Estrutura a Termo da Taxa de Juros em Python

A Estrutura a Termo da Taxa de Juros demonstra a relação das taxas de juros dos diferentes instrumentos de renda fixa com os prazos de vencimentos (maturidade). A ETTJ é importante para determinar o comportamento futuro do juros, dado o nível de risco dos agentes de mercado, e é útil para a realização de cálculos para a precificação de ativos de renda fixa. No post de hoje, mostraremos como podemos obter a ETTJ utilizando o Python.

Para obter a ETTJ, podemos importá-la através do site da B3, que oferece os dados de cada dia útil do vencimento da taxa de juros. O processo de extração pode ser feito de diferente formas, a mais simples é utilizando o pacote {pyettj}, que utilizaremos aqui.

Como exemplo, utilizaremos a curva da DI x pré 252 dias, que é determinada com base no DI futuro para obter a ETTJ pré.

O primeiro passo é escolher a data com base em um dia útil do cálculo da curva. Em seguida, utiliza-se a função get_ettj para buscar a série com base na data escolhida. Será retornado um data frame contendo diferentes tipos de taxas disponibilizadas pela B3. Como queremos utilizar a Curva pré, estaremos interessados apenas em sua respectiva coluna. O data frame também contém os dias corridos que se referem ao vencimento da taxa , bem com uma coluna especificando a data do período que buscamos a série. Por fim, podemos visualizar a ETTJ pré com a função plot_ettj fornecida pelo pacote.

Também é possível buscar mais de um período utilizando um for loop. Útil para comparar a evolução das taxas em diferentes períodos.

Quer saber mais?

Veja nossos cursos da trilha de Finanças Quantitativas.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como planejar um pipeline de previsão macroeconômica: da coleta ao dashboard

Montar um pipeline de previsão macroeconômica não é apenas uma tarefa técnica — é um exercício de integração entre dados, modelos e automação. Neste post, apresento uma visão geral de como estruturar esse processo de ponta a ponta, da coleta de dados até a construção de um dashboard interativo, que exibe previsões automatizadas de inflação, câmbio, PIB e taxa Selic.

Coletando e integrando dados do BCB, IBGE e IPEA de forma automatizada

Quem trabalha com modelagem e previsão macroeconômica sabe o quanto é demorado reunir dados de diferentes fontes — Banco Central, IBGE, IPEA, FRED, IFI... Cada um com sua API, formato, frequência e estrutura. Esse gargalo de coleta e padronização consome tempo que poderia estar sendo usado na análise, nos modelos ou na comunicação dos resultados.

Foi exatamente por isso que criamos uma rotina de coleta automatizada, que busca, trata e organiza séries temporais econômicas diretamente das APIs oficiais, pronta para ser integrada a pipelines de previsão, dashboards ou agentes de IA econometristas.

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.