PYield 0.44.5__tar.gz → 0.45.0__tar.gz

{pyield-0.44.5 → pyield-0.45.0}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: pyield
-Version: 0.44.5
+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
@@ -36,7 +36,6 @@ 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>=1.39.0

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-0.44.5 → pyield-0.45.0}/pyield/_internal/converters.py

@@ -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-0.44.5 → 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-0.44.5 → 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-0.44.5 → 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-0.44.5 → pyield-0.45.0}/pyield/b3/di1.py

@@ -293,10 +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.")

{pyield-0.44.5 → pyield-0.45.0}/pyield/b3/futures/__init__.py

@@ -118,7 +118,7 @@ def _buscar_varias_datas(
     # Bulk: carrega todas as datas de uma vez do cache, por contrato
     resultados = []
     for codigo in codigos:
-        df_cache = historical.obter_futuros_pr(datas_validas, codigo)
+        df_cache = historical._obter_futuros_pr(datas_validas, codigo)
         if not df_cache.is_empty():
             resultados.append(df_cache)
 

{pyield-0.44.5 → pyield-0.45.0}/pyield/b3/futures/historical.py

@@ -79,7 +79,7 @@ def historical(
     codigos_sem_cache: list[str] = []
 
     for codigo in codigos:
-        df_cache = obter_futuros_pr([data], codigo)
+        df_cache = _obter_futuros_pr([data], codigo)
         if df_cache.is_empty():
             codigos_sem_cache.append(codigo)
         else:
@@ -116,7 +116,7 @@ def historical(
     return df_resultado.sort(*colunas_ordenacao)
 
 
-def obter_futuros_pr(datas: list[dt.date], codigo_contrato: str) -> pl.DataFrame:
+def _obter_futuros_pr(datas: list[dt.date], codigo_contrato: str) -> pl.DataFrame:
     """Carrega histórico de futuros do dataset PR para uma lista de datas."""
     if not datas:
         return pl.DataFrame()

{pyield-0.44.5 → pyield-0.45.0}/pyield/b3/futures/intraday.py

@@ -18,7 +18,7 @@ HORA_INICIO_INTRADAY = dt.time(9, 16)
 logger = logging.getLogger(__name__)
 
 
-def data_intraday_valida(data_verificacao: dt.date) -> bool:
+def _data_intraday_valida(data_verificacao: dt.date) -> bool:
     """Verifica se a data é elegível para consulta intraday."""
     if not data_negociacao_valida(data_verificacao):
         return False

{pyield-0.44.5 → pyield-0.45.0}/pyield/b3/intraday_derivatives.py

@@ -1,9 +1,9 @@
 import logging
 
-import cachetools
 import polars as pl
 import requests
 
+from pyield._internal.cache import ttl_cache
 from pyield._internal.retry import retry_padrao
 
 URL_BASE_INTRADAY = "https://cotacao.b3.com.br/mds/api/v1/DerivativeQuotation"
@@ -50,7 +50,7 @@ def _mapa_renomeacao_intraday() -> dict[str, str]:
     return {nome_orig: nome_novo for nome_orig, nome_novo, _ in COLUNAS_INTRADAY}
 
 
-@cachetools.cached(cache=cachetools.TTLCache(maxsize=16, ttl=15))
+@ttl_cache(ttl=15)
 @retry_padrao
 def _buscar_json_intraday(codigo_contrato: str) -> list[dict]:
     url = f"{URL_BASE_INTRADAY}/{codigo_contrato}"

{pyield-0.44.5 → pyield-0.45.0}/pyield/bc/ptax_api.py

@@ -18,12 +18,12 @@ cotacaoCompra, cotacaoVenda, dataHoraCotacao
 import datetime as dt
 import logging
 
-import cachetools
 import polars as pl
 import requests
 
 import pyield._internal.converters as cv
 from pyield import clock
+from pyield._internal.cache import ttl_cache
 from pyield._internal.retry import retry_padrao
 from pyield._internal.types import DateLike
 
@@ -54,7 +54,7 @@ def _montar_url_api(inicio: dt.date, fim: dt.date) -> str:
     return url
 
 
-@cachetools.cached(cache=cachetools.TTLCache(maxsize=16, ttl=15))
+@ttl_cache(ttl=15)
 @retry_padrao
 def _buscar_texto_api(url: str) -> bytes:
     resposta = requests.get(url, timeout=10)

{pyield-0.44.5 → pyield-0.45.0}/pyield/bc/rates.py

@@ -15,11 +15,11 @@ Notas de implementação:
 import logging
 from enum import Enum
 
-import cachetools
 import polars as pl
 import requests
 
 from pyield import clock
+from pyield._internal.cache import ttl_cache
 from pyield._internal.converters import converter_datas
 from pyield._internal.retry import retry_padrao
 from pyield._internal.types import DateLike, any_is_empty
@@ -43,7 +43,7 @@ class SerieBC(Enum):
     DI_OVER = 11
 
 
-@cachetools.cached(cache=cachetools.TTLCache(maxsize=16, ttl=15))
+@ttl_cache(ttl=15)
 @retry_padrao
 def _chamar_api(url_api: str) -> list[dict[str, str]]:
     """Executa uma chamada GET na API do BCB e retorna o JSON.

{pyield-0.44.5 → pyield-0.45.0}/pyield/bc/trades_intraday.py

@@ -7,12 +7,12 @@ import datetime as dt
 import io
 import logging
 
-import cachetools
 import polars as pl
 import polars.selectors as cs
 import requests
 
 from pyield import bday, clock
+from pyield._internal.cache import ttl_cache
 from pyield._internal.retry import retry_padrao
 
 HORA_INICIO_TEMPO_REAL = dt.time(9, 0, 0)
@@ -94,7 +94,7 @@ ORDEM_COLUNAS_FINAL = [
 ]
 
 
-@cachetools.cached(cache=cachetools.TTLCache(maxsize=16, ttl=15))
+@ttl_cache(ttl=15)
 @retry_padrao
 def _buscar_csv() -> str:
     """

{pyield-0.44.5 → pyield-0.45.0}/pyield/bc/trades_monthly.py

@@ -18,6 +18,7 @@ import zipfile as zf
 import polars as pl
 import requests
 
+from pyield._internal.cache import ttl_cache
 from pyield._internal.converters import converter_datas
 from pyield._internal.retry import retry_padrao
 from pyield._internal.types import DateLike, any_is_empty
@@ -51,28 +52,6 @@ MAPA_COLUNAS = [
 ESQUEMA_CSV = {csv: tipo for csv, _, tipo in MAPA_COLUNAS}
 MAPEAMENTO_COLUNAS = {csv: novo for csv, novo, _ in MAPA_COLUNAS}
 
-ORDEM_COLUNAS_FINAL = [
-    "SettlementDate",
-    "BondType",
-    "SelicCode",
-    "ISIN",
-    "IssueDate",
-    "MaturityDate",
-    "Trades",
-    "Quantity",
-    "Value",
-    "MinPrice",
-    "AvgPrice",
-    "MaxPrice",
-    "UnderlyingPrice",
-    "ParValue",
-    "MinRate",
-    "AvgRate",
-    "MaxRate",
-    "BrokerageTrades",
-    "BrokerageQuantity",
-]
-
 CHAVES_ORDENACAO = ["SettlementDate", "BondType", "MaturityDate"]
 
 
@@ -90,6 +69,7 @@ def _montar_url(data_alvo: dt.date, extragroup: bool) -> str:
     return f"{URL_BASE}/Neg{sufixo_operacao}{ano_mes}.ZIP"
 
 
+@ttl_cache()
 @retry_padrao
 def _baixar_zip(url_arquivo: str) -> bytes:
     """Baixa o conteúdo ZIP e retorna os bytes."""
@@ -116,7 +96,7 @@ def _ler_df_zip(conteudo_csv: bytes) -> pl.DataFrame:
 
 
 def _processar_df(df: pl.DataFrame) -> pl.DataFrame:
-    """Processa tipos, calcula valor e ordena."""
+    """Renomeia colunas, converte datas, calcula valor e ordena."""
     colunas_data = ["SettlementDate", "IssueDate", "MaturityDate"]
     return (
         df.rename(MAPEAMENTO_COLUNAS)
@@ -128,12 +108,6 @@ def _processar_df(df: pl.DataFrame) -> pl.DataFrame:
     )
 
 
-def _ordenar_selecionar_colunas(df: pl.DataFrame) -> pl.DataFrame:
-    """Reordena colunas e ordena linhas para saída consistente e determinística."""
-    colunas_selecionadas = [col for col in ORDEM_COLUNAS_FINAL if col in df.columns]
-    return df.select(colunas_selecionadas).sort(by=CHAVES_ORDENACAO)
-
-
 def tpf_monthly_trades(target_date: DateLike, extragroup: bool = False) -> pl.DataFrame:
     """Consulta negociações mensais no mercado secundário de TPF
     registradas no sistema Selic do BCB.
@@ -164,19 +138,19 @@ def tpf_monthly_trades(target_date: DateLike, extragroup: bool = False) -> pl.Da
         - ISIN (str): código ISIN (International Securities Identification Number).
         - IssueDate (Date): data de emissão do título.
         - MaturityDate (Date): data de vencimento do título.
-        - Trades (Int64): número de operações realizadas.
-        - Quantity (Int64): quantidade negociada.
+        - Trades (Int64): número total de operações realizadas.
+        - Quantity (Int64): quantidade total negociada.
         - Value (Float64): valor financeiro negociado (Quantity * AvgPrice).
         - MinPrice (Float64): preço unitário mínimo.
         - AvgPrice (Float64): preço unitário médio.
         - MaxPrice (Float64): preço unitário máximo.
         - UnderlyingPrice (Float64): PU lastro.
-        - ParValue (Float64): valor par.
+        - ParValue (Float64): valor nominal atualizado (VNA) do título.
         - MinRate (Float64): taxa mínima.
         - AvgRate (Float64): taxa média.
         - MaxRate (Float64): taxa máxima.
-        - BrokerageTrades (Int64): número de operações com corretagem.
-        - BrokerageQuantity (Int64): quantidade negociada com corretagem.
+        - BrokerageTrades (Int64): subconjunto de Trades com corretagem.
+        - BrokerageQuantity (Int64): subconjunto de Quantity com corretagem.
 
     Notes:
         - Dados ordenados por: SettlementDate, BondType, MaturityDate.
@@ -187,7 +161,6 @@ def tpf_monthly_trades(target_date: DateLike, extragroup: bool = False) -> pl.Da
 
     """
     if any_is_empty(target_date):
-        registro.warning("Nenhuma data informada. Retornando DataFrame vazio.")
         return pl.DataFrame()
     try:
         data_alvo = converter_datas(target_date)
@@ -197,7 +170,6 @@ def tpf_monthly_trades(target_date: DateLike, extragroup: bool = False) -> pl.Da
         arquivo_extraido = _descompactar_zip(conteudo_zip)
         df = _ler_df_zip(arquivo_extraido)
         df = _processar_df(df)
-        df = _ordenar_selecionar_colunas(df)
     except Exception as e:
         registro.exception(f"Erro ao coletar dados mensais do BCB: {e}")
         return pl.DataFrame()

{pyield-0.44.5 → pyield-0.45.0}/pyield/bc/vna.py

@@ -1,8 +1,8 @@
 import logging
 
-import cachetools
 import requests
 
+from pyield._internal.cache import ttl_cache
 from pyield._internal.converters import converter_datas
 from pyield._internal.retry import retry_padrao
 from pyield._internal.types import DateLike, any_is_empty
@@ -10,7 +10,7 @@ from pyield._internal.types import DateLike, any_is_empty
 logger = logging.getLogger(__name__)
 
 
-@cachetools.cached(cache=cachetools.TTLCache(maxsize=16, ttl=15))
+@ttl_cache(ttl=15)
 @retry_padrao
 def _baixar_texto(date: DateLike) -> str:
     """Baixa o arquivo diário do SELIC no site do BCB."""

{pyield-0.44.5 → pyield-0.45.0}/pyield/bday/core.py

@@ -143,6 +143,10 @@ def count(
         >>> bday.count("15-12-2023", "01-01-2024")
         10
 
+        Contagem negativa quando ``start`` é posterior a ``end``:
+        >>> bday.count("08-01-2023", "01-01-2023")
+        -5
+
         Total de dias úteis em janeiro e fevereiro desde o início do ano:
         >>> bday.count(start="01-01-2024", end=["01-02-2024", "01-03-2024"])
         shape: (2,)

{pyield-0.44.5 → pyield-0.45.0}/pyield/fwd.py

@@ -266,10 +266,6 @@ def forward(
         >>> print(yd.forward(20, 10, 0.06, 0.05))
         nan
 
-        >>> # Argumentos nulos retornam nan
-        >>> print(yd.forward(10, 20, 0.05, None))
-        nan
-
     Notes:
         `du₂` precisa ser necessariamente maior que `du₁` para que
         o cálculo da taxa a termo seja matematicamente válido.

pyield-0.45.0/pyield/ipca/projected.py

@@ -0,0 +1,103 @@
+import datetime as dt
+from dataclasses import dataclass
+
+import polars as pl
+import requests
+
+from pyield._internal.cache import ttl_cache
+from pyield._internal.retry import retry_padrao
+
+_URL_XLS = "https://www.anbima.com.br/informacoes/indicadores/arqs/indicadores.xls"
+
+
+@dataclass
+class ProjecaoIndicador:
+    ultima_atualizacao: dt.datetime  # Data e hora da última atualização
+    periodo_referencia: str  # Mês de referência no formato "MMM/YY"
+    valor_projetado: float  # Valor projetado
+
+
+@ttl_cache()
+@retry_padrao
+def _baixar_planilha() -> bytes:
+    """Baixa o arquivo XLS de indicadores da ANBIMA e retorna os bytes."""
+    try:
+        r = requests.get(_URL_XLS, timeout=10)
+        r.raise_for_status()
+        return r.content
+    except requests.exceptions.RequestException as e:
+        raise ConnectionError(f"Erro ao acessar a planilha da ANBIMA: {e}")
+
+
+def _extrair_datetime(texto: str) -> dt.datetime:
+    """Extrai datetime do texto da primeira célula do XLS.
+
+    Formato esperado:
+    "Data e Hora da Última Atualização: 13/03/2026 - 15:20 h"
+    """
+    # Prefixo fixo → restante é " 13/03/2026 - 15:20 h"
+    prefixo = "Data e Hora da Última Atualização:"
+    parte_data = texto.split(prefixo, maxsplit=1)[1]
+    parte_data = parte_data.strip().removesuffix("h").strip()
+    return dt.datetime.strptime(parte_data, "%d/%m/%Y - %H:%M")
+
+
+def _extrair_periodo(texto: str) -> str:
+    """Extrai o período de referência de 'Projeção (mar/26)' → 'mar/26'."""
+    inicio = texto.index("(") + 1
+    fim = texto.index(")")
+    return texto[inicio:fim]
+
+
+def projected_rate() -> ProjecaoIndicador:
+    """
+    Obtém a projeção atual do IPCA no site da ANBIMA.
+
+    A função baixa a planilha XLS de indicadores da ANBIMA e extrai os
+    dados da projeção do IPCA.
+
+    Returns:
+        ProjecaoIndicador: Objeto contendo:
+            - ultima_atualizacao (dt.datetime): Data e hora da última
+              atualização.
+            - periodo_referencia (str): Período de referência no formato
+              "MMM/YY" (ex.: "mar/26").
+            - valor_projetado (float): Valor projetado do IPCA (decimal).
+
+    Raises:
+        ConnectionError: Se houver erro de conexão com o site da ANBIMA.
+        ValueError: Se os dados esperados não forem encontrados na
+            planilha.
+
+    Notes:
+        Requer conexão com a internet para acessar o site da ANBIMA.
+
+    Examples:
+        >>> from pyield import ipca
+        >>> # Obter a projeção atual do IPCA na ANBIMA
+        >>> ipca.projected_rate()
+        ProjecaoIndicador(ultima_atualizacao=..., periodo_referencia=..., valor_projetado=...)
+    """
+    conteudo = _baixar_planilha()
+    df = pl.read_excel(conteudo, has_header=False)
+
+    # Linha 0: "Data e Hora da Última Atualização: DD/MM/YYYY - HH:MM h"
+    texto_atualizacao = df.item(0, "column_1")
+    ultima_atualizacao = _extrair_datetime(texto_atualizacao)
+
+    # Linha do IPCA: column_1 começa com "IPCA" e column_2 com "Projeção"
+    linha_ipca = df.filter(
+        pl.col("column_1").str.starts_with("IPCA")
+        & pl.col("column_2").str.starts_with("Projeção")
+    )
+    if linha_ipca.is_empty():
+        raise ValueError("Não foi possível encontrar a projeção do IPCA na planilha.")
+
+    periodo_referencia = _extrair_periodo(linha_ipca.item(0, "column_2"))
+    valor_projetado = round(float(linha_ipca.item(0, "column_3")) / 100, 4)
+
+    return ProjecaoIndicador(
+        ultima_atualizacao=ultima_atualizacao,
+        periodo_referencia=periodo_referencia,
+        valor_projetado=valor_projetado,
+    )

{pyield-0.44.5 → pyield-0.45.0}/pyield/rmd.py

@@ -17,6 +17,7 @@ URL_BASE = (
     "https://www.tesourotransparente.gov.br/publicacoes/relatorio-mensal-da-divida-rmd"
 )
 _ABAS_DISPONIVEIS = ("1.3",)
+_TIMEOUT_SEGUNDOS = 60
 
 # Índices de linha (0-based) na planilha após leitura com fastexcel (sem cabeçalho)
 # O fastexcel compacta linhas totalmente vazias, resultando em 81 linhas ao invés das
@@ -89,17 +90,9 @@ def _parsear_periodo(periodo: str) -> datetime.date | None:
 
 
 @retry_padrao
-def _buscar_pagina(url: str) -> bytes:
+def _buscar_conteudo(url: str) -> bytes:
     """Busca o conteúdo de uma URL, seguindo redirects, com retry."""
-    resposta = requests.get(url, timeout=15)
-    resposta.raise_for_status()
-    return resposta.content
-
-
-@retry_padrao
-def _baixar_zip(url: str) -> bytes:
-    """Baixa o arquivo ZIP com retry."""
-    resposta = requests.get(url, timeout=60)
+    resposta = requests.get(url, timeout=_TIMEOUT_SEGUNDOS)
     resposta.raise_for_status()
     return resposta.content
 
@@ -110,7 +103,7 @@ def _buscar_url_anexo() -> str:
     A URL base redireciona automaticamente para a página do mês atual.
     O lxml localiza o link do anexo ZIP nessa página.
     """
-    conteudo_pagina = _buscar_pagina(URL_BASE)
+    conteudo_pagina = _buscar_conteudo(URL_BASE)
     arvore = html.fromstring(conteudo_pagina)
     resultado = arvore.xpath("//a[contains(@href, 'publicacao-anexo')]/@href")
     if not isinstance(resultado, list) or not resultado:
@@ -169,25 +162,15 @@ def _classificar_categorias(
     return eventos_titulos, eventos_diretos
 
 
-def _construir_grupos(
-    eventos: list[tuple[int, str, str, str]],
-) -> dict[tuple[str, str], dict[str, int]]:
-    """Agrupa eventos por (grupo, subgrupo): {chave → {titulo → índice na matriz}}."""
-    grupos: dict[tuple[str, str], dict[str, int]] = {}
-    for idx, grupo, subgrupo, titulo in eventos:
-        chave = (grupo, subgrupo)
-        if chave not in grupos:
-            grupos[chave] = {}
-        grupos[chave][titulo] = idx
-    return grupos
-
-
 def _montar_df_titulos(
-    grupos: dict[tuple[str, str], dict[str, int]],
+    eventos: list[tuple[int, str, str, str]],
     datas_mensais: list[datetime.date],
     matriz: pl.DataFrame,
 ) -> pl.DataFrame:
     """Monta DataFrame de detalhamento por título na ordem canônica, após unpivot."""
+    grupos: dict[tuple[str, str], dict[str, int]] = {}
+    for idx, grupo, subgrupo, titulo in eventos:
+        grupos.setdefault((grupo, subgrupo), {})[titulo] = idx
     n_periodos = len(datas_mensais)
     partes: list[pl.DataFrame] = []
     for grupo, subgrupo in _ORDEM_SUBGRUPOS:
@@ -267,8 +250,7 @@ def _estruturar_dados(conteudo_excel: bytes) -> pl.DataFrame:
     # Matriz de valores (apenas períodos mensais), cast para Float64
     matriz = df_dados[:, 1:].cast(pl.Float64, strict=False)[:, indices_mensais]
 
-    grupos = _construir_grupos(eventos_titulos)
-    df_titulos = _montar_df_titulos(grupos, datas_mensais, matriz)
+    df_titulos = _montar_df_titulos(eventos_titulos, datas_mensais, matriz)
     partes_diretas = _montar_partes_diretos(eventos_diretos, datas_mensais, matriz)
     return (
         pl.concat([df_titulos] + partes_diretas)
@@ -277,9 +259,6 @@ def _estruturar_dados(conteudo_excel: bytes) -> pl.DataFrame:
     )
 
 
-_PROCESSADORES: dict[str, object] = {"1.3": _estruturar_dados}
-
-
 def rmd(tab: str) -> pl.DataFrame:
     """Retorna dados do Relatório Mensal da Dívida (RMD) do Tesouro Nacional.
 
@@ -353,18 +332,17 @@ def rmd(tab: str) -> pl.DataFrame:
         >>> round(resgates_2025, 2)
         1395109062272.45
     """
-    if tab not in _PROCESSADORES:
-        disponiveis = ", ".join(f'"{t}"' for t in sorted(_PROCESSADORES))
+    if tab not in _ABAS_DISPONIVEIS:
+        disponiveis = ", ".join(f'"{t}"' for t in sorted(_ABAS_DISPONIVEIS))
         raise ValueError(
             f"Aba '{tab}' não disponível. Abas implementadas: {disponiveis}."
         )
-    processador = _PROCESSADORES[tab]
     try:
         url_anexo = _buscar_url_anexo()
         registro.debug(f"URL do anexo RMD: {url_anexo}")
-        conteudo_zip = _baixar_zip(url_anexo)
+        conteudo_zip = _buscar_conteudo(url_anexo)
         conteudo_excel = _extrair_excel(conteudo_zip)
-        df = processador(conteudo_excel)  # type: ignore[operator]
+        df = _estruturar_dados(conteudo_excel)
     except Exception as e:
         registro.exception(f"Erro ao coletar dados do RMD (aba {tab!r}): {e}")
         return pl.DataFrame()