/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](./references/VARIABLES.md).

Endpoints

| # | Endpoint | Uso | |---|----------|-----| | 1 | `GET /estadisticas/v4.0/Monetarias` | Catálogo de variables (paginado) | | 2 | `GET /estadisticas/v4.0/Monetarias/{IdVariable}` | Serie histórica de una variable (paginado) | | 3 | `GET /estadisticas/v4.0/Metodologia` | Índice de metodologías (paginado) | | 4 | `GET /estadisticas/v4.0/Metodologia/{IdVariable}` | Ficha metodológica de una variable |

**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)

| Parámetro | Tipo | Descripción | |-----------|------|-------------| | `IdVariable` | int | Filtra por ID exacto | | `Categoria` | string | Búsqueda parcial sin acentos (`"depositos"`, `"prestamos"`) | | `Periodicidad` | string | `D` diaria, `M` mensual, `T` trimestral | | `Moneda` | string | `PES`, `DOL`, `ML`, `ME`, `MEyML` | | `TipoSerie` | string | `Stock`, `Flujo`, `Tasa`, etc. | | `UnidadExpresion` | string | Texto libre | | `Limit` | int | Default 1000, **máx 3000** | | `Offset` | int | Paginación (sumar al salto) |

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}]}`.

| Parámetro | Tipo | Requerido | Descripción | |-----------|------|-----------|-------------| | `IdVariable` | int (path) | Sí | ID de la variable | | `Desde` | string | No | `YYYY-MM-DD` | | `Hasta` | string | No | `YYYY-MM-DD` | | `Limit` | int | No | Default 1000, **máx 3000** | | `Offset` | int | No | Paginación |

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 `t