pyield 0.51.2__tar.gz → 0.52.1__tar.gz

{pyield-0.51.2 → pyield-0.52.1}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.3
 Name: pyield
-Version: 0.51.2
+Version: 0.52.1
 Summary: Polars-powered toolkit for Brazilian fixed income analysis
 Keywords: fixed-income,brazil,finance,analysis,bonds
 Author: Carlos Carvalho
@@ -86,10 +86,9 @@ df = yd.futuro.historico("31-05-2024", "DI1")
 
 # Interpolação de taxas (flat forward, convenção 252 dias úteis/ano)
 interp = yd.Interpolador(df["dias_uteis"], df["taxa_ajuste"], metodo="flat_forward")
-interp(45)       # -> 0.04833...
-interp([30, 60]) # -> Series do Polars com taxas interpoladas
+interp(45)  # -> 0.04833...
 
-# Precificação de títulos públicos
+# Preçificar títulos públicos
 yd.ntnb.cotacao("31-05-2024", "15-05-2035", 0.061490)  # -> 99.3651
 
 # Indicadores do BCB
@@ -108,19 +107,20 @@ documentação.
 | Componente | Tipo | Finalidade | Funções públicas |
 |---|---|---|---|
 | `yd.du` | módulo | Dias úteis e calendário brasileiro | `contar`, `deslocar`, `eh_dia_util`, `gerar`, `ultimo_dia_util`, `contar_expr`, `deslocar_expr`, `eh_dia_util_expr` |
-| `yd.Interpolador` | classe | Interpolação de curvas | `interpolar`, `__call__`, `linear`, `flat_forward` |
+| `yd.Interpolador` | classe | Interpolação escalar e em pipelines Polars | `interpolar`, `interpolar_expr`, `linear`, `flat_forward` |
+| `yd.interpolar(...)` | função | Interpolação vetorizada flat-forward, curva única ou multi-curva |  |
 | `yd.forward(...)` | função | Taxa a termo entre dois vértices |  |
 | `yd.forwards(...)` | função | Curva de taxas a termo |  |
 | `yd.futuro` | módulo | Contratos futuros da B3 | `di1`, `historico`, `intradia`, `datas_disponiveis`, `vencimento`, `enriquecer`, `vencimento_expr` |
 | `yd.di1` | módulo | Curva DI1 e interpolação | `dados`, `interpolar_taxas`, `interpolar_taxa`, `datas_disponiveis` |
 | `yd.tpf` | módulo | Títulos públicos federais | `taxas`, `vencimentos`, `estoque`, `leiloes`, `benchmarks`, `curva_pre`, `premio_pre`, `rmd`, `secundario_mensal`, `secundario_intradia` |
-| `yd.lft` | módulo | LFT | `dados`, `vencimentos`, `cotacao`, `taxa`, `vna` |
-| `yd.ltn` | módulo | LTN | `dados`, `vencimentos`, `pu`, `taxa`, `dv01`, `premio`, `rentabilidade`, `taxas_forward` |
-| `yd.ntnb` | módulo | NTN-B | `dados`, `vencimentos`, `datas_pagamento`, `fluxos_caixa`, `cotacao`, `pu`, `taxa`, `taxas_zero`, `duration`, `dv01`, `implicitas`, `curva` |
+| `yd.lft` | módulo | LFT | `dados`, `vencimentos`, `cotacao`, `pu`, `taxa`, `vna`, `rentabilidade`, `rentabilidade_expr` |
+| `yd.ltn` | módulo | LTN | `dados`, `vencimentos`, `pu`, `taxa`, `duration_expr`, `dv01`, `dv01_expr`, `rentabilidade`, `rentabilidade_expr`, `taxas_forward` |
+| `yd.ntnb` | módulo | NTN-B | `dados`, `vencimentos`, `datas_pagamento`, `fluxos_caixa`, `cotacao`, `pu`, `taxa`, `taxas_zero`, `duration`, `duration_expr`, `dv01`, `dv01_expr`, `implicitas`, `curva` |
 | `yd.ntnb1` | módulo | NTN-B1 | `datas_pagamento`, `fluxos_caixa`, `cotacao`, `pu`, `duration`, `dv01` |
 | `yd.ntnbprinc` | módulo | NTN-B Principal | `pu`, `dv01` |
-| `yd.ntnc` | módulo | NTN-C | `dados`, `datas_pagamento`, `fluxos_caixa`, `cotacao`, `pu`, `taxa`, `duration`, `dv01` |
-| `yd.ntnf` | módulo | NTN-F | `dados`, `vencimentos`, `datas_pagamento`, `fluxos_caixa`, `pu`, `taxa`, `taxas_zero`, `premio`, `premio_limpo`, `rentabilidade`, `duration`, `dv01` |
+| `yd.ntnc` | módulo | NTN-C | `dados`, `datas_pagamento`, `fluxos_caixa`, `cotacao`, `pu`, `taxa`, `duration`, `duration_expr`, `dv01`, `dv01_expr` |
+| `yd.ntnf` | módulo | NTN-F | `dados`, `vencimentos`, `datas_pagamento`, `fluxos_caixa`, `pu`, `taxa`, `taxas_zero`, `premio`, `premio_limpo`, `rentabilidade`, `rentabilidade_expr`, `duration`, `duration_expr`, `dv01`, `dv01_expr` |
 | `yd.selic` | módulo | Selic, COPOM e política monetária | `over`, `over_serie`, `meta`, `meta_serie`, `compromissadas`, `copom`, `cpm`, `probabilities` |
 | `yd.ipca` | módulo | IPCA histórico e projetado | `indice`, `indices`, `indices_ultimos`, `taxa`, `taxas`, `taxas_ultimas`, `taxa_projetada` |
 | `yd.ptax(data)` | função | PTAX para uma data |  |
@@ -178,14 +178,37 @@ interp(45)  # -> 0.04833...
 linear = Interpolador(dias_uteis, taxas, metodo="linear")
 linear(45)  # -> 0.0475
 
-# Vetorizado
-interp([15, 45, 75])  # -> pl.Series com 3 taxas
-
-# Extrapolação (desabilitada por padrão, retorna NaN)
+# Extrapolação na ponta longa: desabilitada por padrão (NaN). A ponta
+# curta sempre retorna a primeira taxa conhecida.
 interp(100)  # -> nan
 Interpolador(dias_uteis, taxas, metodo="flat_forward", extrapolar=True)(100)  # -> 0.055
 ```
 
+Para interpolar uma coluna inteira dentro de um pipeline Polars, use
+`interpolar_expr`:
+
+```python
+import polars as pl
+
+df = pl.DataFrame({"du": [15, 45, 75]})
+df.with_columns(taxa=interp.interpolar_expr("du"))
+```
+
+Quando os pontos alvo e a curva vêm de DataFrames diferentes (inclusive com
+múltiplas datas de referência), use a função top-level `yd.interpolar`:
+
+```python
+import pyield as yd
+
+taxas = yd.interpolar(
+    dus_alvo=df_alvo["dias_uteis"],
+    dus_curva=df_curva["dias_uteis"],
+    taxas_curva=df_curva["taxa"],
+    datas_alvo=df_alvo["data_referencia"],   # opcional (multi-curva)
+    datas_curva=df_curva["data_referencia"], # opcional (multi-curva)
+)
+```
+
 ### Taxas a Termo (`forward`, `forwards`)
 
 Calcula taxas a termo a partir de curvas spot:
@@ -290,28 +313,66 @@ yd.ptax("25-12-2025")                                # -> nan
 
 Documentação completa: [crdcj.github.io/PYield](https://crdcj.github.io/PYield/)
 
-## Quebra de API (v0.51.0)
+## Quebra de API (v0.52.0)
+
+Resumo das quebras desta versão:
+
+- `Interpolador(...)` e `Interpolador.interpolar(...)` agora aceitam **apenas
+  inteiro escalar**. Chamadas com lista/`pl.Series` (`interp([30, 60])`),
+  antes suportadas via sobrecarga vetorial, agora levantam `TypeError`.
+  Substitua por `Interpolador.interpolar_expr` em pipelines Polars ou pela
+  função top-level `yd.interpolar(...)` (curva única ou multi-curva).
+- `yd.interpolar(...)` passou a usar `extrapolar=False` como padrão, alinhado
+  com `Interpolador`. Antes era `True`. Chamadas que dependiam da
+  extrapolação implícita na ponta longa precisam passar `extrapolar=True`
+  explicitamente.
+- As funções `dv01(...)` dos títulos públicos agora recebem `pu` como argumento
+  explícito. Chamadas antigas que passavam apenas data, vencimento e taxa, ou
+  que passavam VNA no caso da NTN-B, precisam ser atualizadas.
+- `ntnf.taxas_zero(...)` mudou os nomes dos parâmetros de curva para o padrão
+  `vencimentos_*` / `taxas_*`. Chamadas por posição continuam com a mesma
+  ordem; chamadas por keyword precisam usar os novos nomes.
 
-### Remoção de `dv01_usd`
+### `Interpolador(...)` não aceita mais lista/Series
 
-A coluna `dv01_usd` foi removida da saída de `dados()` nos módulos `ntnb`,
-`ltn`, `ntnc` e `ntnf`. Para converter o DV01 para USD, divida pela PTAX:
+O ``__call__`` e o método ``interpolar`` da classe agora são estritamente
+escalares. O caminho vetorial foi dividido em duas APIs com semântica clara:
 
 ```python
-df = yd.ntnb.dados("06-06-2026")
-dv01_usd = df["dv01"] / yd.ptax("06-06-2026")
+# Antes (v0.51.x)
+interp = yd.Interpolador(dus, taxas, metodo="flat_forward")
+interp([15, 45, 75])  # pl.Series
+
+# Agora, dentro de um pipeline Polars
+df.with_columns(taxa=interp.interpolar_expr("du"))
+
+# Agora, ad-hoc (curva única ou multi-curva)
+yd.interpolar(
+    dus_alvo=pl.Series([15, 45, 75]),
+    dus_curva=pl.Series(dus),
+    taxas_curva=pl.Series(taxas),
+)
 ```
 
-### `ntnb.inflacao_implicita()` → `ntnb.implicitas()`
+### `dv01(...)` agora recebe PU
+
+As funções `dv01(...)` dos títulos públicos recebem o PU usado como base para o
+cálculo, não mais o VNA ou apenas a taxa. Se necessário, calcule o PU antes:
+
+```python
+pu = yd.ntnb.pu(vna, yd.ntnb.cotacao(data, vencimento, taxa))
+dv01 = yd.ntnb.dv01(data, vencimento, taxa, pu)
+```
 
-A função foi renomeada. As colunas de saída também mudaram:
-- `taxa_tir` → `taxa_tir_real`
-- `taxa_zero` → `taxa_zero_real`
+### `ntnf.taxas_zero(...)` usa nomes por conceito
 
-### Remoção de `ntnb.forward()`
+Os parâmetros de curva da NTN-F foram renomeados para manter o padrão
+`vencimentos_*` / `taxas_*`:
 
-A função `ntnb.forward(data, usar_taxa_zero=True)` foi removida. Os dados que
-ela retornava já estão disponíveis via `ntnb.dados(data)`.
+- `ltn_vencimentos` → `vencimentos_ltn`
+- `ltn_taxas` → `taxas_ltn`
+- `ntnf_vencimentos` → `vencimentos_ntnf`
+- `ntnf_taxas` → `taxas_ntnf`
 
 ## Testes
 

{pyield-0.51.2 → pyield-0.52.1}/README.md

@@ -42,10 +42,9 @@ df = yd.futuro.historico("31-05-2024", "DI1")
 
 # Interpolação de taxas (flat forward, convenção 252 dias úteis/ano)
 interp = yd.Interpolador(df["dias_uteis"], df["taxa_ajuste"], metodo="flat_forward")
-interp(45)       # -> 0.04833...
-interp([30, 60]) # -> Series do Polars com taxas interpoladas
+interp(45)  # -> 0.04833...
 
-# Precificação de títulos públicos
+# Preçificar títulos públicos
 yd.ntnb.cotacao("31-05-2024", "15-05-2035", 0.061490)  # -> 99.3651
 
 # Indicadores do BCB
@@ -64,19 +63,20 @@ documentação.
 | Componente | Tipo | Finalidade | Funções públicas |
 |---|---|---|---|
 | `yd.du` | módulo | Dias úteis e calendário brasileiro | `contar`, `deslocar`, `eh_dia_util`, `gerar`, `ultimo_dia_util`, `contar_expr`, `deslocar_expr`, `eh_dia_util_expr` |
-| `yd.Interpolador` | classe | Interpolação de curvas | `interpolar`, `__call__`, `linear`, `flat_forward` |
+| `yd.Interpolador` | classe | Interpolação escalar e em pipelines Polars | `interpolar`, `interpolar_expr`, `linear`, `flat_forward` |
+| `yd.interpolar(...)` | função | Interpolação vetorizada flat-forward, curva única ou multi-curva |  |
 | `yd.forward(...)` | função | Taxa a termo entre dois vértices |  |
 | `yd.forwards(...)` | função | Curva de taxas a termo |  |
 | `yd.futuro` | módulo | Contratos futuros da B3 | `di1`, `historico`, `intradia`, `datas_disponiveis`, `vencimento`, `enriquecer`, `vencimento_expr` |
 | `yd.di1` | módulo | Curva DI1 e interpolação | `dados`, `interpolar_taxas`, `interpolar_taxa`, `datas_disponiveis` |
 | `yd.tpf` | módulo | Títulos públicos federais | `taxas`, `vencimentos`, `estoque`, `leiloes`, `benchmarks`, `curva_pre`, `premio_pre`, `rmd`, `secundario_mensal`, `secundario_intradia` |
-| `yd.lft` | módulo | LFT | `dados`, `vencimentos`, `cotacao`, `taxa`, `vna` |
-| `yd.ltn` | módulo | LTN | `dados`, `vencimentos`, `pu`, `taxa`, `dv01`, `premio`, `rentabilidade`, `taxas_forward` |
-| `yd.ntnb` | módulo | NTN-B | `dados`, `vencimentos`, `datas_pagamento`, `fluxos_caixa`, `cotacao`, `pu`, `taxa`, `taxas_zero`, `duration`, `dv01`, `implicitas`, `curva` |
+| `yd.lft` | módulo | LFT | `dados`, `vencimentos`, `cotacao`, `pu`, `taxa`, `vna`, `rentabilidade`, `rentabilidade_expr` |
+| `yd.ltn` | módulo | LTN | `dados`, `vencimentos`, `pu`, `taxa`, `duration_expr`, `dv01`, `dv01_expr`, `rentabilidade`, `rentabilidade_expr`, `taxas_forward` |
+| `yd.ntnb` | módulo | NTN-B | `dados`, `vencimentos`, `datas_pagamento`, `fluxos_caixa`, `cotacao`, `pu`, `taxa`, `taxas_zero`, `duration`, `duration_expr`, `dv01`, `dv01_expr`, `implicitas`, `curva` |
 | `yd.ntnb1` | módulo | NTN-B1 | `datas_pagamento`, `fluxos_caixa`, `cotacao`, `pu`, `duration`, `dv01` |
 | `yd.ntnbprinc` | módulo | NTN-B Principal | `pu`, `dv01` |
-| `yd.ntnc` | módulo | NTN-C | `dados`, `datas_pagamento`, `fluxos_caixa`, `cotacao`, `pu`, `taxa`, `duration`, `dv01` |
-| `yd.ntnf` | módulo | NTN-F | `dados`, `vencimentos`, `datas_pagamento`, `fluxos_caixa`, `pu`, `taxa`, `taxas_zero`, `premio`, `premio_limpo`, `rentabilidade`, `duration`, `dv01` |
+| `yd.ntnc` | módulo | NTN-C | `dados`, `datas_pagamento`, `fluxos_caixa`, `cotacao`, `pu`, `taxa`, `duration`, `duration_expr`, `dv01`, `dv01_expr` |
+| `yd.ntnf` | módulo | NTN-F | `dados`, `vencimentos`, `datas_pagamento`, `fluxos_caixa`, `pu`, `taxa`, `taxas_zero`, `premio`, `premio_limpo`, `rentabilidade`, `rentabilidade_expr`, `duration`, `duration_expr`, `dv01`, `dv01_expr` |
 | `yd.selic` | módulo | Selic, COPOM e política monetária | `over`, `over_serie`, `meta`, `meta_serie`, `compromissadas`, `copom`, `cpm`, `probabilities` |
 | `yd.ipca` | módulo | IPCA histórico e projetado | `indice`, `indices`, `indices_ultimos`, `taxa`, `taxas`, `taxas_ultimas`, `taxa_projetada` |
 | `yd.ptax(data)` | função | PTAX para uma data |  |
@@ -134,14 +134,37 @@ interp(45)  # -> 0.04833...
 linear = Interpolador(dias_uteis, taxas, metodo="linear")
 linear(45)  # -> 0.0475
 
-# Vetorizado
-interp([15, 45, 75])  # -> pl.Series com 3 taxas
-
-# Extrapolação (desabilitada por padrão, retorna NaN)
+# Extrapolação na ponta longa: desabilitada por padrão (NaN). A ponta
+# curta sempre retorna a primeira taxa conhecida.
 interp(100)  # -> nan
 Interpolador(dias_uteis, taxas, metodo="flat_forward", extrapolar=True)(100)  # -> 0.055
 ```
 
+Para interpolar uma coluna inteira dentro de um pipeline Polars, use
+`interpolar_expr`:
+
+```python
+import polars as pl
+
+df = pl.DataFrame({"du": [15, 45, 75]})
+df.with_columns(taxa=interp.interpolar_expr("du"))
+```
+
+Quando os pontos alvo e a curva vêm de DataFrames diferentes (inclusive com
+múltiplas datas de referência), use a função top-level `yd.interpolar`:
+
+```python
+import pyield as yd
+
+taxas = yd.interpolar(
+    dus_alvo=df_alvo["dias_uteis"],
+    dus_curva=df_curva["dias_uteis"],
+    taxas_curva=df_curva["taxa"],
+    datas_alvo=df_alvo["data_referencia"],   # opcional (multi-curva)
+    datas_curva=df_curva["data_referencia"], # opcional (multi-curva)
+)
+```
+
 ### Taxas a Termo (`forward`, `forwards`)
 
 Calcula taxas a termo a partir de curvas spot:
@@ -246,28 +269,66 @@ yd.ptax("25-12-2025")                                # -> nan
 
 Documentação completa: [crdcj.github.io/PYield](https://crdcj.github.io/PYield/)
 
-## Quebra de API (v0.51.0)
+## Quebra de API (v0.52.0)
+
+Resumo das quebras desta versão:
+
+- `Interpolador(...)` e `Interpolador.interpolar(...)` agora aceitam **apenas
+  inteiro escalar**. Chamadas com lista/`pl.Series` (`interp([30, 60])`),
+  antes suportadas via sobrecarga vetorial, agora levantam `TypeError`.
+  Substitua por `Interpolador.interpolar_expr` em pipelines Polars ou pela
+  função top-level `yd.interpolar(...)` (curva única ou multi-curva).
+- `yd.interpolar(...)` passou a usar `extrapolar=False` como padrão, alinhado
+  com `Interpolador`. Antes era `True`. Chamadas que dependiam da
+  extrapolação implícita na ponta longa precisam passar `extrapolar=True`
+  explicitamente.
+- As funções `dv01(...)` dos títulos públicos agora recebem `pu` como argumento
+  explícito. Chamadas antigas que passavam apenas data, vencimento e taxa, ou
+  que passavam VNA no caso da NTN-B, precisam ser atualizadas.
+- `ntnf.taxas_zero(...)` mudou os nomes dos parâmetros de curva para o padrão
+  `vencimentos_*` / `taxas_*`. Chamadas por posição continuam com a mesma
+  ordem; chamadas por keyword precisam usar os novos nomes.
 
-### Remoção de `dv01_usd`
+### `Interpolador(...)` não aceita mais lista/Series
 
-A coluna `dv01_usd` foi removida da saída de `dados()` nos módulos `ntnb`,
-`ltn`, `ntnc` e `ntnf`. Para converter o DV01 para USD, divida pela PTAX:
+O ``__call__`` e o método ``interpolar`` da classe agora são estritamente
+escalares. O caminho vetorial foi dividido em duas APIs com semântica clara:
 
 ```python
-df = yd.ntnb.dados("06-06-2026")
-dv01_usd = df["dv01"] / yd.ptax("06-06-2026")
+# Antes (v0.51.x)
+interp = yd.Interpolador(dus, taxas, metodo="flat_forward")
+interp([15, 45, 75])  # pl.Series
+
+# Agora, dentro de um pipeline Polars
+df.with_columns(taxa=interp.interpolar_expr("du"))
+
+# Agora, ad-hoc (curva única ou multi-curva)
+yd.interpolar(
+    dus_alvo=pl.Series([15, 45, 75]),
+    dus_curva=pl.Series(dus),
+    taxas_curva=pl.Series(taxas),
+)
 ```
 
-### `ntnb.inflacao_implicita()` → `ntnb.implicitas()`
+### `dv01(...)` agora recebe PU
+
+As funções `dv01(...)` dos títulos públicos recebem o PU usado como base para o
+cálculo, não mais o VNA ou apenas a taxa. Se necessário, calcule o PU antes:
+
+```python
+pu = yd.ntnb.pu(vna, yd.ntnb.cotacao(data, vencimento, taxa))
+dv01 = yd.ntnb.dv01(data, vencimento, taxa, pu)
+```
 
-A função foi renomeada. As colunas de saída também mudaram:
-- `taxa_tir` → `taxa_tir_real`
-- `taxa_zero` → `taxa_zero_real`
+### `ntnf.taxas_zero(...)` usa nomes por conceito
 
-### Remoção de `ntnb.forward()`
+Os parâmetros de curva da NTN-F foram renomeados para manter o padrão
+`vencimentos_*` / `taxas_*`:
 
-A função `ntnb.forward(data, usar_taxa_zero=True)` foi removida. Os dados que
-ela retornava já estão disponíveis via `ntnb.dados(data)`.
+- `ltn_vencimentos` → `vencimentos_ltn`
+- `ltn_taxas` → `taxas_ltn`
+- `ntnf_vencimentos` → `vencimentos_ntnf`
+- `ntnf_taxas` → `taxas_ntnf`
 
 ## Testes
 

{pyield-0.51.2 → pyield-0.52.1}/pyield/__init__.py

@@ -13,7 +13,7 @@ from pyield.futuro import di1
 from pyield import selic, tpf
 from pyield.bc.sgs import ptax, ptax_serie
 from pyield.fwd import forward, forwards, forwards_expr
-from pyield.interpolador import Interpolador
+from pyield.interpolador import Interpolador, interpolar
 from pyield.relogio import agora, hoje
 from pyield.tpf import lft, ltn, ntnb, ntnb1, ntnbprinc, ntnc, ntnf
 
@@ -35,6 +35,7 @@ __all__ = [
     "futuro",
     "hoje",
     "Interpolador",
+    "interpolar",
     "ipca",
     "lft",
     "ltn",

{pyield-0.51.2 → pyield-0.52.1}/pyield/_internal/converters.py

@@ -4,7 +4,7 @@ from typing import overload
 import polars as pl
 
 from pyield._internal import types
-from pyield._internal.types import ArrayLike, DateLike
+from pyield._internal.types import DateLike, DatesLike
 
 
 def data_referencia_valida(date: dt.date | None) -> bool:
@@ -68,11 +68,11 @@ def converter_datas(dates: None) -> None: ...
 @overload
 def converter_datas(dates: DateLike) -> dt.date: ...
 @overload
-def converter_datas(dates: ArrayLike) -> pl.Series: ...
+def converter_datas(dates: DatesLike) -> pl.Series: ...
 
 
 def converter_datas(
-    dates: DateLike | ArrayLike | None,
+    dates: DateLike | DatesLike | None,
 ) -> dt.date | pl.Series | None:
     """Converte diferentes tipos de entrada para ``datetime.date`` ou ``pl.Series``.
 

{pyield-0.51.2 → pyield-0.52.1}/pyield/_internal/types.py

@@ -1,12 +1,13 @@
 import datetime as dt
 import math
-from collections.abc import Sized
+from collections.abc import Sequence, Sized
 from typing import Any, TypeAlias, TypeGuard
 
 import polars as pl
 
 DateLike: TypeAlias = str | dt.datetime | dt.date
 ArrayLike: TypeAlias = list[Any] | tuple[Any, ...] | pl.Series
+DatesLike: TypeAlias = Sequence[DateLike] | pl.Series
 
 
 def _is_empty(arg: Any) -> bool:

{pyield-0.51.2 → pyield-0.52.1}/pyield/bc/leiloes.py

@@ -19,8 +19,7 @@ from pyield._internal.br_numbers import float_br, taxa_br
 from pyield._internal.types import DateLike
 from pyield.bc._olinda import buscar_csv, montar_url, parsear_csv
 from pyield.bc.sgs import ptax_serie
-from pyield.tpf._titulos.ntnb import duration as duration_b
-from pyield.tpf._titulos.ntnf import duration as duration_f
+from pyield.tpf._titulos import ltn, ntnb, ntnf
 
 registro = logging.getLogger(__name__)
 
@@ -90,22 +89,26 @@ def _processar_df(df: pl.DataFrame) -> pl.DataFrame:
     """Filtra, converte tipos e calcula colunas derivadas."""
     data_mudanca = dt.date(2024, 6, 11)
 
-    def _duracao_por_linha(linha: dict) -> float:
-        tipo = linha["titulo"]
-        if tipo == "LTN":
-            return linha["dias_uteis"] / 252
-        if tipo == "NTN-F":
-            return duration_f(
-                linha["data_liquidacao"], linha["data_vencimento"], linha["taxa_media"]
+    expr_dv01_unitario = (
+        pl.when(pl.col("titulo") == "LTN")
+        .then(
+            ltn.dv01_expr(
+                "data_liquidacao", "data_vencimento", "taxa_media", "pu_medio"
             )
-        if tipo == "NTN-B":
-            return duration_b(
-                linha["data_liquidacao"], linha["data_vencimento"], linha["taxa_media"]
+        )
+        .when(pl.col("titulo") == "NTN-F")
+        .then(
+            ntnf.dv01_expr(
+                "data_liquidacao", "data_vencimento", "taxa_media", "pu_medio"
             )
-        return 0.0
-
-    expr_dv01_unitario = (
-        0.0001 * pl.col("pu_medio") * pl.col("duration") / (1 + pl.col("taxa_media"))
+        )
+        .when(pl.col("titulo") == "NTN-B")
+        .then(
+            ntnb.dv01_expr(
+                "data_liquidacao", "data_vencimento", "taxa_media", "pu_medio"
+            )
+        )
+        .otherwise(0.0)
     )
 
     colunas_preco_taxa = ["taxa_media", "taxa_corte", "pu_medio", "pu_corte"]
@@ -177,13 +180,23 @@ def _processar_df(df: pl.DataFrame) -> pl.DataFrame:
             .name.keep()
         )
         .with_columns(
-            duration=pl.struct(
-                "titulo",
-                "data_liquidacao",
-                "data_vencimento",
-                "taxa_media",
-                "dias_uteis",
-            ).map_elements(_duracao_por_linha, return_dtype=pl.Float64)
+            duration=(
+                pl.when(pl.col("titulo") == "LTN")
+                .then(ltn.duration_expr("data_liquidacao", "data_vencimento"))
+                .when(pl.col("titulo") == "NTN-F")
+                .then(
+                    ntnf.duration_expr(
+                        "data_liquidacao", "data_vencimento", "taxa_media"
+                    )
+                )
+                .when(pl.col("titulo") == "NTN-B")
+                .then(
+                    ntnb.duration_expr(
+                        "data_liquidacao", "data_vencimento", "taxa_media"
+                    )
+                )
+                .otherwise(0.0)
+            )
         )
         .with_columns(
             dv01_total=expr_dv01_unitario * pl.col("quantidade_aceita_total"),

{pyield-0.51.2 → pyield-0.52.1}/pyield/du/core.py

@@ -6,7 +6,7 @@ import polars as pl
 import pyield._internal.converters as cv
 import pyield._internal.types as tp
 from pyield import relogio
-from pyield._internal.types import ArrayLike, DateLike
+from pyield._internal.types import ArrayLike, DateLike, DatesLike
 from pyield.du.feriados.feriados_br import FeriadosBrasil
 
 LIMITE_DIA_UTIL = 6
@@ -87,9 +87,9 @@ def contar_expr(
 
 
 @overload
-def contar(inicio: ArrayLike, fim: ArrayLike | DateLike | None) -> pl.Series: ...
+def contar(inicio: DatesLike, fim: DatesLike | DateLike | None) -> pl.Series: ...
 @overload
-def contar(inicio: DateLike | None, fim: ArrayLike) -> pl.Series: ...
+def contar(inicio: DateLike | None, fim: DatesLike) -> pl.Series: ...
 @overload
 def contar(inicio: DateLike, fim: DateLike) -> int: ...
 @overload
@@ -99,8 +99,8 @@ def contar(inicio: None, fim: DateLike | None) -> None: ...
 
 
 def contar(
-    inicio: None | DateLike | ArrayLike,
-    fim: None | DateLike | ArrayLike,
+    inicio: None | DateLike | DatesLike,
+    fim: None | DateLike | DatesLike,
 ) -> None | int | pl.Series:
     """Conta dias úteis entre ``inicio`` (inclusivo) e ``fim`` (exclusivo).
 
@@ -286,7 +286,7 @@ def deslocar_expr(
 
 @overload
 def deslocar(
-    datas: ArrayLike,
+    datas: DatesLike,
     deslocamento: ArrayLike | int | None,
     rolagem: Literal["forward", "backward"] = ...,
 ) -> pl.Series: ...
@@ -317,7 +317,7 @@ def deslocar(
 
 
 def deslocar(
-    datas: DateLike | ArrayLike | None,
+    datas: DateLike | DatesLike | None,
     deslocamento: int | ArrayLike | None,
     rolagem: Literal["forward", "backward"] = "forward",
 ) -> dt.date | pl.Series | None:
@@ -604,10 +604,10 @@ def eh_dia_util(datas: None) -> None: ...
 @overload
 def eh_dia_util(datas: DateLike) -> bool: ...
 @overload
-def eh_dia_util(datas: ArrayLike) -> pl.Series: ...
+def eh_dia_util(datas: DatesLike) -> pl.Series: ...
 
 
-def eh_dia_util(datas: None | DateLike | ArrayLike) -> None | bool | pl.Series:
+def eh_dia_util(datas: None | DateLike | DatesLike) -> None | bool | pl.Series:
     """Determina se data(s) são dias úteis brasileiros.
 
     REGIME DE FERIADOS POR LINHA: Para CADA data de entrada, a lista de feriados

{pyield-0.51.2 → pyield-0.52.1}/pyield/futuro/di1.py

@@ -12,10 +12,10 @@ import polars as pl
 import pyield._internal.converters as cv
 from pyield import du
 from pyield._internal.data_cache import obter_dataset_cacheado
-from pyield._internal.types import ArrayLike, DateLike, any_is_array_like, any_is_empty
+from pyield._internal.types import DateLike, DatesLike, any_is_array_like, any_is_empty
 from pyield.futuro.historico import buscar_historico_cacheado
 from pyield.futuro.historico import datas_disponiveis as _datas_futuro
-from pyield.interpolador import Interpolador
+from pyield.interpolador import interpolar
 
 TipoTaxaDI1 = Literal["ajuste", "fechamento"]
 
@@ -26,7 +26,7 @@ _COLUNAS_TIPO_TAXA: dict[TipoTaxaDI1, str] = {
 
 
 def dados(
-    datas: DateLike | ArrayLike,
+    datas: DateLike | DatesLike,
     inicio_mes: bool = False,
     filtrar_pre: bool = False,
 ) -> pl.DataFrame:
@@ -117,8 +117,8 @@ def dados(
 
 
 def interpolar_taxas(
-    datas_referencia: DateLike | ArrayLike,
-    datas_vencimento: DateLike | ArrayLike,
+    datas_referencia: DateLike | DatesLike,
+    datas_vencimento: DateLike | DatesLike,
     extrapolar: bool = True,
     tipo_taxa: TipoTaxaDI1 = "ajuste",
 ) -> pl.Series:
@@ -223,69 +223,24 @@ def interpolar_taxas(
     if df_entrada.is_empty():
         return pl.Series(dtype=pl.Float64)
 
-    # Carrega dataset de taxas DI usando datas já convertidas do df_entrada
+    # Carrega curva de DI para todas as datas únicas do alvo.
     datas_unicas = df_entrada["data_referencia"].drop_nulls().unique().sort().to_list()
     df_ref = buscar_historico_cacheado(datas_unicas, "DI1")
-    # Retorna Series vazia se nenhuma taxa for encontrada
     if df_ref.is_empty():
         return pl.Series(dtype=pl.Float64)
 
-    # 1. CRIA O ÍNDICE ORIGINAL AQUI
-    # Isso garante que saberemos a ordem exata depois
-    df_entrada = df_entrada.with_row_index("_temp_idx")
-
-    # Inicializa taxa_interpolada como None
     df_entrada = df_entrada.with_columns(
         dias_uteis=du.contar_expr("data_referencia", "data_vencimento"),
-        taxa_interpolada=pl.lit(None, dtype=pl.Float64),
     )
 
-    # Lista para armazenar os blocos processados
-    blocos_processados = []
-
-    # Itera sobre cada data de referência única
-    for data_ref in df_entrada["data_referencia"].unique():
-        # 1. Filtra apenas as linhas desta data (Particionamento)
-        df_parcial = df_entrada.filter(pl.col("data_referencia") == data_ref)
-
-        # 2. Busca as taxas de referência para esta data
-        df_referencia = df_ref.filter(pl.col("data_referencia") == data_ref)
-
-        # Se não houver dados de curva, adicionamos o bloco como está (com nulos)
-        # e continuamos.
-        if df_referencia.is_empty():
-            blocos_processados.append(df_parcial)
-            continue
-
-        df_curva = df_referencia.select("dias_uteis", coluna_taxa).drop_nulls()
-        if df_curva.is_empty():
-            blocos_processados.append(df_parcial)
-            continue
-
-        # Inicializa o interpolador com taxas e dias úteis conhecidos
-        interpolador_du = Interpolador(
-            dias_uteis=df_curva["dias_uteis"],
-            taxas=df_curva[coluna_taxa],
-            metodo="flat_forward",
-            extrapolar=extrapolar,
-        )
-
-        df_parcial = df_parcial.with_columns(
-            pl.col("dias_uteis")
-            .map_elements(interpolador_du, return_dtype=pl.Float64)
-            .alias("taxa_interpolada")
-        )
-
-        blocos_processados.append(df_parcial)
-
-    if not blocos_processados:
-        return pl.Series(dtype=pl.Float64)
-
-    # 2. CONCATENA E ORDENA DE VOLTA
-    # O sort("_temp_idx") restaura a ordem original dos inputs
-    df_saida = pl.concat(blocos_processados).sort("_temp_idx")
-
-    return df_saida["taxa_interpolada"].fill_nan(None)
+    return interpolar(
+        dus_alvo=df_entrada["dias_uteis"],
+        dus_curva=df_ref["dias_uteis"],
+        taxas_curva=df_ref[coluna_taxa],
+        datas_alvo=df_entrada["data_referencia"],
+        datas_curva=df_ref["data_referencia"],
+        extrapolar=extrapolar,
+    )
 
 
 def interpolar_taxa(