convez.ai
PluginFinanceiroAvançado
sburstein

Cat Bond Pricer

sburstein/cat-bond-pricer

Parser e precificador de cat bonds com ML e dashboard Streamlit

Ver no GitHub
InicialPluginScore · de 0 a 100

Ferramenta de análise e precificação de títulos de catástrofe (catastrophe bonds) que extrai dados de PDFs via Claude API, armazena em DuckDB e calcula fair-value spreads através de regressão OLS. Inclui dashboard interativo em Streamlit para upload, visualização de dados e predição de preços.

Instalação

$npx convez-ai sburstein/cat-bond-pricer

1 comando no terminal: detecta o formato do repositório (marketplace ou plugin avulso) e instala via Claude Code. Requer Node 18+ e o Claude Code instalado.

Métricas

Estrelas
0
Forks
0
Acompanhando
0
Saúde
28%
Último commit
há 6 meses
Versão
—
Issues abertas
0
Contribuidores
1

Casos de uso

  • Análise de term sheets de títulos de catástrofe
  • Modelagem de fair-value spreads em instrumentos de climate finance
  • Avaliação de risco de desastres naturais em carteiras de renda fixa

Veredito

Solução especializada e bem arquitetada para o nicho de climate finance. Combina extração de dados com Claude, warehouse em DuckDB e regressão OLS de forma integrada, mas requer domínio técnico e conhecimento do mercado de cat bonds.

README

A tradução para o português deste README ainda está na fila.

Cat Bond Pricer

Python 3.11+ License: MIT Tests Code style: black

A climate finance tool that parses catastrophe bond term sheets (PDFs from the Artemis Deal Directory), extracts structured fields using Claude, stores them in DuckDB, runs an OLS regression (multiple ~ EL + peak_peril + diversifier + post_Ian), and produces a fair-value spread calculator via Streamlit.

Setup

cd cat-bond-pricer
uv venv && source .venv/bin/activate
uv pip install -e ".[dev]"

Set your Anthropic API key for the PDF parser:

export ANTHROPIC_API_KEY=sk-ant-...

Usage

Run the Streamlit app:

streamlit run app/app.py

Run tests:

pytest

Architecture

src/catbond/
  models.py       Pydantic models (CatBond, FairValueResult, enums)
  parser.py        PDF text extraction + Claude structured extraction
  warehouse.py     DuckDB storage (create, insert, query)
  regression.py    OLS: multiple ~ EL_bps + peak_peril + diversifier + post_Ian
  calculator.py    Fair-value spread prediction with confidence intervals

app/
  app.py           Streamlit UI (Upload, Warehouse, Regression, Calculator)

tests/             pytest suite for models, warehouse, parser, regression
data/              PDFs and DuckDB file (gitignored)

Regression Specification

multiple = B0 + B1*EL_bps + B2*peak_peril + B3*peril_diversifier + B4*post_ian + e
  • EL_bps: expected loss in basis points
  • peak_peril: 1 if US Hurricane or US Earthquake
  • peril_diversifier: 1 if non-US peril (Europe Windstorm, Japan EQ/Typhoon)
  • post_ian: 1 if issued after Hurricane Ian (Sep 28, 2022)
Ver o original no GitHub

Bom para

Relacionados