pyield 0.48.7__tar.gz → 0.48.9__tar.gz

{pyield-0.48.7 → pyield-0.48.9}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: pyield
-Version: 0.48.7
+Version: 0.48.9
 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

pyield-0.48.9/pyield/__about__.py

@@ -0,0 +1 @@
+__version__ = "0.48.9"

pyield-0.48.9/pyield/anbima/__init__.py

@@ -0,0 +1,9 @@
+from pyield.anbima.imaq import imaq
+from pyield.anbima.tpf import tpf, tpf_fonte, tpf_vencimentos
+
+__all__ = [
+    "imaq",
+    "tpf",
+    "tpf_vencimentos",
+    "tpf_fonte",
+]

{pyield-0.48.7 → pyield-0.48.9}/pyield/b3/boletim.py

@@ -102,6 +102,13 @@ COLUNAS_PRICE_REPORT: list[tuple[str, str, type[pl.DataType]]] = [
 SCHEMA_PRICE_REPORT = {nome: tipo for _, nome, tipo in COLUNAS_PRICE_REPORT}
 
 
+_SESSAO = requests.Session()
+_SESSAO.headers["User-Agent"] = (
+    "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36"
+    " (KHTML, like Gecko) Chrome/144.0.0.0 Safari/537.36"
+)
+
+
 @ttl_cache()
 @retry_padrao
 def _baixar_zip_url(data: dt.date, boletim_completo: bool) -> bytes:
@@ -113,7 +120,7 @@ def _baixar_zip_url(data: dt.date, boletim_completo: bool) -> bytes:
             f"https://www.b3.com.br/pesquisapregao/download?filelist=SPRD{data_str}.zip"
         )
 
-    resposta = requests.get(url, timeout=(5, 30))
+    resposta = _SESSAO.get(url, timeout=(5, 30))
     resposta.raise_for_status()
 
     if len(resposta.content) < MIN_TAMANHO_ZIP_BYTES:
@@ -215,19 +222,12 @@ def _parsear_xml_registros(xml_bytes: bytes) -> list[dict]:
 
 
 def _converter_para_df(registros: list[dict]) -> pl.DataFrame:
-    df = pl.DataFrame(registros)
-    # Casting usa os nomes originais do XML, que são constantes
-    tipos_coluna = {k: v for k, v in SCHEMA_PRICE_REPORT.items() if k in df.columns}
-    df = df.cast(tipos_coluna, strict=False)  # type: ignore
-    # Adiciona colunas ausentes com null e garante ordem/schema constante
-    colunas_faltantes = {
-        nome: pl.lit(None).cast(tipo)
-        for nome, tipo in SCHEMA_PRICE_REPORT.items()
-        if nome not in df.columns
-    }
-    if colunas_faltantes:
-        df = df.with_columns(**colunas_faltantes)
-    return df.select(SCHEMA_PRICE_REPORT.keys())
+    # Schema explícito garante que todas as colunas existam no DataFrame,
+    # mesmo que os primeiros registros não tenham todas as chaves.
+    # (pl.DataFrame infere colunas de ~50 primeiras linhas por padrão.)
+    schema_str = {nome: pl.String for nome in SCHEMA_PRICE_REPORT}
+    df = pl.DataFrame(registros, schema=schema_str)
+    return df.cast(SCHEMA_PRICE_REPORT, strict=False)  # type: ignore
 
 
 def _processar_xml_extraido(xml_bytes: bytes) -> pl.DataFrame:

{pyield-0.48.7 → pyield-0.48.9}/pyield/b3/di1.py

@@ -236,11 +236,9 @@ def interpolar_taxas(
             extrapolar=extrapolar,
         )
 
-        # 4. A mágica: map_batches passa a Series inteira para o interpolador
-        # O interpolador retorna uma Series, que o Polars alinha perfeitamente
         df_parcial = df_parcial.with_columns(
             pl.col("dias_uteis")
-            .map_batches(interpolador_du)  # Passa Series -> Recebe Series
+            .map_elements(interpolador_du, return_dtype=pl.Float64)
             .alias("taxa_interpolada")
         )
 

{pyield-0.48.7 → pyield-0.48.9}/pyield/b3/futuro/__init__.py

@@ -13,12 +13,12 @@ def futuro_enriquecer(
     """Enriquece DataFrame bruto do Price Report (PR) da B3.
 
     Aceita um DataFrame com colunas no schema original da B3
-    (ex.: ``TradDt``, ``TckrSymb``) ou já renomeadas para o padrão
-    PYield. Adiciona data de vencimento, dias úteis/corridos e
-    colunas derivadas (dv01, taxa_forward) conforme o contrato.
+    (ex.: ``TradDt``, ``TckrSymb``). Filtra pelo contrato informado,
+    adiciona data de vencimento, dias úteis/corridos e colunas
+    derivadas (dv01, taxa_forward) conforme o contrato.
 
     Args:
-        df: DataFrame com dados do PR da B3.
+        df: DataFrame com dados brutos do PR da B3.
         contrato: Contrato futuro
             (ex.: "DI1", "DOL").
 

{pyield-0.48.7 → pyield-0.48.9}/pyield/b3/futuro/historico.py

@@ -76,6 +76,9 @@ _COLUNAS_CONTRATO_TAXA = (
     "taxa_forward",
 )
 
+# Comprimento padrão de ticker de futuro na B3 (prefixo 3 + mês 1 + ano 2).
+_COMPRIMENTO_TICKER = 6
+
 # Normaliza o schema XML bruto da B3 para o padrão de colunas deste módulo.
 _RENOMEAR_COLUNAS_PR = {
     "TradDt": "data_referencia",
@@ -125,7 +128,11 @@ def _enriquecer_dados(df: pl.DataFrame, contrato: str) -> pl.DataFrame:
 
     if contrato in {"DI1", "DAP"}:
         df = df.with_columns(
-            taxa_forward=forwards(dias_uteis=df["dias_uteis"], taxas=df["taxa_ajuste"])
+            taxa_forward=forwards(
+                dias_uteis=df["dias_uteis"],
+                taxas=df["taxa_ajuste"],
+                agrupar_por=df["data_referencia"],
+            )
         )
 
     return df
@@ -156,12 +163,12 @@ def enriquecer(df: pl.DataFrame, contrato: str) -> pl.DataFrame:
     """Enriquece DataFrame bruto do Price Report (PR) da B3.
 
     Aceita um DataFrame com colunas no schema original da B3 (ex.:
-    ``TradDt``, ``TckrSymb``) ou já renomeadas para o padrão PYield.
-    Adiciona data de vencimento, dias úteis/corridos e colunas derivadas
-    (dv01, taxa_forward) conforme o contrato.
+    ``TradDt``, ``TckrSymb``). Filtra pelo contrato informado,
+    adiciona data de vencimento, dias úteis/corridos e colunas
+    derivadas (dv01, taxa_forward) conforme o contrato.
 
     Args:
-        df: DataFrame com dados do PR da B3.
+        df: DataFrame com dados brutos do PR da B3.
         contrato: Contrato futuro (ex.: "DI1", "DOL").
 
     Returns:
@@ -171,6 +178,12 @@ def enriquecer(df: pl.DataFrame, contrato: str) -> pl.DataFrame:
         return pl.DataFrame()
 
     df = df.rename(_RENOMEAR_COLUNAS_PR)
+    df = df.filter(
+        pl.col("codigo_negociacao").str.starts_with(contrato),
+        pl.col("codigo_negociacao").str.len_chars() == _COMPRIMENTO_TICKER,
+    )
+    if df.is_empty():
+        return pl.DataFrame()
     df = adicionar_vencimento(df, contrato, coluna_ticker="codigo_negociacao")
     df = _enriquecer_dados(df, contrato)
     df = _selecionar_colunas_saida(df, contrato)

pyield-0.48.9/pyield/tn/__init__.py

@@ -0,0 +1,20 @@
+from pyield.tn import lft, ltn, ntnb, ntnb1, ntnbprinc, ntnc, ntnf, pre
+from pyield.tn.benchmark import benchmarks
+from pyield.tn.leiloes import leilao
+from pyield.tn.rmd import rmd
+from pyield.tn.utils import premio_pre
+
+__all__ = [
+    "benchmarks",
+    "leilao",
+    "lft",
+    "ltn",
+    "ntnb",
+    "ntnb1",
+    "ntnbprinc",
+    "ntnc",
+    "ntnf",
+    "pre",
+    "premio_pre",
+    "rmd",
+]

pyield-0.48.7/pyield/__about__.py

@@ -1 +0,0 @@
-__version__ = "0.48.7"

pyield-0.48.7/pyield/anbima/__init__.py

@@ -1,15 +0,0 @@
-from pyield.anbima.ettj_intradia import ettj_intradia
-from pyield.anbima.ettj_ultima import ettj_ultima
-from pyield.anbima.ima_ultimo import ima_ultimo
-from pyield.anbima.imaq import imaq
-from pyield.anbima.tpf import tpf, tpf_fonte, tpf_vencimentos
-
-__all__ = [
-    "ima_ultimo",
-    "imaq",
-    "tpf",
-    "tpf_vencimentos",
-    "tpf_fonte",
-    "ettj_ultima",
-    "ettj_intradia",
-]

pyield-0.48.7/pyield/anbima/ettj_intradia.py

@@ -1,83 +0,0 @@
-import datetime as dt
-
-import polars as pl
-import requests
-
-from pyield._internal.br_numbers import float_br, taxa_br
-from pyield._internal.cache import ttl_cache
-from pyield._internal.retry import retry_padrao
-
-URL_ETTJ_INTRADIA = (
-    "https://www.anbima.com.br/informacoes/curvas-intradiarias/cIntra-down.asp"
-)
-
-# Dados ETTJ: taxas com 4 casas decimais em percentual (ex.: 14,2644%).
-
-
-@ttl_cache()
-@retry_padrao
-def _buscar_texto_intradia() -> str:
-    carga_requisicao = {"Dt_Ref": "", "saida": "csv"}
-    resposta = requests.post(URL_ETTJ_INTRADIA, data=carga_requisicao, timeout=10)
-    resposta.raise_for_status()
-    resposta.encoding = "latin1"
-    return resposta.text
-
-
-def _extrair_data_e_tabelas(texto: str) -> tuple[dt.date, str, str]:
-    """Separa o texto bruto em data de referência e as duas tabelas CSV."""
-    # Cada seção (PREFIXADOS e IPCA) é separada por linha em branco
-    secao_pre, secao_ipca = texto.strip().replace("\r\n", "\n").split("\n\n")
-
-    # Estrutura de cada seção: título, data, header+dados
-    linhas_pre = secao_pre.splitlines()
-    data_ref = dt.datetime.strptime(linhas_pre[1], "%d/%m/%Y").date()
-    tabela_pre = "\n".join(linhas_pre[2:])
-
-    linhas_ipca = secao_ipca.splitlines()
-    tabela_ipca = "\n".join(linhas_ipca[2:])
-
-    return data_ref, tabela_pre, tabela_ipca
-
-
-def _parsear_tabela_intradia(texto: str, nome_taxa: str) -> pl.DataFrame:
-    return pl.read_csv(texto.encode(), separator=";", infer_schema=False).select(
-        vertice=float_br("Vertices").cast(pl.Int64),
-        **{nome_taxa: taxa_br("D0")},
-    )
-
-
-def ettj_intradia() -> pl.DataFrame:
-    """Obtém e processa a curva de juros intradiária da ANBIMA.
-
-    Busca os dados mais recentes da curva de juros intradiária publicada pela
-    ANBIMA, contendo taxas reais (indexadas ao IPCA), taxas nominais e inflação
-    implícita em diversos vértices. A curva é publicada por volta das 12h30 BRT.
-
-    Returns:
-        pl.DataFrame: DataFrame com os dados intradiários da ETTJ.
-
-    Output Columns:
-        - data_referencia (Date): data de referência da curva de juros.
-        - vertice (Int64): vértice em dias úteis.
-        - taxa_nominal (Float64): taxa de juros nominal zero-cupom.
-        - taxa_real (Float64): taxa de juros real zero-cupom (indexada ao IPCA).
-        - inflacao_implicita (Float64): taxa de inflação implícita (breakeven).
-
-    Notes:
-        Todas as taxas são expressas em formato decimal (ex: 0.12 para 12%).
-    """
-    texto_api = _buscar_texto_intradia()
-
-    data_ref, tabela_pre, tabela_ipca = _extrair_data_e_tabelas(texto_api)
-
-    df_pre = _parsear_tabela_intradia(tabela_pre, "taxa_nominal")
-    df_ipca = _parsear_tabela_intradia(tabela_ipca, "taxa_real")
-    expr_inflacao_impl = (pl.col("taxa_nominal") + 1) / (pl.col("taxa_real") + 1) - 1
-    df = df_pre.join(df_ipca, on="vertice", how="right").with_columns(
-        data_referencia=data_ref,
-        inflacao_implicita=expr_inflacao_impl.round(6),
-    )
-    return df.select(
-        "data_referencia", "vertice", "taxa_nominal", "taxa_real", "inflacao_implicita"
-    )

pyield-0.48.7/pyield/anbima/ettj_ultima.py

@@ -1,76 +0,0 @@
-import datetime as dt
-
-import polars as pl
-import requests
-
-from pyield._internal.br_numbers import float_br, taxa_br
-from pyield._internal.cache import ttl_cache
-from pyield._internal.retry import retry_padrao
-
-URL_ETTJ_ULTIMA = "https://www.anbima.com.br/informacoes/est-termo/CZ-down.asp"
-
-# Dados ETTJ: taxas com 4 casas decimais em percentual (ex.: 14,2644%).
-
-
-@ttl_cache()
-@retry_padrao
-def _buscar_texto_ettj_ultima() -> str:
-    """Busca o texto bruto da curva de juros na ANBIMA."""
-    carga_requisicao = {
-        "Idioma": "PT",
-        "Dt_Ref": "",
-        "saida": "csv",
-    }
-    resposta = requests.post(URL_ETTJ_ULTIMA, data=carga_requisicao, timeout=10)
-    resposta.raise_for_status()
-    resposta.encoding = "latin1"
-    return resposta.text
-
-
-def _extrair_data_e_tabela(texto: str) -> tuple[dt.date, str]:
-    """Separa o texto bruto em data de referência e a tabela CSV principal."""
-    # Seções separadas por linha em branco: betas, ETTJ, circular, erros
-    secoes = texto.strip().replace("\r\n", "\n").split("\n\n")
-    # A data está na primeira linha da primeira seção (ex.: "20/03/2026;Beta 1;...")
-    data_str = secoes[0].splitlines()[0][:10]
-    data_ref = dt.datetime.strptime(data_str, "%d/%m/%Y").date()
-    # A tabela ETTJ é a segunda seção; pular o título (primeira linha)
-    linhas_ettj = secoes[1].splitlines()
-    tabela = "\n".join(linhas_ettj[1:])
-    return data_ref, tabela
-
-
-def _processar_tabela(texto: str, data_referencia: dt.date) -> pl.DataFrame:
-    """Lê o CSV e converte para DataFrame com taxas decimais."""
-    return pl.read_csv(texto.encode(), separator=";", infer_schema=False).select(
-        data_referencia=data_referencia,
-        vertice=float_br("Vertices").cast(pl.Int64),
-        taxa_nominal=taxa_br("ETTJ PREF"),
-        taxa_real=taxa_br("ETTJ IPCA"),
-        inflacao_implicita=taxa_br("Inflação Implícita"),
-    )
-
-
-def ettj_ultima() -> pl.DataFrame:
-    """Obtém e processa a última curva de juros (ETTJ) publicada pela ANBIMA.
-
-    Busca os dados mais recentes da curva de juros de fechamento publicada pela
-    ANBIMA, contendo taxas reais (indexadas ao IPCA), taxas nominais e inflação
-    implícita em diversos vértices.
-
-    Returns:
-        pl.DataFrame: DataFrame com os dados da ETTJ de fechamento.
-
-    Output Columns:
-        - data_referencia (Date): data de referência da curva de juros.
-        - vertice (Int64): vértice em dias úteis.
-        - taxa_nominal (Float64): taxa de juros nominal zero-cupom.
-        - taxa_real (Float64): taxa de juros real zero-cupom (indexada ao IPCA).
-        - inflacao_implicita (Float64): taxa de inflação implícita (breakeven).
-
-    Notes:
-        Todas as taxas são expressas em formato decimal (ex: 0.12 para 12%).
-    """
-    texto = _buscar_texto_ettj_ultima()
-    data_ref, tabela = _extrair_data_e_tabela(texto)
-    return _processar_tabela(tabela, data_ref)

pyield-0.48.7/pyield/anbima/ima_ultimo.py

@@ -1,129 +0,0 @@
-from typing import Literal
-
-import polars as pl
-import requests
-
-from pyield._internal.br_numbers import float_br, inteiro_m, taxa_br
-from pyield._internal.cache import ttl_cache
-from pyield._internal.retry import retry_padrao
-
-TiposIMA = 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",
-]
-
-
-URL_IMA_ULTIMO = "https://www.anbima.com.br/informacoes/ima/arqs/ima_completo.txt"
-
-
-@ttl_cache()
-@retry_padrao
-def _buscar_texto_ima_ultimo() -> str:
-    resposta = requests.get(URL_IMA_ULTIMO, timeout=3)
-    resposta.raise_for_status()
-    resposta.encoding = "latin1"
-    return resposta.text
-
-
-def _parsear_df(texto: str) -> pl.DataFrame:
-    texto_csv = texto.split("2@COMPOSIÇÃO DE CARTEIRA")[1].strip()
-    return pl.read_csv(
-        texto_csv.encode(),
-        separator="@",
-        infer_schema=False,
-        null_values="--",
-    )
-
-
-def _processar_df(df: pl.DataFrame) -> pl.DataFrame:
-    mduration_expr = pl.col("duration") / (1 + pl.col("taxa_indicativa"))
-    dv01_mercado_expr = pl.col("dv01") * pl.col("quantidade_mercado")
-    df = (
-        df.with_columns(
-            pu=float_br("PU (R$)"),
-            duration=pl.col("Duration (d.u.)").cast(pl.Int64).truediv(252),
-            taxa_indicativa=taxa_br("Taxa Indicativa (% a.a.)", 4),
-            quantidade_mercado=inteiro_m("Quantidade (1.000 títulos)"),
-        )
-        .with_columns(dv01=0.0001 * pl.col("pu") * mduration_expr)
-        .select(
-            data_referencia=pl.col("Data de Referência").str.to_date("%d/%m/%Y"),
-            indice=pl.col("INDICE"),
-            titulo=pl.col("Títulos"),
-            data_vencimento=pl.col("Data de Vencimento").str.to_date("%d/%m/%Y"),
-            codigo_selic=pl.col("Código SELIC").cast(pl.Int64),
-            isin=pl.col("Código ISIN"),
-            dias_uteis=pl.col("Prazo (d.u.)").cast(pl.Int64),
-            duration=pl.col("duration"),
-            taxa_indicativa=pl.col("taxa_indicativa"),
-            pu=pl.col("pu"),
-            pu_juros=float_br("PU de Juros (R$)"),
-            dv01=pl.col("dv01"),
-            pmr=float_br("PMR"),
-            peso=float_br("Peso (%)"),
-            convexidade=float_br("Convexidade"),
-            quantidade_teorica=float_br("Quantidade Teórica (1.000 títulos)"),
-            operacoes=pl.col("Número de Operações *").cast(pl.Int64),
-            quantidade_negociada=inteiro_m("Quant. Negociada (1.000 títulos) *"),
-            valor_negociado=inteiro_m("Valor Negociado (R$ mil) *"),
-            dv01_mercado=dv01_mercado_expr.round(0).cast(pl.Int64),
-            quantidade_mercado=pl.col("quantidade_mercado"),
-            valor_mercado=inteiro_m("Carteira a Mercado (R$ mil)"),
-        )
-    )
-    return df
-
-
-def ima_ultimo(indice: TiposIMA | None = None) -> pl.DataFrame:
-    """Obtém os últimos dados de composição de carteira IMA disponíveis na ANBIMA.
-
-    Busca e processa os dados do arquivo IMA completo publicado pela ANBIMA,
-    retornando um DataFrame estruturado.
-
-    Args:
-        indice (str, optional): Tipo de índice IMA para filtrar os dados.
-            Se None, retorna todos os índices. Padrão é None.
-
-    Returns:
-        pl.DataFrame: DataFrame com os dados do IMA.
-
-    Output Columns:
-        - data_referencia (Date): data de referência.
-        - indice (String): índice IMA (ex: 'IMA-B', 'IRF-M').
-        - titulo (String): título (ex: 'LTN', 'NTN-B').
-        - data_vencimento (Date): data de vencimento do título.
-        - codigo_selic (Int64): código do título no sistema SELIC.
-        - isin (String): código ISIN.
-        - dias_uteis (Int64): dias úteis até o vencimento.
-        - duration (Float64): duration do título em anos úteis (252 d.u./ano).
-        - taxa_indicativa (Float64): taxa indicativa em decimal (ex: 0.10 para 10%).
-        - pu (Float64): preço unitário (PU) em R$.
-        - pu_juros (Float64): PU de juros em R$.
-        - dv01 (Float64): DV01 em R$.
-        - pmr (Float64): prazo médio de repactuação.
-        - peso (Float64): peso do título no índice (%).
-        - convexidade (Float64): convexidade do título.
-        - quantidade_teorica (Float64): quantidade teórica (em 1.000 títulos).
-        - operacoes (Int64): número de operações.
-        - quantidade_negociada (Int64): quantidade negociada (unidades).
-        - valor_negociado (Int64): valor negociado em R$.
-        - dv01_mercado (Int64): DV01 de mercado em R$.
-        - quantidade_mercado (Int64): quantidade em carteira (unidades).
-        - valor_mercado (Int64): valor de mercado em R$.
-
-    Examples:
-        >>> yd.anbima.ima_ultimo("IMA-B")  # doctest: +SKIP
-    """
-    texto_ima = _buscar_texto_ima_ultimo()
-    df = _parsear_df(texto_ima)
-    df = _processar_df(df)
-    if indice:
-        df = df.filter(pl.col("indice") == indice)
-    return df.sort("indice", "titulo", "data_vencimento")

pyield-0.48.7/pyield/tn/__init__.py

@@ -1,7 +0,0 @@
-from pyield.tn import pre
-from pyield.tn.benchmark import benchmarks
-from pyield.tn.leiloes import leilao
-from pyield.tn.rmd import rmd
-from pyield.tn.utils import premio_pre
-
-__all__ = ["benchmarks", "leilao", "pre", "premio_pre", "rmd"]

{pyield-0.48.7 → pyield-0.48.9}/pyield/__init__.py

@@ -10,7 +10,6 @@ from pyield.selic.cpm import data as copom_options
 from pyield.tn import lft, ltn, ntnb, ntnb1, ntnbprinc, ntnc, ntnf
 
 __all__ = [
-    "Interpolador",
     "__version__",
     "agora",
     "anbima",
@@ -22,6 +21,7 @@ __all__ = [
     "forward",
     "forwards",
     "hoje",
+    "Interpolador",
     "ipca",
     "lft",
     "ltn",