banxicolab

Series del Sistema de Información Económica (SIE) de Banco de México en un DataFrame, con el token fuera del código y las transformaciones habituales para analizar inflación, tipo de cambio y tasas.

Librería no oficial. No está afiliada ni respaldada por Banco de México.

import banxicolab as sie

df = sie.descargar(["inpc", "fix", "tasa_objetivo"], inicio="2015-01-01")
sie.inflacion(df["inpc"]).tail()

Instalación

Se instala directamente desde GitHub (también en Google Colab, anteponiendo !):

pip install "banxicolab[analisis] @ git+https://github.com/AnaJZP/banxicolab.git"

Para desarrollar, clona el repositorio e instala en modo editable:

pip install -e ".[dev]"

[analisis] agrega statsmodels (desestacionalización y prueba ADF) y matplotlib; sin ellos, todo lo demás funciona igual. Requiere Python ≥ 3.10 y pandas ≥ 2.2.

El token, sin exponerlo

El token gratuito se genera en https://www.banxico.org.mx/SieAPIRest/service/v1/token. Guárdalo una sola vez:

banxicolab token

Se pide sin mostrarlo en pantalla y queda en un archivo que solo tu usuario puede leer. A partir de ahí ningún notebook ni script necesita contenerlo. La librería lo busca en este orden:

1. variable de entorno BANXICO_TOKEN (o BMX_TOKEN),
2. Secrets de Google Colab con ese mismo nombre,
3. el archivo guardado con banxicolab token,
4. si nada de lo anterior existe, lo pregunta con getpass.

Además, el token viaja en un encabezado HTTP y no en la URL, así que no aparece en mensajes de error, y repr(cliente) solo muestra los últimos 4 caracteres.

Descargar

Hay tres formas de pedir datos; se pueden mezclar en la misma llamada.

import banxicolab as sie

# 1. Por clave del SIE: cualquier serie de Banxico, esté o no en el catálogo
sie.descargar("SF43718")
sie.descargar({"SF43718": "FIX", "SF61745": "Objetivo"}, inicio="2020-01-01")

# 2. Por alias del catálogo: sin memorizar claves
sie.descargar(["inpc", "fix", "tasa_objetivo"], "2000-01-01", "2026-12-31")

# 3. Un tema completo del catálogo
sie.descargar(tema="tasas", inicio="2020-01-01")

descargar devuelve un DataFrame con DatetimeIndex y valores float. Se encarga de lo que suele fallar en silencio: fechas dd/mm/aaaa, N/E, comas de miles, más de 20 series por consulta, reintentos y límite de consultas.

Panel mensual en un paso

Las series del SIE vienen en frecuencias distintas. panel las descarga y las lleva a frecuencia mensual, cada una con la regla que indica el catálogo (último dato para precios y saldos, promedio para tasas):

sie.panel(["inpc", "igae", "fix", "tasa_objetivo", "cetes_28"], "2000-01-01")
sie.panel(tema="tasas", inicio="2015-01-01")
sie.panel({"SF43718": "FIX"}, como={"FIX": "promedio"})  # cambiar la regla

Encontrar una serie

sie.catalogo()  # todos los alias
sie.catalogo("precios")  # los de un tema
sie.catalogo(buscar="cetes")  # por texto, en el catálogo de la librería
sie.buscar("remesas")  # en todo el SIE de Banxico (sin token)
sie.metadatos(["inpc", "fix"])  # periodicidad, unidad, cobertura
sie.oportuno(["fix", "tasa_objetivo"])  # último dato publicado

Catálogo

Las 35 series con alias. La columna A mensual es la regla que usa panel. Cualquier otra clave del SIE funciona directamente con descargar.

Precios

tema="precios"

Expectativas de inflación (encuesta de Banxico, mediana)

tema="expectativas"

Tipo de cambio

tema="tipo_de_cambio"

Tasas de interés

tema="tasas"

Actividad y salarios

tema="actividad"

Sector externo

tema="externo"

Agregados monetarios

tema="dinero"

Analizar

diarias = sie.descargar(["fix", "tasa_objetivo", "cetes_28"], "2000-01-01")
mensual = sie.a_mensual(
    diarias, {"fix": "ultimo", "tasa_objetivo": "promedio", "cetes_28": "promedio"}
)
inpc = sie.serie("inpc", "2000-01-01")

sie.inflacion(inpc)  # mensual, anual, acumulada, anualizada
sie.a_pesos_de(1000, "2010-01-01", "2026-01-01", inpc)  # poder adquisitivo
sie.deflactar(mensual["fix"], inpc, base="2018-07-01")  # pesos constantes
sie.tasa_real(mensual["cetes_28"], sie.variacion_anual(inpc))  # Fisher exacta
sie.indice_base(mensual, "2018-01-01")  # base 100 para comparar
sie.prueba_adf({"nivel": inpc, "Δln": sie.variacion(inpc, log=True)})

Inflación: mercado y pronósticos

bmx = sie.Banxico()

bmx.inflacion_implicita(10, "2015-01-01")  # rendimiento de Bono M y Udibono, e implícita
sie.rendimiento_bono(90.63, cupon=8.0, plazo_dias=3426)  # convención mexicana 182/360

sie.impulso(sie.serie("inpc_subyacente"), 3)  # 3m/3m anualizado
sie.pronosticar_inflacion(inpc, 12)  # SARIMA con intervalo
sie.evaluar_pronosticos(inpc, desde="2012-01-01")  # error fuera de muestra vs. método ingenuo

Documentación

La guía completa y la referencia de cada función están en https://anajzp.github.io/banxicolab/.

Para verla en tu computadora mientras la editas:

pip install -e ".[docs]"
mkdocs serve

Ejemplos

• examples/inicio_rapido.ipynb: descarga, inflación y tasa real en pocas celdas.
• examples/seminario_transformaciones.ipynb: el seminario completo de transformaciones, con cada una justificada y verificada con la prueba ADF.
• examples/inflacion_mercado_y_pronosticos.ipynb: medidas de tendencia, inflación implícita en Bonos M y Udibonos, y pronósticos evaluados fuera de muestra.

Desarrollo

pip install -e ".[dev]"
pytest              # pruebas sin red
pytest -m red       # verifica el catálogo de alias contra Banxico (sin token)

Autoría

Ana Lorena Jiménez Preciado · Escuela Superior de Economía, Instituto Politécnico Nacional.

Datos

Los datos pertenecen a Banco de México y están sujetos a sus términos de uso.