPOM e probabilidades implícitas |
 | `rmd` | Relatório Mensal da Dívida do Tesouro Nacional |
 | `today` / `now` | Data/hora atual no Brasil (America/Sao_Paulo) |
 
@@ -209,9 +213,16 @@ from pyield import futures
 # DI1 (Futuro de Depósito Interfinanceiro)
 futures("31-05-2024", "DI1")
 
-# Outros contratos: DDI, FRC, DAP, DOL, WDO, IND, WIN
+# Outros contratos disponíveis:
+# - Juros: DI1, DDI, OC1, DAP, IAP
+# - Moedas: DOL, WDO, EUR, GBR, JAP, CNY
+# - Índices: IND, WIN, ISP, WSP
+# - Commodities: BGI, CCM, ICF, CNL, SJC, SOY, ETH, GLD
 futures("31-05-2024", "DAP")
 
+# Múltiplos contratos de uma vez
+futures("31-05-2024", ["DI1", "DAP"])
+
 # Dados intradiários (quando o mercado estiver aberto)
 futures("16-01-2025", "DI1")  # Retorna dados ao vivo durante o horário de negociação
 ```
@@ -221,7 +232,6 @@ futures("16-01-2025", "DI1")  # Retorna dados ao vivo durante o horário de nego
 PYield aceita entradas de data flexíveis (`DateLike`):
 - Strings: `"31-05-2024"`, `"31/05/2024"`, `"2024-05-31"`
 - `datetime.date`, `datetime.datetime`
-- `pandas.Timestamp`, `numpy.datetime64`
 
 Funções escalares retornam `datetime.date`. Funções vetorizadas retornam `polars.Series`.
 
@@ -241,9 +251,14 @@ bday.count(["01-01-2024", None], "01-02-2024")  # -> Series: [22, null]
 
 ## Migração para Polars (v0.40.0+)
 
-Todas as funções retornam **DataFrames/Series do Polars**. Para converter para Pandas:
+A partir da versão 0.40.0, todas as saídas tabulares passaram de Pandas para **Polars**. Entradas vetoriais que antes aceitavam `pd.Series` e `np.ndarray` agora aceitam apenas listas, tuplas ou `pl.Series`. Para converter:
 
 ```python
+# Entrada: converter coleções Pandas/NumPy antes de passar para o PYield
+pl_series = pl.from_pandas(pd_series)   # pd.Series → pl.Series (requer pandas)
+pl_series = pl.Series(np_array)         # np.ndarray → pl.Series (requer numpy)
+
+# Saída: converter DataFrame Polars para Pandas
 df_pandas = df.to_pandas(use_pyarrow_extension_array=True)
 ```
 
@@ -254,5 +269,5 @@ Documentação completa: [crdcj.github.io/PYield](https://crdcj.github.io/PYield
 ## Testes
 
 ```sh
-pytest pyield --doctest-modules
+pytest
 ```

{pyield-0.44.4 → pyield-0.45.0}/README.md

@@ -126,13 +126,18 @@ forwards(bdays, rates)  # -> Series: [0.05, 0.070095, 0.090284]
 | Módulo | Finalidade |
 |--------|---------|
 | `bday` | Calendário de dias úteis com feriados brasileiros |
-| `futures` | Dados de futuros da B3 (DI1, DDI, FRC, DAP, DOL, WDO, IND, WIN) |
+| `futures` | Dados de futuros da B3 (DI1, DDI, DAP, DOL, WDO, IND, WIN e outros) |
+| `di1` | Curva DI1 interpolada e datas de negociação disponíveis |
 | `Interpolator` | Interpolação de taxas (flat_forward, linear) |
 | `forward` / `forwards` | Cálculo de taxas a termo |
-| `ltn`, `ntnb`, `ntnf`, `lft`, `ntnc` | Precificação e análise de títulos públicos |
+| `ltn`, `ntnb`, `ntnf`, `lft`, `ntnc` | Precificação e análise dos títulos públicos principais |
+| `ntnb1`, `ntnbprinc`, `pre` | Títulos e curvas adicionais (NTN-B1, NTN-B Principal, curva PRE) |
+| `tn.auction` / `tn.benchmarks` | Leilões e benchmarks de títulos públicos |
 | `anbima` | Dados da ANBIMA (preços de TPF, curvas de juros, índices IMA) |
-| `bc` | Indicadores do BCB (SELIC, PTAX, repos, VNA) |
+| `bc` | Indicadores do BCB (SELIC, PTAX, repos, VNA, leilões, negociações) |
+| `b3` | Dados da B3 (DI over, price reports, derivativos intradiários) |
 | `ipca` | Dados de inflação (histórico e projeções) |
+| `selic` | Opções digitais de COPOM e probabilidades implícitas |
 | `rmd` | Relatório Mensal da Dívida do Tesouro Nacional |
 | `today` / `now` | Data/hora atual no Brasil (America/Sao_Paulo) |
 
@@ -162,9 +167,16 @@ from pyield import futures
 # DI1 (Futuro de Depósito Interfinanceiro)
 futures("31-05-2024", "DI1")
 
-# Outros contratos: DDI, FRC, DAP, DOL, WDO, IND, WIN
+# Outros contratos disponíveis:
+# - Juros: DI1, DDI, OC1, DAP, IAP
+# - Moedas: DOL, WDO, EUR, GBR, JAP, CNY
+# - Índices: IND, WIN, ISP, WSP
+# - Commodities: BGI, CCM, ICF, CNL, SJC, SOY, ETH, GLD
 futures("31-05-2024", "DAP")
 
+# Múltiplos contratos de uma vez
+futures("31-05-2024", ["DI1", "DAP"])
+
 # Dados intradiários (quando o mercado estiver aberto)
 futures("16-01-2025", "DI1")  # Retorna dados ao vivo durante o horário de negociação
 ```
@@ -174,7 +186,6 @@ futures("16-01-2025", "DI1")  # Retorna dados ao vivo durante o horário de nego
 PYield aceita entradas de data flexíveis (`DateLike`):
 - Strings: `"31-05-2024"`, `"31/05/2024"`, `"2024-05-31"`
 - `datetime.date`, `datetime.datetime`
-- `pandas.Timestamp`, `numpy.datetime64`
 
 Funções escalares retornam `datetime.date`. Funções vetorizadas retornam `polars.Series`.
 
@@ -194,9 +205,14 @@ bday.count(["01-01-2024", None], "01-02-2024")  # -> Series: [22, null]
 
 ## Migração para Polars (v0.40.0+)
 
-Todas as funções retornam **DataFrames/Series do Polars**. Para converter para Pandas:
+A partir da versão 0.40.0, todas as saídas tabulares passaram de Pandas para **Polars**. Entradas vetoriais que antes aceitavam `pd.Series` e `np.ndarray` agora aceitam apenas listas, tuplas ou `pl.Series`. Para converter:
 
 ```python
+# Entrada: converter coleções Pandas/NumPy antes de passar para o PYield
+pl_series = pl.from_pandas(pd_series)   # pd.Series → pl.Series (requer pandas)
+pl_series = pl.Series(np_array)         # np.ndarray → pl.Series (requer numpy)
+
+# Saída: converter DataFrame Polars para Pandas
 df_pandas = df.to_pandas(use_pyarrow_extension_array=True)
 ```
 
@@ -207,5 +223,5 @@ Documentação completa: [crdcj.github.io/PYield](https://crdcj.github.io/PYield
 ## Testes
 
 ```sh
-pytest pyield --doctest-modules
+pytest
 ```

pyield-0.45.0/pyield/__about__.py

@@ -0,0 +1 @@
+__version__ = "0.45.0"

pyield-0.45.0/pyield/_internal/cache.py

@@ -0,0 +1,39 @@
+"""Cache com expiração por tempo (TTL) para proteger APIs externas contra
+chamadas repetidas acidentais (ex.: re-execução de célula em notebook).
+"""
+
+import time
+from functools import wraps
+
+_TTL_PADRAO = 60  # segundos
+_TAMANHO_MAXIMO = 16
+
+
+def ttl_cache(ttl: int = _TTL_PADRAO, maxsize: int = _TAMANHO_MAXIMO):
+    """Decorador de cache com expiração por tempo.
+
+    Args:
+        ttl: Tempo de vida de cada entrada em segundos.
+        maxsize: Número máximo de entradas no cache.
+    """
+
+    def decorador(func):
+        _cache: dict = {}
+
+        @wraps(func)
+        def wrapper(*args):
+            agora = time.monotonic()
+            if args in _cache:
+                resultado, expira_em = _cache[args]
+                if agora < expira_em:
+                    return resultado
+            resultado = func(*args)
+            _cache[args] = (resultado, agora + ttl)
+            # Remove entrada mais antiga quando excede o tamanho máximo
+            if len(_cache) > maxsize:
+                _cache.pop(next(iter(_cache)))
+            return resultado
+
+        return wrapper
+
+    return decorador

{pyield-0.44.4 → pyield-0.45.0}/pyield/_internal/converters.py

@@ -69,7 +69,7 @@ def converter_datas(
 
     Normaliza datas em diversos formatos para um tipo consistente:
     - Entradas escalares (str, date, datetime) retornam ``datetime.date``
-    - Coleções (list, tuple, ndarray, Series) retornam ``pl.Series`` com dtype ``Date``
+    - Coleções (list, tuple, Series) retornam ``pl.Series`` com dtype ``Date``
     - Entradas nulas retornam ``None``
 
     O parse de strings é feito por elemento com fallback entre formatos
@@ -79,7 +79,7 @@ def converter_datas(
         dates: Data(s) a converter. Aceita:
             - String nos formatos ``dd-mm-YYYY``, ``dd/mm/YYYY`` ou ``YYYY-mm-dd``
             - ``datetime.date`` ou ``datetime.datetime``
-            - Lista, tupla, ndarray ou Series de datas
+            - Lista, tupla ou Series de datas
             - ``None``
 
     Returns:
@@ -121,6 +121,10 @@ def converter_datas(
         >>> converter_datas("") is None
         True
 
+        Data inválida retorna None:
+        >>> converter_datas("31-02-2024") is None
+        True
+
         Lista com valores nulos propaga os nulls:
         >>> converter_datas(["01-01-2024", None])
         shape: (2,)
@@ -140,12 +144,13 @@ def converter_datas(
         ]
 
         Formatos mistos por linha:
-        >>> converter_datas(["25-12-2024", "2024-12-26"])
-        shape: (2,)
+        >>> converter_datas(["25-12-2024", "26/12/2024", "2024-12-27"])
+        shape: (3,)
         Series: 'dates' [date]
         [
             2024-12-25
             2024-12-26
+            2024-12-27
         ]
     """
     if not types.is_collection(dates):

{pyield-0.44.4 → pyield-0.45.0}/pyield/anbima/ettj_intraday.py

@@ -2,10 +2,10 @@ import datetime as dt
 import logging
 from io import StringIO
 
-import cachetools
 import polars as pl
 import requests
 
+from pyield._internal.cache import ttl_cache
 from pyield._internal.retry import retry_padrao
 
 logger = logging.getLogger(__name__)
@@ -19,7 +19,7 @@ URL_ETTJ_INTRADAY = (
 CASAS_DECIMAIS = 6
 
 
-@cachetools.cached(cache=cachetools.TTLCache(maxsize=16, ttl=60))
+@ttl_cache()
 @retry_padrao
 def _buscar_texto_intraday() -> str:
     carga_requisicao = {"Dt_Ref": "", "saida": "csv"}

{pyield-0.44.4 → pyield-0.45.0}/pyield/anbima/ettj_last.py

@@ -2,10 +2,10 @@ import datetime as dt
 import logging
 from io import StringIO
 
-import cachetools
 import polars as pl
 import requests
 
+from pyield._internal.cache import ttl_cache
 from pyield._internal.retry import retry_padrao
 
 logger = logging.getLogger(__name__)
@@ -16,7 +16,7 @@ URL_ULTIMA_ETTJ = "https://www.anbima.com.br/informacoes/est-termo/CZ-down.asp"
 CASAS_DECIMAIS = 6
 
 
-@cachetools.cached(cache=cachetools.TTLCache(maxsize=16, ttl=60))
+@ttl_cache()
 @retry_padrao
 def _buscar_texto_ultima_ettj() -> str:
     """Busca o texto bruto da curva de juros na ANBIMA."""

{pyield-0.44.4 → pyield-0.45.0}/pyield/anbima/ima.py

@@ -2,10 +2,10 @@ import io
 import logging
 from typing import Literal
 
-import cachetools
 import polars as pl
 import requests
 
+from pyield._internal.cache import ttl_cache
 from pyield._internal.retry import retry_padrao
 
 logger = logging.getLogger(__name__)
@@ -82,7 +82,7 @@ ORDEM_COLUNAS_FINAL = [
 URL_ULTIMO_IMA = "https://www.anbima.com.br/informacoes/ima/arqs/ima_completo.txt"
 
 
-@cachetools.cached(cache=cachetools.TTLCache(maxsize=16, ttl=60))
+@ttl_cache()
 @retry_padrao
 def _buscar_texto_ultimo_ima() -> str:
     resposta = requests.get(URL_ULTIMO_IMA, timeout=3)

{pyield-0.44.4 → pyield-0.45.0}/pyield/anbima/tpf.py

@@ -58,14 +58,6 @@ MAPA_NOMES_COLUNAS = {csv: novo for csv, novo, _ in TPF_COLUNAS}
 logger = logging.getLogger(__name__)
 
 
-def _validar_data_nao_futura(data: dt.date):
-    """Levanta ValueError se a data for no futuro."""
-    if data > clock.today():
-        data_log = data.strftime("%d/%m/%Y")
-        msg = f"Não é possível processar dados para data futura ({data_log})."
-        raise ValueError(msg)
-
-
 def _mapear_tipo_titulo(tipo_titulo: str) -> list[str]:
     tipo_titulo = tipo_titulo.upper()
     mapa_titulos = {
@@ -189,6 +181,17 @@ def _adicionar_duracao(df_input: pl.DataFrame) -> pl.DataFrame:
     return df
 
 
+def _adicionar_prazo_medio(df: pl.DataFrame) -> pl.DataFrame:
+    # Na metodologia do Tesouro Nacional, a maturidade média é a mesma que a duração
+    df = df.with_columns(
+        pl.when(pl.col("BondType") == "LFT")
+        .then(pl.col("BDToMat") / 252)
+        .otherwise("Duration")
+        .alias("AvgMaturity")
+    )
+    return df
+
+
 def _adicionar_dv01(df_input: pl.DataFrame, data_ref: dt.date) -> pl.DataFrame:
     """Adiciona as colunas de DV01 ao DataFrame."""
     expr_duracao_mod = pl.col("Duration") / (1 + pl.col("IndicativeRate"))
@@ -224,6 +227,7 @@ def _selecionar_e_ordenar_colunas(df: pl.DataFrame) -> pl.DataFrame:
         "MaturityDate",
         "BDToMat",
         "Duration",
+        "AvgMaturity",
         "DV01",
         "DV01USD",
         "Price",
@@ -231,11 +235,11 @@ def _selecionar_e_ordenar_colunas(df: pl.DataFrame) -> pl.DataFrame:
         "AskRate",
         "IndicativeRate",
         "DIRate",
-        "StdDev",
-        "LowerBoundRateD0",
-        "UpperBoundRateD0",
-        "LowerBoundRateD1",
-        "UpperBoundRateD1",
+        # "StdDev",
+        # "LowerBoundRateD0",
+        # "UpperBoundRateD0",
+        # "LowerBoundRateD1",
+        # "UpperBoundRateD1",
         "Criteria",
     ]
     ordem_colunas = [col for col in ordem_colunas if col in df.columns]
@@ -288,6 +292,7 @@ def _buscar_dados_tpf(date: dt.date) -> pl.DataFrame:
         df = _ler_csv(csv_texto)
         df = _processar_df_bruto(df)
         df = _adicionar_duracao(df)
+        df = _adicionar_prazo_medio(df)
         df = _adicionar_dv01(df, date)
         df = _adicionar_taxa_di(df, date)
         df = _selecionar_e_ordenar_colunas(df)
@@ -355,6 +360,8 @@ def tpf_data(
         - MaturityDate: Data de vencimento do título.
         - BDToMat: Número de dias úteis entre a data de referência e o vencimento.
         - Duration: Macaulay Duration do título em anos.
+        - AvgMaturity: Prazo médio do título (em anos), conforme metodologia
+            do Tesouro Nacional.
         - DV01: Variação financeira no preço do título (em BRL) para uma
             mudança de 1 basis point (0,01%) na taxa de juros.
         - DV01USD: O mesmo que DV01, mas convertido para USD pela PTAX do dia.
@@ -385,11 +392,14 @@ def tpf_data(
     if any_is_empty(date):
         return pl.DataFrame()
     date = converter_datas(date)
-    _validar_data_nao_futura(date)
+
+    if not bday.is_business_day(date):
+        return pl.DataFrame()
+
+    if date > clock.today():
+        return pl.DataFrame()
 
     if fetch_from_source:
-        if not bday.is_business_day(date):
-            return pl.DataFrame()
         # Tenta buscar os dados diretamente da fonte (ANBIMA)
         df = _buscar_dados_tpf(date)
     else:

{pyield-0.44.4 → pyield-0.45.0}/pyield/b3/di1.py

@@ -1,85 +1,10 @@
-import datetime as dt
-import logging
-
 import polars as pl
 
 import pyield._internal.converters as cv
 from pyield import b3, bday, interpolator
 from pyield._internal.data_cache import obter_dataset_cacheado
 from pyield._internal.types import ArrayLike, DateLike, any_is_collection, any_is_empty
-from pyield.b3.futures import historical as futuros_historico
-
-registro = logging.getLogger(__name__)
-
-
-def _carregar_cache_pr_di1(datas: list[dt.date]) -> pl.DataFrame:
-    """Carrega e processa DI1 a partir do dataset PR para as datas informadas."""
-    return futuros_historico.carregar_pr(datas=datas, codigo_contrato="DI1")
-
-
-def _carregar_com_intraday(datas: list[dt.date]) -> pl.DataFrame:
-    """Busca dados de DI, incluindo dados intraday para datas ausentes no cache.
-
-    Args:
-        datas: Lista de datas a buscar.
-
-    Returns:
-        DataFrame com dados de DI para as datas solicitadas.
-    """
-    # 1. Busca inicial no cache PR com as datas solicitadas pelo usuário.
-    df_cache = _carregar_cache_pr_di1(datas)
-    if df_cache.is_empty():
-        datas_cache = set()
-    else:
-        datas_cache = set(df_cache["TradeDate"].drop_nulls())
-
-    # 2. Identifica datas solicitadas que não estão no cache
-    datas_solicitadas = set(datas)
-    datas_faltantes = datas_solicitadas - datas_cache
-
-    # 3. Para cada data faltante, tenta buscar dados via API
-    dfs_concat = [df_cache] if not df_cache.is_empty() else []
-
-    for data_ref in datas_faltantes:
-        try:
-            df_faltante = b3.futures(contract_code="DI1", date=data_ref)
-
-            # Só adiciona se tiver SettlementPrice
-            if "SettlementPrice" in df_faltante.columns:
-                dfs_concat.append(df_faltante)
-            else:
-                registro.warning(
-                    "Dados para %s não contêm 'SettlementPrice'. Pulando esta data.",
-                    data_ref,
-                )
-        except Exception as e:
-            registro.error("Falha ao buscar dados para %s: %s", data_ref, e)
-
-    # 4. Retorna concatenação de todos os DataFrames disponíveis
-    if len(dfs_concat) == 0:
-        return pl.DataFrame()
-    elif len(dfs_concat) == 1:
-        return dfs_concat[0]
-    else:
-        return pl.concat(dfs_concat, how="diagonal")
-
-
-def _obter_dados(datas: DateLike | ArrayLike) -> pl.DataFrame:
-    datas_unicas = cv.converter_datas(datas)
-    if datas_unicas is None:
-        return pl.DataFrame()
-
-    if isinstance(datas_unicas, pl.Series):
-        datas_unicas = datas_unicas.drop_nulls().unique().sort().to_list()
-    else:
-        datas_unicas = [datas_unicas]
-
-    df = _carregar_com_intraday(datas_unicas)
-
-    if df.is_empty():
-        return pl.DataFrame()
-
-    return df.sort("TradeDate", "ExpirationDate")
+from pyield.b3.futures import available_dates as _listar_datas
 
 
 def data(
@@ -122,7 +47,15 @@ def data(
     if any_is_empty(dates):
         return pl.DataFrame()
 
-    df = _obter_dados(datas=dates)
+    datas_convertidas = cv.converter_datas(dates)
+    if datas_convertidas is None:
+        return pl.DataFrame()
+    if isinstance(datas_convertidas, pl.Series):
+        datas_lista = datas_convertidas.drop_nulls().unique().sort().to_list()
+    else:
+        datas_lista = [datas_convertidas]
+
+    df = b3.futures(date=datas_lista, contract_code="DI1", full_report=False)
     if df.is_empty():
         return df
 
@@ -257,9 +190,9 @@ def interpolate_rates(
     if df_entrada.is_empty():
         return pl.Series(dtype=pl.Float64)
 
-    # Carrega dataset de taxas DI filtrado pelas datas de referência fornecidas
-    # Usa datas já convertidas do DataFrame de entrada para evitar conversão dupla
-    df_ref = _obter_dados(datas=dates)
+    # Carrega dataset de taxas DI usando datas já convertidas do df_entrada
+    datas_unicas = df_entrada["TradeDate"].drop_nulls().unique().sort().to_list()
+    df_ref = b3.futures(date=datas_unicas, contract_code="DI1", full_report=False)
     # Retorna Series vazia se nenhuma taxa for encontrada
     if df_ref.is_empty():
         return pl.Series(dtype=pl.Float64)
@@ -360,10 +293,6 @@ def interpolate_rate(
         >>> # Extrapola taxa para uma data de vencimento futura
         >>> di1.interpolate_rate("25-04-2025", "01-01-2050", extrapolate=True)
         0.13881
-
-        >>> # Entradas nulas retornam NaN
-        >>> di1.interpolate_rate(None, "01-01-2030")
-        nan
     """
     if any_is_collection(date, expiration):
         raise ValueError("As entradas 'date' e 'expiration' devem ser datas escalares.")
@@ -380,25 +309,26 @@ def interpolate_rate(
     if valor is None:
         return float("nan")
 
-    return float(valor)
+    return valor
 
 
-def available_trade_dates() -> pl.Series:
-    """Retorna todas as datas de negociação disponíveis para DI1 em futures.
+def available_dates() -> pl.Series:
+    """Retorna as datas de negociação disponíveis para DI1.
 
-    Obtém valores distintos de 'TradeDate' para DI1, com base no mesmo
-    dataset PR utilizado por `futures`.
+    Obtém valores distintos de 'TradeDate' para DI1, com base no dataset histórico
+    PR da B3 (mesmo utilizado por `futures`). Inclui apenas datas com preço e taxa
+    de ajuste já definidos; o pregão do dia corrente não está incluído.
 
     Returns:
-        Series ordenada de datas de negociação únicas (dt.date) para as quais
-        dados de DI estão disponíveis.
+        Series ordenada de datas de negociação (dt.date) para as quais dados de
+        ajuste de DI estão disponíveis.
 
     Examples:
         >>> from pyield import di1
         >>> # Série disponível no dataset PR começa em 2018-01-02
-        >>> di1.available_trade_dates().head(5)
+        >>> di1.available_dates().head(5)
         shape: (5,)
-        Series: 'available_dates' [date]
+        Series: 'TradeDate' [date]
         [
             2018-01-02
             2018-01-03
@@ -407,4 +337,4 @@ def available_trade_dates() -> pl.Series:
             2018-01-08
         ]
     """
-    return futuros_historico.listar_datas_disponiveis("DI1").alias("available_dates")
+    return _listar_datas("DI1")