Import options & loops for time series data

Hi! I have two question. The first is about data importing. Using the "Dati BTP e BOT" dataset, I would like to set the row 8 (it refers to variable "Maturity) and column A (from row 9) as datetime and other cells have to be numbers, but in the editor there aren't ways to change this values for cells in particulare (it's possible change the first row only). Any suggestion?

As second question, I extracted a cross section of "Dati BTP e BOT" as in "test 25ago2022" file. In this I estimate parametes of Nelson-Siegel model (it's a financial model, but this isn't the point) using the following code:

%% Import data from spreadsheet
% Script for importing data from the following spreadsheet:
%
%    Workbook: C:\Users\William\Desktop\test 25ago2022.xlsx
%    Worksheet: 25ago2022
%
% Auto-generated by MATLAB on 30-Aug-2022 12:38:18
%% Set up the Import Options and import the data
opts = spreadsheetImportOptions("NumVariables", 3);
% Specify sheet and range
opts.Sheet = "25ago2022";
opts.DataRange = "A2:C95";
% Specify column names and types
opts.VariableNames = ["CouponRate", "Maturity", "Prezzo"];
opts.VariableTypes = ["double", "datetime", "double"];
% Specify variable properties
opts = setvaropts(opts, "Maturity", "InputFormat", "");
% Import the data
tbl = readtable("C:\Users\William\Desktop\test 25ago2022.xlsx", opts, "UseExcel", false);
%% Convert to output type
CouponRate = tbl.CouponRate;
Maturity = tbl.Maturity;
Prezzo = tbl.Prezzo;
%% Clear temporary variables
clear opts tbl
Settle = repmat(datenum('25-ago-2022'),[94,1]);
Maturity = datenum(Maturity(:,1));
CleanPrice = Prezzo(:,1);
CouponRate = CouponRate(:,1);
Instruments = [Settle Maturity CleanPrice CouponRate];
PlottingPoints = datenum(Maturity(1,1)):1:datenum(Maturity(94,1));
Yield = bndyield(CleanPrice,CouponRate,Settle,Maturity);
NSModel = IRFunctionCurve.fitNelsonSiegel('Zero',datenum('25-ago-2022'),Instruments,'InstrumentBasis',3,'InstrumentEndMonthRule',0);
NSModel.Parameters
SvenssonModel = IRFunctionCurve.fitSvensson('Zero',datenum('25-ago-2022'),Instruments);
SvenssonModel.Parameters
figure1 = figure('WindowState','maximized','Color',[1 1 1]);
plot(PlottingPoints, getParYields(SvenssonModel, PlottingPoints),'r','Color',[0 0 0],'LineWidth',0.7)
hold on
scatter(Maturity,Yield,'black',Marker='*')
datetick('x')
xlabel('Scadenza','Interpreter','latex');
ylabel('Tasso di interesse','Interpreter','latex');
set(gca,'FontSize',15,'TickLabelInterpreter','latex')

Are there ways to use this code to estimate the parameters automatically for the entire time series and get the daily output as a dataset? Using the for construct is the solution probably but I'm sure I'd some problems in defining the "settle" variable.

I hope it's clear what I mean.

[dpb]

"I would like to set the row 8 (it refers to variable "Maturity) and column A (from row 9) as datetime and other cells have to be numbers,"

We can't always have what we want...no, you can't have one row in a table be a different data class/type than the others unless the whole column is a cell array containing the various types in the cell. This is possible, but then makes using the table awkward at best because then must dereference the cell every time to get to the content within the cell.

The ideal solution would be to create a corollary variable for each that is the maturity date, coupon rate, etc., ...then you have all the data for everything but at the expense of memory for the axiliary variables.

Probably the better way with these data would be to create an auxiliary table that contains these data for each issue and retrieve it by name/code; whichever it is you're using as the primary reference. The issue name is extremely long and convoluted to use as a practical name but the code ID is non-mnemonic in order to know to which one is referring to; the names are just built up from the metadata, anyways, however, so lookup manually may not be an issue, anyways; you may just process them all and then spit out those of interest by the computed metric, maybe???

I don't understand the second question, sorry...you mean to process all series/issues, not just one, maybe?

Answer 1

[dpb]

W/o the second Q?, my approach would be something like --

First, read, create the metadata table of auxiliary data...

metadata=readcell('Dati BTP e BOT.xlsx','Sheet','BTP','Range','5:8').'; % read as cell; transpose
tMD=cell2table(metadata(2:end,:),"VariableNames",metadata(1,:));        % conveert to table use names record
tMD.Name=string(tMD.Name);                                              % make name string variable
ix=cellfun(@isnumeric,tMD.Code);                                        % convert code to categorical -- fixup integers first
tMD.Code(ix)=cellfun(@num2str,tMD.Code(ix),'UniformOutput',false);
tMD.Code=categorical(tMD.Code);

The above leaves you with the metadata as a table to use in conjunction with the table yet to come...

head(tMD)
ans =
  8×4 table
                            Name                             Code     Coupon Rate     Maturity  
    ____________________________________________________    ______    ___________    ___________
    "BTP ITALY 1993 8 1/2% 22/12/23 30Y - DEFAULT PRICE"    843265       0.085       22-Dec-2023
    "BTP ITALY 1993 9% 01/11/23 30Y - DEFAULT PRICE"        398016        0.09       01-Nov-2023
    "BTP ITALY 1997 6 1/2% 01/11/27 30Y - DEFAULT PRICE"    613080       0.065       01-Nov-2027
    "BTP ITALY 1997 7 1/4% 01/11/26 30Y - DEFAULT PRICE"    843262      0.0725       01-Nov-2026
    "BTP ITALY 1998 5 1/4% 01/11/29 30Y - DEFAULT PRICE"    613875      0.0525       01-Nov-2029
    "BTP ITALY 2000 6% 01/05/31 30Y - DEFAULT PRICE"        209129        0.06       01-May-2031
    "BTP ITALY 2002 5 3/4% 01/02/33 30Y - DEFAULT PRICE"    20662U      0.0575       01-Feb-2033
    "BTP ITALY 2003 4 1/4% 01/02/19 15Y - DEFAULT PRICE"    24988H      0.0425       01-Feb-2019
>> 

To read the rest looks like --

opt=detectImportOptions('Dati BTP e BOT.xlsx','Sheet','BTP','Range','A9');  % import options object beginning at real data location, not top
vNames=opt.VariableNames;                                                   % save default names temporary
opt.VariableNames(1)={'Date'};                                              % set the variable names Date first
opt.VariableNames(2:end)=strrep(vNames(1:end-1),'Var','BTP');               % make up something short for each issue for convenience
tBTP=readtable('Dati BTP e BOT.xlsx',opt);                                  % and read...

Again, this leaves you with all the data as needed to compute with...

>> head(tBTP)
ans =
  8×127 table
       Date         BTP1      BTP2      BTP3      BTP4      BTP5      BTP6      BTP7      BTP8      BTP9     BTP10     BTP11    BTP12    BTP13     BTP14     BTP15     BTP16     BTP17     BTP18     BTP19     BTP20     BTP21    BTP22     BTP23     BTP24     BTP25     BTP26     BTP27     BTP28     BTP29     BTP30     BTP31     BTP32     BTP33     BTP34     BTP35     BTP36     BTP37     BTP38     BTP39     BTP40     BTP41     BTP42     BTP43     BTP44     BTP45     BTP46     BTP47     BTP48     BTP49     BTP50     BTP51     BTP52     BTP53     BTP54     BTP55     BTP56     BTP57     BTP58     BTP59     BTP60     BTP61     BTP62     BTP63     BTP64     BTP65     BTP66     BTP67     BTP68     BTP69     BTP70     BTP71     BTP72     BTP73     BTP74     BTP75     BTP76     BTP77     BTP78     BTP79     BTP80     BTP81     BTP82     BTP83     BTP84     BTP85     BTP86     BTP87     BTP88     BTP89     BTP90     BTP91     BTP92     BTP93     BTP94     BTP95     BTP96     BTP97     BTP98     BTP99     BTP100    BTP101    BTP102    BTP103    BTP104    BTP105    BTP106    BTP107    BTP108    BTP109    BTP110    BTP111    BTP112    BTP113    BTP114    BTP115    BTP116    BTP117    BTP118    BTP119    BTP120    BTP121    BTP122    BTP123    BTP124    BTP125    BTP126
    ___________    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    _____    _____    ______    ______    ______    ______    ______    ______    ______    ______    _____    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______    ______
    01-Jan-2010    138.82    147.43    122.22    131.08    107.37    116.53     113.8    103.27    103.74    103.81    89.29    97.01    106.48    103.91    103.82    101.21    105.48    103.31    {'NA'}    {'NA'}     NaN     {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}
    04-Jan-2010    141.47    147.59    122.47    131.37    107.63    116.85    114.18    103.35    104.09    104.01    89.68    97.18    106.39    104.42    104.03    101.51    105.73    104.07    {'NA'}    {'NA'}     NaN     {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}
    05-Jan-2010    140.55     147.7    122.43    131.29    107.57    116.72       114    103.42       104    104.08    89.52    97.22    106.41    104.24     104.1    101.59    105.73    103.75    {'NA'}    {'NA'}     NaN     {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}
    06-Jan-2010     142.6    147.22    121.94    130.76    107.07    116.14    113.39    103.27    103.38    103.91    88.91    97.01    106.22    103.47    103.74    101.43     105.3    102.88    {'NA'}    {'NA'}     NaN     {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}
    07-Jan-2010    142.74     147.5    122.14    130.97    107.21    116.25    113.53    103.48    103.47    104.09    89.03    97.23    106.41     103.5    103.98    101.64    105.56    102.84    {'NA'}    {'NA'}     NaN     {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}
    08-Jan-2010    142.82    147.68    122.26    131.11    107.31    116.31    113.53    103.58    103.48    104.18    89.13    97.33    106.51    103.61    104.12    101.76     105.7    102.84    {'NA'}    {'NA'}     NaN     {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}
    11-Jan-2010    142.91    147.74    122.07    131.03    107.13    116.08    113.23    103.76    103.31     104.4    88.98     97.4    106.69    103.36    104.18    101.93    105.68    102.62    {'NA'}    {'NA'}     NaN     {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}
    12-Jan-2010    142.97     147.8    122.17    131.03    107.21    116.12    113.26    103.79    103.35    104.43    89.02    97.52    106.71     103.4    104.28    101.96    105.77    102.55    {'NA'}    {'NA'}     NaN     {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}    {'NA'}
>> 

This returns all 126 issues in the spreadsheet; you can limit those imported by selecting the wanted subset from the SelectedVariableNames property of the import object before reading or just delete those unwanted from the full table.

Last little bit of an amenity is fixing up the metadata table to also include the shortname for lookup matching--

tMD=addvars(tMD,categorical(tBTP.Properties.VariableNames(2:end).'),'Before',{'Name'},'NewVariableNames',{'BTP'});

which leaves the augmented metadata table looking like--

>> head(tMD)
ans =
  8×5 table
    BTP                             Name                             Code     Coupon Rate     Maturity  
    ____    ____________________________________________________    ______    ___________    ___________
    BTP1    "BTP ITALY 1993 8 1/2% 22/12/23 30Y - DEFAULT PRICE"    843265       0.085       22-Dec-2023
    BTP2    "BTP ITALY 1993 9% 01/11/23 30Y - DEFAULT PRICE"        398016        0.09       01-Nov-2023
    BTP3    "BTP ITALY 1997 6 1/2% 01/11/27 30Y - DEFAULT PRICE"    613080       0.065       01-Nov-2027
    BTP4    "BTP ITALY 1997 7 1/4% 01/11/26 30Y - DEFAULT PRICE"    843262      0.0725       01-Nov-2026
    BTP5    "BTP ITALY 1998 5 1/4% 01/11/29 30Y - DEFAULT PRICE"    613875      0.0525       01-Nov-2029
    BTP6    "BTP ITALY 2000 6% 01/05/31 30Y - DEFAULT PRICE"        209129        0.06       01-May-2031
    BTP7    "BTP ITALY 2002 5 3/4% 01/02/33 30Y - DEFAULT PRICE"    20662U      0.0575       01-Feb-2033
    BTP8    "BTP ITALY 2003 4 1/4% 01/02/19 15Y - DEFAULT PRICE"    24988H      0.0425       01-Feb-2019
>> 

[William Milton]

Thanks, the second question isn't necessary I decided I won't do that thing because it's unnecessary for what I have to do