Diferencial de tasas de rendimiento CETES - BONOS

import requests
import pandas as pd
from datetime import datetime
import matplotlib.pyplot as plt

def consultar_banxico(series_ids, fecha_inicio, fecha_fin, token):
    """
    Consulta la API de Banxico para obtener datos de varias series y los organiza en un DataFrame.

    Args:
        series_ids (list): Lista de IDs de las series a consultar.
        fecha_inicio (str): Fecha de inicio en formato 'YYYY-MM-DD'.
        fecha_fin (str): Fecha de fin en formato 'YYYY-MM-DD'.
        token (str): Token de acceso proporcionado por Banxico.
    
    Returns:
        pd.DataFrame: DataFrame con las series y sus valores.
    """

    url_base = "https://www.banxico.org.mx/SieAPIRest/service/v1/series/" 
    series_str = ",".join(series_ids)
    url = f"{url_base}{series_str}/datos/{fecha_inicio}/{fecha_fin}" # existen varias entradas a la API
    headers = {"Bmx-Token": token}

    response = requests.get(url, headers=headers) # petición directa al API

    if response.status_code != 200:
        raise Exception(f"Error en la consulta: {response.status_code} - {response.text}")

    datos = response.json()
    series = datos.get("bmx", {}).get("series", [])

    # Extraer los datos de cada serie
    series_data = pd.DataFrame()

    for serie in datos['bmx']['series']:
        serie_id = serie['idSerie']
        valores = serie['datos']
        fechas = [datetime.strptime(d['fecha'], '%d/%m/%Y') for d in valores]
        valores = [float(d['dato'].replace(',', '')) if d['dato'] != 'N/E' else None for d in valores]
        serie_df = pd.DataFrame(data=valores, index=fechas)
        serie_df.columns = [serie_id]
        series_data = pd.concat([serie_df, series_data], axis=1)#ojo con el orden del concat, para 
		#después poder poner los headings correctos

    return series_data

# Sustituye con tu token de Banxico
token = "d62cc7ed09d1002fa1ee9_UTILIZA TU TOKEN________"

series_ids = ["SF282", # "Cetes 28" ,   días Tasa de rendimiento promedio mensual
"SF3338", # "Cetes 91" ,   días Tasa de rendimiento promedio mensual
"SF3270", # "Cetes 182",   días Tasa de rendimiento promedio mensual
"SF3367", # "Cetes 364",   días Tasa de rendimiento promedio mensual
"SF17990", # "M3", Bonos a tasa fija a 3 años Tasa de rendimiento promedio mensual, en por ciento anual
"SF18608",# "M5"  ,Bonos a tasa fija a 5 años Tasa de rendimiento promedio mensual
"SF33229", # M7
"SF30057",# "M10"  ,  Bonos a tasa fija a 10 años Tasa de rendimiento promedio mensual
"SF41841",# "M20"   ,   Bonos a tasa fija a 20 años Tasa de rendimiento promedio mensual
"SF60719"]  # "M30" ,   Bono a tasa fija a 30 años Tasa de rendimiento promedio mensual
# IDs de las series que deseas consultar

series_names = ["Cetes 28" ,
                "Cetes 91" ,
                "Cetes 182",
                "Cetes 364",
                "M3"       ,
                "M5"       ,
                "M7",
                "M10"      ,
                "M20"      ,
                "M30"]

fecha_inicio = "2004-01-01"
fecha_fin = "2025-05-31"

# la información diaria tiene muchos gaps
#series_ids = ["SF43936",     "SF43939","SF43942",      "SF43945","SF43883",
"SF43886","SF44946","SF44071","SF45384","SF60696"]

#series_names = ["Cetes 28" , "Cetes 91" , "Cetes 182", "Cetes 364","M3",     
"M5" ,     "M7",     "M10" , "M20"      ,"M30"]

try:
    df = consultar_banxico(series_ids, fecha_inicio, fecha_fin, token)
except Exception as e:
    print(f"Error: {e}")

df = df[series_ids] # truco para ordenar las columnas
df.columns = series_names # nombramos las columnas
df= df.ffill() # rellenamos los datos faltantes hacia adelante

# Calculamos los spreads
df["M10_Cetes28"] = df["M10"] - df["Cetes 28"]
df["M10_Cetes91"] = df["M10"] - df["Cetes 91"] # equivalente T10Y3M de FRED

plt.figure(figsize=(12, 10))

plt.title("Diferenciales en Tasa de Rendimiento promedio mensual")
plt.plot(df["Cetes 28"], label="CETE 28", linewidth=3)
plt.plot(df["M10"], label="Bono M10", linewidth=3)
plt.plot(df["M10_Cetes28"], label="M10-Cetes28", linewidth=2, linestyle='--')
plt.ylabel("Tasa de rendimiento promedio mensual (%)")
plt.legend()
# after plotting the data, format the labels
current_values = plt.gca().get_yticks()/100
plt.gca().set_yticklabels(['{:,.0%}'.format(x) for x in current_values])
plt.grid(True, which='both', axis='both', linestyle='--')
plt.annotate(f'Fuente: Banco de México, SIE',
                xy = (0, -0.075),
                xycoords='axes fraction')
plt.savefig("M10-CETE28.jpg")
plt.show()

plt.figure(figsize=(12, 10))

plt.title("Diferenciales en Tasa de Rendimiento promedio mensual")
plt.plot(df["Cetes 91"], label="CETE 91", linewidth=3)
plt.plot(df["M10"], label="Bono M10", linewidth=3)
plt.plot(df["M10_Cetes91"], label="M10-Cetes91", linewidth=2, linestyle='--')
plt.ylabel("Tasa de rendimiento promedio mensual (%)")
plt.legend()
# after plotting the data, format the labels
current_values = plt.gca().get_yticks()/100
plt.gca().set_yticklabels(['{:,.0%}'.format(x) for x in current_values])
plt.grid(True, which='both', axis='both', linestyle='--')
plt.annotate(f'Fuente: Banco de México, SIE',
                xy = (0, -0.075),
                xycoords='axes fraction')
plt.savefig("M10-CETE91.jpg")
plt.show()

df.to_csv("data.csv")

df["M10_Cetes91"].describe()

df["M10_Cetes91"].loc["2025-05-01"]

df["M10_Cetes91"].hist(bins=20)
plt.title("Distribución del diferencial de rendimiento mensual M10 - CETE 91")
plt.xlabel("Diferencial en la Tasa de rendimiento promedio mensual (%)")
plt.ylabel("Frecuencia")
plt.annotate(f'Fuente: Gráfica del autor con datos de Banco de México, SIE',
                xy = (0, -0.2),
                xycoords='axes fraction', color="gray")
plt.show()

plt.boxplot(df["M10_Cetes91"], label="M10-CETE91")
plt.title("Distribución del diferencial de rendimiento mensual M10 - CETE 91")
plt.legend()
plt.annotate(f'Fuente: Gráfica del autor con datos de Banco de México, SIE',
                xy = (0, -0.15),
                xycoords='axes fraction', color="gray")
plt.show()