PYield 0.46.1__tar.gz → 0.46.3__tar.gz

{pyield-0.46.1 → pyield-0.46.3}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: pyield
-Version: 0.46.1
+Version: 0.46.3
 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
@@ -247,6 +247,17 @@ ntnb.quotation(None, "15-05-2035", 0.06149)  # -> nan
 bday.count(["01-01-2024", None], "01-02-2024")  # -> Series: [22, null]
 ```
 
+Consultas sem dados disponíveis (data futura, feriado, fim de semana ou
+fonte indisponível) retornam DataFrame vazio ou `nan`, sem lançar exceção:
+
+```python
+from pyield import bc, futures
+
+futures("01-01-2030", "DI1").is_empty()         # -> True (data futura)
+bc.tpf_monthly_trades("01-01-2030").is_empty()  # -> True (mês futuro)
+bc.ptax("25-12-2025")                           # -> nan (feriado)
+```
+
 ## Migração para Polars (v0.40.0+)
 
 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:

{pyield-0.46.1 → pyield-0.46.3}/README.md

@@ -203,6 +203,17 @@ ntnb.quotation(None, "15-05-2035", 0.06149)  # -> nan
 bday.count(["01-01-2024", None], "01-02-2024")  # -> Series: [22, null]
 ```
 
+Consultas sem dados disponíveis (data futura, feriado, fim de semana ou
+fonte indisponível) retornam DataFrame vazio ou `nan`, sem lançar exceção:
+
+```python
+from pyield import bc, futures
+
+futures("01-01-2030", "DI1").is_empty()         # -> True (data futura)
+bc.tpf_monthly_trades("01-01-2030").is_empty()  # -> True (mês futuro)
+bc.ptax("25-12-2025")                           # -> nan (feriado)
+```
+
 ## Migração para Polars (v0.40.0+)
 
 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:

pyield-0.46.3/pyield/__about__.py

@@ -0,0 +1 @@
+__version__ = "0.46.3"

{pyield-0.46.1 → pyield-0.46.3}/pyield/_internal/data_cache.py

@@ -16,7 +16,7 @@ registro = logging.getLogger(__name__)
 
 # Estrutura interna única — usuário não vê isso
 class _Dataset(Enum):
-    TPF = ("anbima_tpf.parquet", "ReferenceDate", "TPF (ANBIMA)")
+    TPF = ("anbima_tpf.parquet", "data_referencia", "TPF (ANBIMA)")
     PR = ("b3_price_report.parquet", "TradeDate", "Price Report (B3)")
 
     def __init__(self, nome_arquivo: str, coluna_data: str, descricao: str):

pyield-0.46.3/pyield/anbima/tpf.py

@@ -0,0 +1,293 @@
+"""Dados do mercado secundário de Títulos Públicos Federais (TPF) da ANBIMA.
+
+Exemplo de URL:
+    https://www.anbima.com.br/informacoes/merc-sec/arqs/ms240614.txt
+
+Exemplo de dado bruto (CSV separado por @, encoding latin1):
+    ANBIMA - Associação Brasileira das Entidades dos Mercados Financeiro e de Capitais
+
+    Titulo@Data Referencia@Codigo SELIC@Data Base/Emissao@Data Vencimento@Tx. Compra@Tx. Venda@Tx. Indicativas@PU@Desvio padrao@Interv. Ind. Inf. (D0)@Interv. Ind. Sup. (D0)@Interv. Ind. Inf. (D+1)@Interv. Ind. Sup. (D+1)@Criterio
+    LTN@20250924@100000@20230707@20251001@14,9483@14,9263@14,9375@997,241543@0,00433039162894@14,7341@15,2612@14,7316@15,2689@Calculado
+    LTN@20250924@100000@20200206@20260101@14,7741@14,7485@14,7616@963,001853@0,00729826731971@14,7008@14,9986@14,7021@14,9975@Calculado
+"""  # noqa: E501
+
+import datetime as dt
+import logging
+import socket
+from typing import Literal
+
+import polars as pl
+import requests
+
+from pyield import bday
+from pyield._internal.br_numbers import float_br, taxa_br
+from pyield._internal.converters import converter_datas, data_referencia_valida
+from pyield._internal.data_cache import obter_dataset_cacheado
+from pyield._internal.retry import retry_padrao
+from pyield._internal.types import DateLike
+
+BOND_TYPES = Literal["LFT", "NTN-B", "NTN-C", "LTN", "NTN-F", "PRE"]
+
+ANBIMA_URL = "https://www.anbima.com.br/informacoes/merc-sec/arqs"
+ANBIMA_RTM_HOSTNAME = "www.anbima.associados.rtm"
+ANBIMA_RTM_URL = f"http://{ANBIMA_RTM_HOSTNAME}/merc_sec/arqs"
+
+# Antes de 13/05/2014 o arquivo era zipado e o endpoint terminava com ".exe"
+DATA_MUDANCA_FORMATO = dt.date(2014, 5, 13)
+
+DIAS_RETENCAO_PUBLICA = 5
+
+# Colunas selecionadas pela função pública tpf()
+COLUNAS_TPF = (
+    "titulo",
+    "data_referencia",
+    "codigo_selic",
+    "data_base",
+    "data_vencimento",
+    "pu",
+    "taxa_compra",
+    "taxa_venda",
+    "taxa_indicativa",
+)
+
+logger = logging.getLogger(__name__)
+
+
+def _mapear_tipo_titulo(tipo_titulo: str) -> list[str]:
+    tipo_titulo = tipo_titulo.upper()
+    mapa_titulos = {
+        "PRE": ["LTN", "NTN-F"],
+        "NTNB": ["NTN-B"],
+        "NTNC": ["NTN-C"],
+        "NTNF": ["NTN-F"],
+    }
+    return mapa_titulos.get(tipo_titulo, [tipo_titulo])
+
+
+def _montar_nome_arquivo(data: dt.date) -> str:
+    data_url = data.strftime("%y%m%d")
+    if data < DATA_MUDANCA_FORMATO:
+        nome_arquivo = f"ms{data_url}.exe"
+    else:
+        nome_arquivo = f"ms{data_url}.txt"
+    return nome_arquivo
+
+
+def _montar_url_arquivo(data: dt.date) -> str:
+    ultimo_dia_util = bday.last_business_day()
+    qtd_dias_uteis = bday.count(data, ultimo_dia_util)
+    if qtd_dias_uteis > DIAS_RETENCAO_PUBLICA:
+        # Para datas com mais de 5 dias úteis, apenas os dados da RTM estão disponíveis
+        logger.info("Tentando buscar dados RTM para %s", data.strftime("%d/%m/%Y"))
+        url_arquivo = f"{ANBIMA_RTM_URL}/{_montar_nome_arquivo(data)}"
+    else:
+        url_arquivo = f"{ANBIMA_URL}/{_montar_nome_arquivo(data)}"
+    return url_arquivo
+
+
+@retry_padrao
+def _obter_csv(data: dt.date) -> bytes:
+    url_arquivo = _montar_url_arquivo(data)
+    resposta = requests.get(url_arquivo, timeout=10)
+    resposta.raise_for_status()
+    return resposta.content
+
+
+def _parsear_df(csv_bytes: bytes) -> pl.DataFrame:
+    """Converte bytes brutos do CSV da ANBIMA em DataFrame (tudo string)."""
+    return pl.read_csv(
+        source=csv_bytes,
+        skip_lines=2,
+        separator="@",
+        null_values=["--"],
+        infer_schema=False,
+        encoding="latin1",
+    )
+
+
+def _processar_df(df: pl.DataFrame) -> pl.DataFrame:
+    """Renomeia, converte tipos e define a ordem das colunas."""
+    return df.select(
+        titulo=pl.col("Titulo"),
+        data_referencia=pl.col("Data Referencia").str.to_date("%Y%m%d"),
+        codigo_selic=pl.col("Codigo SELIC").cast(pl.Int64),
+        data_base=pl.col("Data Base/Emissao").str.to_date("%Y%m%d"),
+        data_vencimento=pl.col("Data Vencimento").str.to_date("%Y%m%d"),
+        taxa_compra=taxa_br("Tx. Compra"),
+        taxa_venda=taxa_br("Tx. Venda"),
+        taxa_indicativa=taxa_br("Tx. Indicativas"),
+        pu=float_br("PU"),
+        desvio_padrao=float_br("Desvio padrao"),
+        taxa_intervalo_inf_d0=taxa_br("Interv. Ind. Inf. (D0)"),
+        taxa_intervalo_sup_d0=taxa_br("Interv. Ind. Sup. (D0)"),
+        taxa_intervalo_inf_d1=taxa_br("Interv. Ind. Inf. (D+1)"),
+        taxa_intervalo_sup_d1=taxa_br("Interv. Ind. Sup. (D+1)"),
+        criterio=pl.col("Criterio"),
+    )
+
+
+def _buscar_dados_tpf(data: dt.date) -> pl.DataFrame:
+    """Busca e processa dados do mercado secundário de TPF na fonte ANBIMA.
+
+    Args:
+        data: Data de referência.
+
+    Returns:
+        DataFrame processado ou DataFrame vazio se indisponível.
+    """
+    url_arquivo = _montar_url_arquivo(data)
+
+    # Fail-fast: se a URL é RTM e o host não resolve, não adianta tentar
+    if ANBIMA_RTM_URL in url_arquivo:
+        try:
+            socket.gethostbyname(ANBIMA_RTM_HOSTNAME)
+        except socket.gaierror:
+            data_str = data.strftime("%d/%m/%Y")
+            logger.warning(
+                f"Não foi possível resolver o host da RTM para {data_str}. "
+                "Dados históricos exigem acesso à rede RTM."
+            )
+            return pl.DataFrame()
+
+    csv_bytes = _obter_csv(data)
+    if not csv_bytes.strip():
+        return pl.DataFrame()
+
+    df = _parsear_df(csv_bytes)
+    return _processar_df(df)
+
+
+def tpf(
+    date: DateLike,
+    bond_type: BOND_TYPES | None = None,
+) -> pl.DataFrame:
+    """Recupera os dados do mercado secundário de TPF da ANBIMA.
+
+    Esta função busca taxas indicativas e outros dados de títulos públicos
+    brasileiros. Primeiro consulta o cache local; se não houver dados,
+    busca diretamente na fonte (ANBIMA).
+
+    Args:
+        date (DateLike): A data de referência para os dados (ex: '2024-06-14').
+        bond_type (str, optional): Filtra por tipo de título. Aceita os tipos
+            individuais ('LTN', 'NTN-F', 'NTN-B', 'NTN-C', 'LFT') ou 'PRE'
+            como atalho para prefixados ('LTN' e 'NTN-F').
+
+    Returns:
+        pl.DataFrame: Um DataFrame contendo os dados solicitados.
+            Retorna um DataFrame vazio se não houver dados para a data especificada (ex:
+            finais de semana, feriados ou datas futuras).
+
+    Examples:
+        >>> from pyield import anbima
+        >>> df = anbima.tpf(date="06-02-2026")
+
+    Output Columns:
+        * titulo (String): tipo do título público (ex: 'LTN', 'NTN-B').
+        * data_referencia (Date): data de referência dos dados.
+        * codigo_selic (Int64): código do título no SELIC.
+        * data_base (Date): data base ou de emissão do título.
+        * data_vencimento (Date): data de vencimento do título.
+        * pu (Float64): preço unitário (PU) para liquidação em D0.
+        * taxa_compra (Float64): taxa de compra em D0 (decimal).
+        * taxa_venda (Float64): taxa de venda em D0 (decimal).
+        * taxa_indicativa (Float64): taxa indicativa em D0 (decimal).
+
+    Notes:
+        A fonte dos dados segue a seguinte hierarquia:
+
+        1.  **Cache Local:** Fornece acesso rápido a dados históricos
+            desde 01/01/2020.
+        2.  **Fonte ANBIMA (fallback):** Se a data não estiver no cache,
+            busca automaticamente na fonte. Para datas recentes (até 5 dias
+            úteis), usa o site público. Para datas mais antigas, requer
+            acesso à rede RTM.
+
+        Para obter o dado completo direto da fonte (todas as colunas),
+        use :func:`fetch_tpf`.
+    """
+    date = converter_datas(date)
+
+    if not data_referencia_valida(date):
+        return pl.DataFrame()
+
+    # Cache primeiro; se não tiver, busca na fonte
+    df = obter_dataset_cacheado("tpf")
+    if not df.is_empty():
+        df = df.filter(pl.col("data_referencia") == date)
+    if df.is_empty():
+        df = _buscar_dados_tpf(date)
+    if df.is_empty():
+        return pl.DataFrame()
+
+    df = df.select(col for col in COLUNAS_TPF if col in df.columns)
+
+    if bond_type:
+        tipos_titulo = _mapear_tipo_titulo(bond_type)
+        df = df.filter(pl.col("titulo").is_in(tipos_titulo))
+
+    return df.sort("data_referencia", "titulo", "data_vencimento")
+
+
+def fetch_tpf(
+    date: DateLike,
+) -> pl.DataFrame:
+    """Busca os dados do mercado secundário de TPF direto da fonte ANBIMA.
+
+    Retorna todas as colunas publicadas pela ANBIMA, sem cache e sem
+    filtro de colunas. Indicado para uso em jobs e pipelines de dados.
+
+    Args:
+        date (DateLike): Data de referência (ex: '2024-06-14').
+
+    Returns:
+        pl.DataFrame: DataFrame com todas as colunas da ANBIMA.
+            Retorna DataFrame vazio se não houver dados.
+    """
+    date = converter_datas(date)
+
+    if not data_referencia_valida(date):
+        return pl.DataFrame()
+
+    df = _buscar_dados_tpf(date)
+    if df.is_empty():
+        return pl.DataFrame()
+
+    return df.sort("data_referencia", "titulo", "data_vencimento")
+
+
+def tpf_maturities(
+    date: DateLike,
+    bond_type: BOND_TYPES,
+) -> pl.Series:
+    """Recupera os vencimentos existentes para um tipo de título na data especificada.
+
+    Args:
+        date (DateLike): A data de referência para os vencimentos.
+        bond_type (BOND_TYPES): O tipo de título para filtrar (ex: 'PRE' para 'LTN'
+            e 'NTN-F', ou especifique 'LTN' ou 'NTN-F' diretamente).
+
+    Returns:
+        pl.Series: Uma Series contendo as datas de vencimento únicas para o(s)
+            tipo(s) de título especificado(s).
+
+    Examples:
+        >>> from pyield import anbima
+        >>> anbima.tpf_maturities(date="22-08-2025", bond_type="PRE")
+        shape: (18,)
+        Series: 'data_vencimento' [date]
+        [
+            2025-10-01
+            2026-01-01
+            2026-04-01
+            2026-07-01
+            2026-10-01
+            …
+            2030-01-01
+            2031-01-01
+            2032-01-01
+            2033-01-01
+            2035-01-01
+        ]
+    """
+    return tpf(date, bond_type)["data_vencimento"].unique().sort()

{pyield-0.46.1 → pyield-0.46.3}/pyield/b3/_validar_pregao.py

@@ -1,10 +1,7 @@
 import datetime as dt
-import logging
 
 from pyield import bday, clock
 
-registro = logging.getLogger(__name__)
-
 
 def data_negociacao_valida(data_negociacao: dt.date) -> bool:
     """Valida se a data de referência é utilizável para consulta.
@@ -13,24 +10,19 @@ def data_negociacao_valida(data_negociacao: dt.date) -> bool:
     - Deve ser um dia útil brasileiro.
     - Não pode estar no futuro (maior que a data corrente no Brasil).
 
-    Retorna True se válida, False caso contrário (e loga um aviso).
+    Retorna True se válida, False caso contrário.
     """
     if data_negociacao > clock.today():
-        registro.warning(f"A data informada {data_negociacao} está no futuro.")
         return False
     if not bday.is_business_day(data_negociacao):
-        registro.warning(f"A data informada {data_negociacao} não é dia útil.")
         return False
 
     # Não tem pregão na véspera de Natal e Ano Novo
-    datas_fechadas_especiais = {  # Datas especiais
-        dt.date(data_negociacao.year, 12, 24),  # Véspera de Natal
-        dt.date(data_negociacao.year, 12, 31),  # Véspera de Ano Novo
+    datas_fechadas_especiais = {
+        dt.date(data_negociacao.year, 12, 24),
+        dt.date(data_negociacao.year, 12, 31),
     }
     if data_negociacao in datas_fechadas_especiais:
-        registro.warning(
-            f"Não há pregão na véspera de Natal e de Ano Novo: {data_negociacao}"
-        )
         return False
 
     return True

{pyield-0.46.1 → pyield-0.46.3}/pyield/b3/di1.py

@@ -62,11 +62,11 @@ def data(
     if pre_filter:
         df_tpf = (
             obter_dataset_cacheado("tpf")
-            .filter(pl.col("BondType").is_in(["LTN", "NTN-F"]))
-            .unique(subset=["MaturityDate", "ReferenceDate"])
+            .filter(pl.col("titulo").is_in(["LTN", "NTN-F"]))
+            .unique(subset=["data_vencimento", "data_referencia"])
             .select(
-                TradeDate_tpf=pl.col("ReferenceDate"),
-                ExpirationDate=bday.offset_expr("MaturityDate", 0),
+                TradeDate_tpf=pl.col("data_referencia"),
+                ExpirationDate=bday.offset_expr("data_vencimento", 0),
             )
             .sort("TradeDate_tpf", "ExpirationDate")
         )

{pyield-0.46.1 → pyield-0.46.3}/pyield/bc/ptax_api.py

@@ -69,13 +69,15 @@ def _processar_df(df: pl.DataFrame) -> pl.DataFrame:
         )
         .with_columns(
             data=pl.col("data_hora").cast(pl.Date),
+            hora=pl.col("data_hora").dt.time(),
             cotacao_media=pl.mean_horizontal("cotacao_compra", "cotacao_venda").round(
                 5
             ),
         )
-        .unique(subset=["data"], keep="last")
-        .select("data", "data_hora", "cotacao_compra", "cotacao_venda", "cotacao_media")
         .sort("data_hora")
+        .unique(subset=["data"], keep="last")
+        .select("data", "hora", "cotacao_compra", "cotacao_venda", "cotacao_media")
+        .sort("data")
     )
 
 
@@ -100,7 +102,7 @@ def ptax_series(
 
     Output Columns:
         * data (Date): data da cotação.
-        * data_hora (Datetime): data e hora da cotação.
+        * hora (Time): hora da cotação.
         * cotacao_compra (Float64): taxa de compra em R$.
         * cotacao_venda (Float64): taxa de venda em R$.
         * cotacao_media (Float64): média de compra/venda (5 casas).
@@ -122,30 +124,30 @@ def ptax_series(
         >>> from pyield import bc
         >>> bc.ptax_series(start="20-04-2025", end="25-04-2025")
         shape: (4, 5)
-        ┌────────────┬─────────────────────────┬────────────────┬───────────────┬───────────────┐
-        │ data       ┆ data_hora               ┆ cotacao_compra ┆ cotacao_venda ┆ cotacao_media │
-        │ ---        ┆ ---                     ┆ ---            ┆ ---           ┆ ---           │
-        │ date       ┆ datetime[μs]            ┆ f64            ┆ f64           ┆ f64           │
-        ╞════════════╪═════════════════════════╪════════════════╪═══════════════╪═══════════════╡
-        │ 2025-04-22 ┆ 2025-04-22 13:09:35.629 ┆ 5.749          ┆ 5.7496        ┆ 5.7493        │
-        │ 2025-04-23 ┆ 2025-04-23 13:06:30.443 ┆ 5.6874         ┆ 5.688         ┆ 5.6877        │
-        │ 2025-04-24 ┆ 2025-04-24 13:04:29.639 ┆ 5.6732         ┆ 5.6738        ┆ 5.6735        │
-        │ 2025-04-25 ┆ 2025-04-25 13:09:26.592 ┆ 5.684          ┆ 5.6846        ┆ 5.6843        │
-        └────────────┴─────────────────────────┴────────────────┴───────────────┴───────────────┘
+        ┌────────────┬──────────────┬────────────────┬───────────────┬───────────────┐
+        │ data       ┆ hora         ┆ cotacao_compra ┆ cotacao_venda ┆ cotacao_media │
+        │ ---        ┆ ---          ┆ ---            ┆ ---           ┆ ---           │
+        │ date       ┆ time         ┆ f64            ┆ f64           ┆ f64           │
+        ╞════════════╪══════════════╪════════════════╪═══════════════╪═══════════════╡
+        │ 2025-04-22 ┆ 13:09:35.629 ┆ 5.749          ┆ 5.7496        ┆ 5.7493        │
+        │ 2025-04-23 ┆ 13:06:30.443 ┆ 5.6874         ┆ 5.688         ┆ 5.6877        │
+        │ 2025-04-24 ┆ 13:04:29.639 ┆ 5.6732         ┆ 5.6738        ┆ 5.6735        │
+        │ 2025-04-25 ┆ 13:09:26.592 ┆ 5.684          ┆ 5.6846        ┆ 5.6843        │
+        └────────────┴──────────────┴────────────────┴───────────────┴───────────────┘
 
         >>> bc.ptax_series(start="02-01-1995", end="06-01-1995")
         shape: (5, 5)
-        ┌────────────┬─────────────────────┬────────────────┬───────────────┬───────────────┐
-        │ data       ┆ data_hora           ┆ cotacao_compra ┆ cotacao_venda ┆ cotacao_media │
-        │ ---        ┆ ---                 ┆ ---            ┆ ---           ┆ ---           │
-        │ date       ┆ datetime[μs]        ┆ f64            ┆ f64           ┆ f64           │
-        ╞════════════╪═════════════════════╪════════════════╪═══════════════╪═══════════════╡
-        │ 1995-01-02 ┆ 1995-01-02 18:20:00 ┆ 0.843          ┆ 0.845         ┆ 0.844         │
-        │ 1995-01-03 ┆ 1995-01-03 18:25:00 ┆ 0.844          ┆ 0.846         ┆ 0.845         │
-        │ 1995-01-04 ┆ 1995-01-04 18:12:00 ┆ 0.844          ┆ 0.846         ┆ 0.845         │
-        │ 1995-01-05 ┆ 1995-01-05 18:07:00 ┆ 0.842          ┆ 0.844         ┆ 0.843         │
-        │ 1995-01-06 ┆ 1995-01-06 18:12:00 ┆ 0.839          ┆ 0.841         ┆ 0.84          │
-        └────────────┴─────────────────────┴────────────────┴───────────────┴───────────────┘
+        ┌────────────┬──────────┬────────────────┬───────────────┬───────────────┐
+        │ data       ┆ hora     ┆ cotacao_compra ┆ cotacao_venda ┆ cotacao_media │
+        │ ---        ┆ ---      ┆ ---            ┆ ---           ┆ ---           │
+        │ date       ┆ time     ┆ f64            ┆ f64           ┆ f64           │
+        ╞════════════╪══════════╪════════════════╪═══════════════╪═══════════════╡
+        │ 1995-01-02 ┆ 18:20:00 ┆ 0.843          ┆ 0.845         ┆ 0.844         │
+        │ 1995-01-03 ┆ 18:25:00 ┆ 0.844          ┆ 0.846         ┆ 0.845         │
+        │ 1995-01-04 ┆ 18:12:00 ┆ 0.844          ┆ 0.846         ┆ 0.845         │
+        │ 1995-01-05 ┆ 18:07:00 ┆ 0.842          ┆ 0.844         ┆ 0.843         │
+        │ 1995-01-06 ┆ 18:12:00 ┆ 0.839          ┆ 0.841         ┆ 0.84          │
+        └────────────┴──────────┴────────────────┴───────────────┴───────────────┘
     """
     if start:
         start = cv.converter_datas(start)

{pyield-0.46.1 → pyield-0.46.3}/pyield/bc/trades_monthly.py

@@ -23,6 +23,7 @@ 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
+from pyield.clock import today
 
 URL_BASE = "https://www4.bcb.gov.br/pom/demab/negociacoes/download"
 
@@ -148,6 +149,8 @@ def tpf_monthly_trades(target_date: DateLike, extragroup: bool = False) -> pl.Da
     if any_is_empty(target_date):
         return pl.DataFrame()
     data_alvo = converter_datas(target_date)
+    if (data_alvo.year, data_alvo.month) > (today().year, today().month):
+        return pl.DataFrame()
     url = _montar_url(data_alvo, extragroup)
     conteudo_zip = _baixar_zip(url)
     arquivo_extraido = _descompactar_zip(conteudo_zip)

{pyield-0.46.1 → pyield-0.46.3}/pyield/fwd.py

@@ -103,7 +103,7 @@ def forwards(
         >>> # Exemplo com taxas indicativas de NTN-B em 16-09-2025
         >>> from pyield import ntnb
         >>> df = ntnb.data("16-09-2025")
-        >>> yd.forwards(df["BDToMat"], df["IndicativeRate"])
+        >>> yd.forwards(df["dias_uteis"], df["taxa_indicativa"])
         shape: (13,)
         Series: 'fwd' [f64]
         [

{pyield-0.46.1 → pyield-0.46.3}/pyield/tn/lft.py

@@ -1,7 +1,7 @@
 import polars as pl
 
 import pyield._internal.converters as cv
-from pyield import anbima, bday
+from pyield import bday
 from pyield._internal.types import DateLike, any_is_empty
 from pyield.tn import utils
 
@@ -17,62 +17,61 @@ def data(date: DateLike) -> pl.DataFrame:
         pl.DataFrame: DataFrame Polars com os dados de LFT.
 
     Output Columns:
-        - ReferenceDate (Date): Data de referência dos dados.
-        - BondType (String): Tipo do título (ex.: "LFT").
-        - SelicCode (Int64): Código do título no SELIC.
-        - IssueBaseDate (Date): Data base/emissão do título.
-        - MaturityDate (Date): Data de vencimento do título.
-        - BDToMat (Int64): Dias úteis entre referência e vencimento.
-        - AvgMaturity (Float64): Prazo médio do título em anos.
-        - Price (Float64): Preço unitário (PU).
-        - BidRate (Float64): Taxa de compra (decimal).
-        - AskRate (Float64): Taxa de venda (decimal).
-        - IndicativeRate (Float64): Taxa indicativa (decimal).
-        - DIRate (Float64): Taxa DI interpolada (flat forward).
-        - Premium (Float64): Rentabilidade da LFT sobre o DI.
+        - data_referencia (Date): Data de referência dos dados.
+        - titulo (String): Tipo do título (ex.: "LFT").
+        - codigo_selic (Int64): Código do título no SELIC.
+        - data_base (Date): Data base de emissão do título.
+        - data_vencimento (Date): Data de vencimento do título.
+        - dias_uteis (Int64): Dias úteis entre referência e vencimento.
+        - prazo_medio (Float64): Prazo médio do título em anos.
+        - pu (Float64): Preço unitário (PU).
+        - taxa_compra (Float64): Taxa de compra (decimal).
+        - taxa_venda (Float64): Taxa de venda (decimal).
+        - taxa_indicativa (Float64): Taxa indicativa (decimal).
+        - taxa_di (Float64): Taxa de ajuste do DI Futuro interpolada pelo
+            método flat forward.
+        - rentabilidade (Float64): Rentabilidade da LFT sobre o DI.
 
     Examples:
         >>> from pyield import lft
         >>> df_lft = lft.data("23-08-2024")  # doctest: +SKIP
     """
-    df = anbima.tpf(date, "LFT")
+    df = utils.obter_tpf(date, "LFT")
     if df.is_empty():
         return df
 
     data_ref = cv.converter_datas(date)
 
-    # Adiciona BDToMat (dado derivado, não vem da ANBIMA)
     df = df.with_columns(
-        BDToMat=bday.count_expr("ReferenceDate", "MaturityDate"),
+        dias_uteis=bday.count_expr("data_referencia", "data_vencimento"),
     )
 
-    # Adiciona AvgMaturity e DIRate
     df = df.with_columns(
-        AvgMaturity=pl.col("BDToMat") / 252,
+        prazo_medio=pl.col("dias_uteis") / 252,
     )
     df = utils.adicionar_taxa_di(df, data_ref)
 
     df = df.with_columns(
-        Premium=pl.struct("IndicativeRate", "DIRate").map_elements(
-            lambda s: premium(s["IndicativeRate"], s["DIRate"]),
+        rentabilidade=pl.struct("taxa_indicativa", "taxa_di").map_elements(
+            lambda s: premium(s["taxa_indicativa"], s["taxa_di"]),
             return_dtype=pl.Float64,
         )
     )
 
     return df.select(
-        "ReferenceDate",
-        "BondType",
-        "SelicCode",
-        "IssueBaseDate",
-        "MaturityDate",
-        "BDToMat",
-        "AvgMaturity",
-        "Price",
-        "BidRate",
-        "AskRate",
-        "IndicativeRate",
-        "DIRate",
-        "Premium",
+        "data_referencia",
+        "titulo",
+        "codigo_selic",
+        "data_base",
+        "data_vencimento",
+        "dias_uteis",
+        "prazo_medio",
+        "pu",
+        "taxa_compra",
+        "taxa_venda",
+        "taxa_indicativa",
+        "taxa_di",
+        "rentabilidade",
     )
 
 
@@ -90,7 +89,7 @@ def maturities(date: DateLike) -> pl.Series:
         >>> from pyield import lft
         >>> lft.maturities("22-08-2024")
         shape: (14,)
-        Series: 'MaturityDate' [date]
+        Series: 'data_vencimento' [date]
         [
             2024-09-01
             2025-03-01
@@ -105,7 +104,7 @@ def maturities(date: DateLike) -> pl.Series:
             2030-09-01
         ]
     """
-    return data(date)["MaturityDate"]
+    return data(date)["data_vencimento"]
 
 
 def quotation(