bcra-macro

name: bcra-macro description: API de Estadísticas Monetarias v4.0 del BCRA con 638 series macroeconómicas (reservas, tipo de cambio, tasas, M1/M2/M3, inflación, CER, UVA). license: MIT metadata: category: finanzas, api, bcra, macroeconomia language: es source: https://www.bcra.gob.ar/documentacion-apis/?fileName=estadisticas-monetarias-v4

BCRA Macro — API de Estadísticas Monetarias v4.0

API oficial del BCRA para consultar variables macroeconómicas nacionales (no provinciales).
Base URL: https://api.bcra.gob.ar
Catálogo total: 1220 series → 638 series nacionales en ./references/VARIABLES.md.

Endpoints

Autenticación: no requiere. CORS: abierto. Encoding: ISO-8859-1 en algunos textos.

1. Catálogo de variables

GET /estadisticas/v4.0/Monetarias

Devuelve el listado completo con metadatos (idVariable, descripcion, categoria, tipoSerie, periodicidad, unidadExpresion, moneda, primerFechaInformada, ultFechaInformado, ultValorInformado).

Filtros disponibles (query params)

Ejemplo mínimo

import requests, pandas as pd
r = requests.get("https://api.bcra.gob.ar/estadisticas/v4.0/Monetarias", params={"Limit": 3000})
df = pd.DataFrame(r.json()["results"])

2. Serie histórica de una variable

GET /estadisticas/v4.0/Monetarias/{IdVariable}

Devuelve {idVariable, detalle: [{fecha, valor}]}.

r = requests.get("https://api.bcra.gob.ar/estadisticas/v4.0/Monetarias/1",
                 params={"Desde": "2020-01-01", "Hasta": "2025-12-31"})
df = pd.DataFrame(r.json()["results"][0]["detalle"])
df["fecha"] = pd.to_datetime(df["fecha"])
df = df.set_index("fecha").sort_index()

3. Metodologías

GET /estadisticas/v4.0/Metodologia           # índice paginado
GET /estadisticas/v4.0/Metodologia/{idVar}   # ficha completa

r = requests.get("https://api.bcra.gob.ar/estadisticas/v4.0/Metodologia/1")
print(r.json()["results"][0]["detalle"])

4. Paginación: cómo superar el límite de 3000 registros

El API devuelve máximo 3000 filas por llamada y la serie diaria más larga (Reservas internacionales, ID 1) tiene ~9000 observaciones desde 1996. Hay dos estrategias.

Estrategia A — Paginación con Offset (la más simple)

Iterar sumando Offset += Limit hasta que la respuesta venga vacía.

import requests, pandas as pd

def get_serie(id_variable, limit=3000):
    url = f"https://api.bcra.gob.ar/estadisticas/v4.0/Monetarias/{id_variable}"
    offset, partes = 0, []
    while True:
        r = requests.get(url, params={"Limit": limit, "Offset": offset}).json()
        det = r["results"][0]["detalle"]
        if not det:
            break
        partes.append(pd.DataFrame(det))
        offset += limit
    df = pd.concat(partes).drop_duplicates("fecha").sort_values("fecha")
    df["fecha"] = pd.to_datetime(df["fecha"])
    return df.set_index("fecha")

reservas = get_serie(1)  # ~9000 observaciones desde 1996

Estrategia B — Chunking por rango de fechas (más rápido en serie larga)

Partir el rango total en ventanas (ej. anual) y pedir cada una con Desde/Hasta. Es preferible cuando la serie tiene >50.000 obs o se quieren datos muy antiguos en simultáneo.

import requests, pandas as pd
from datetime import date

def get_serie_por_chunks(id_variable, desde, hasta, ventana_dias=365):
    url = f"https://api.bcra.gob.ar/estadisticas/v4.0/Monetarias/{id_variable}"
    partes, d = [], pd.to_datetime(desde)
    fin = pd.to_datetime(hasta)
    while d <= fin:
        h = min(d + pd.Timedelta(days=ventana_dias - 1), fin)
        r = requests.get(url, params={"Desde": d.strftime("%Y-%m-%d"),
                                       "Hasta": h.strftime("%Y-%m-%d"),
                                       "Limit": 3000}).json()
        partes.append(pd.DataFrame(r["results"][0]["detalle"]))
        d = h + pd.Timedelta(days=1)
    df = pd.concat(partes).drop_duplicates("fecha").sort_values("fecha")
    df["fecha"] = pd.to_datetime(df["fecha"])
    return df.set_index("fecha")

base = get_serie_por_chunks(15, "1996-01-01", date.today().isoformat())

Estrategia C — Catálogo paginado (para re-listar todas las variables)

def catalogo_completo(limit=3000):
    url = "https://api.bcra.gob.ar/estadisticas/v4.0/Monetarias"
    offset, todo = 0, []
    while True:
        r = requests.get(url, params={"Limit": limit, "Offset": offset}).json()
        batch = r["results"]
        todo += batch
        if len(batch) < limit:
            break
        offset += limit
    return pd.DataFrame(todo)

Reglas de oro

• La respuesta no incluye total → siempre hay que chequear con len(batch) < limit o detalle == [].
• Hacer una sola llamada grande (Limit=3000) es más eficiente que muchas chicas.
• La API no impone rate-limit público pero ser cortés: agregar time.sleep(0.2) entre llamadas si se itera en masa.

Variables nacionales (IDs más usados)

Listado completo en VARIABLES.md (638 series nacionales). Las 30 más consultadas:

Tip: el ID cambia con la refactorización del API. Para confirmar el ID actual de una variable usar el endpoint de catálogo.

Categorías presentes en el catálogo

Excluidas (582 series provinciales/municipales): los IDs 322+ desagregan por provincia (Buenos Aires, Córdoba, Santa Fe, etc.) y los items que mencionan "gobiernos provinciales" o "municipales" sin agregado nacional.

Códigos de moneda

Tipos de serie

Saldos a fin de mes · Saldos · Tasa de interés · Flujo diario · Tipo de cambio · Variación · Cociente · Índice · Unidad de cuenta · Margen · Monto

Consideraciones técnicas

• Sin autenticación — no requiere key ni token.
• Tope de paginado: 3000 registros por llamada.
• Encoding: las respuestas pueden traer caracteres extendidos (ISO-8859-1) — usar response.encoding o pd.read_json(..., encoding="utf-8").
• Formato fechas: ISO 8601 (YYYY-MM-DD).
• SLA: best-effort, sin garantías formales.

Enlaces útiles

• Documentación oficial
• Catálogo de APIs del BCRA
• Datos monetarios diarios
• Metodologías
• OpenAPI Spec
• Docs interactivas