[pt] A natureza intermitente da geração eólica combinada com a conhecida volatilidade dos preços de eletricidade expõe as Empresas de Energia Eólica (WPCs) comprometidas com contratos de longo prazo aos chamados riscos de preço e quantidade. Vários instrumentos foram desenvolvidos nos últimos anos para mitigar essa exposição ao risco. No entanto, a maioria deles foi construído para lidar apenas com uma das partes, ou seja, a incerteza de preço ou geração. Para enfrentar essa questão, neste trabalho, propomos um instrumento derivativo customizado para as WPCs, aproveitando os princípios de opções e índices renováveis. A eficácia e atratividade do instrumento proposto, denominado Opção Eólica (WInd-Op), são avaliadas com dados reais do setor brasileiro por meio de um modelo de equilíbrio geral. Mostramos que as Empresas de Energia Solar (SPCs) podem ser candidatas relevantes para respaldar esses derivativos. Além disso, quando comparado com as opções tradicionais de compra e venda, usadas como referência, os resultados indicam que o equilíbrio obtido com o novo derivativo apresenta um volume total de negociação significativamente maior, preços de prêmio mais baixos e maior bem-estar geral. / [en] The intermittent nature of wind generation combined with the wellknown volatility of electricity spot prices expose Wind Power Companies (WPCs) committed to long-term forward contracts to the so-called price-andquantity risk. Several instruments were designed in the past years to mitigate this risk exposure. However, most of them were mainly constructed to cope with only one of its parts, i.e., price or generation uncertainty. To tackle this issue, in this work, we propose a tailored derivative instrument for WPCs leveraging the principles of options and renewable indexes. The effectiveness and attractiveness of the proposed instrument, referred to as the Wind-Indexed Option (WInd-Op), are evaluated with real data from the Brazilian sector through a general equilibrium setup. We show that Solar Power Companies (SPCs) can be relevant candidates to back these derivatives. Additionally, when compared to the traditional put-and-call options as a benchmark, the results indicate that the equilibrium obtained with the new derivative exhibits a significantly higher total traded volume, lower premium prices, and greater overall welfare.

[pt] A Extração de Informação é uma tarefa importante no domínio jurídico. Embora a presença de dados estruturados seja escassa, dados não estruturados na forma de documentos jurídicos, como sentenças, estão amplamente disponíveis. Se processados adequadamente, tais documentos podem fornecer informações valiosas sobre processos judiciais anteriores, permitindo uma melhor avaliação por profissionais do direito e apoiando aplicativos baseados em dados. Este estudo aborda a Extração de Informação no domínio jurídico, extraindo valor de sentenças relacionados a reclamações de consumidores. Mais especificamente, a extração de cláusulas categóricas é abordada através de classificação, onde seis modelos baseados em diferentes estruturas são analisados. Complementarmente, a extração de valores monetários relacionados a indenizações por danos morais é abordada por um modelo de Reconhecimento de Entidade Nomeada. Para avaliação, um conjunto de dados foi criado, contendo 964 sentenças anotados manualmente (escritas em português) emitidas por juízes de primeira instância. Os resultados mostram uma média de aproximadamente 97 por cento de acurácia na extração de cláusulas categóricas, e 98,9 por cento na aplicação de NER para a extração de indenizações por danos morais. / [en] Information Extraction is an important task in the legal domain. While the presence of structured and machine-processable data is scarce, unstructured data in the form of legal documents, such as legal opinions, is largely available. If properly processed, such documents can provide valuable information with regards to past lawsuits, allowing better assessment by legal professionals and supporting data-driven applications. This study addresses Information Extraction in the legal domain by extracting value from legal opinions related to consumer complaints. More specifically, the extraction of categorical provisions is addressed by classification, where six models based on different frameworks are analyzed. Moreover, the extraction of monetary values related to moral damage compensations is addressed by a Named Entity Recognition (NER) model. For evaluation, a dataset was constructed, containing 964 manually annotated legal opinions (written in Brazilian Portuguese) enacted by lower court judges. The results show an average of approximately 97 percent of accuracy when extracting categorical provisions, and 98.9 percent when applying NER for the extraction of moral damage compensations.

[pt] A seleção de variáveis em modelos estatísticos é um problema importante, para o qual diferentes soluções foram propostas. Tradicionalmente, pode-se escolher o conjunto de variáveis explicativas usando critérios de informação ou informação à priori, mas o número total de modelos a serem estimados cresce exponencialmente a medida que o número de variáveis candidatas aumenta. Um problema adicional é a presença de mais variáveis candidatas que observações. Nesta tese nós estudamos diversos aspectos do problema de seleção de variáveis. No Capítulo 2, comparamos duas metodologias para regressão linear: Autometrics, que é uma abordagem geral para específico (GETS) baseada em testes estatísticos, e LASSO, um método de regularização. Diferentes cenários foram contemplados para a comparação no experimento de simulação, variando o tamanho da amostra, o número de variáveis relevantes e o número de variáveis candidatas. Em uma aplicação a dados reais, os métodos foram comparados para a previsão do PIB dos EUA. No Capítulo 3, introduzimos uma metodologia para seleção de variáveis em modelos regressivos e autoregressivos de transição suave (STR e STAR) baseada na regularização do LASSO. Apresentamos uma abordagem direta e uma escalonada (stepwise). Ambos os métodos foram testados com exercícios de simulação exaustivos e uma aplicação a dados genéticos. Finalmente, no Capítulo 4, propomos um critério de mínimos quadrados penalizado baseado na penalidade l1 do LASSO e no CVaR (Conditional Value at Risk) dos erros da regressão out-of-sample. Este é um problema de otimização quadrática resolvido pelo método de pontos interiores. Em um estudo de simulação usando modelos de regressão linear, mostra-se que o método proposto apresenta performance superior a do LASSO quando os dados são contaminados por outliers, mostrando ser um método robusto de estimação e seleção de variáveis. / [en] Variable selection in statistical models is an important problem, for which many different solutions have been proposed. Traditionally, one can choose the set of explanatory variables using information criteria or prior information, but the total number of models to evaluate increases exponentially as the number of candidate variables increases. One additional problem is the presence of more candidate variables than observations. In this thesis we study several aspects of the variable selection problem. First, we compare two procedures for linear regression: Autometrics, which is a general-to-specific (GETS) approach based on statistical tests, and LASSO, a shrinkage method. Different scenarios were contemplated for the comparison in a simulation experiment, varying the sample size, the number of relevant variables and the number of candidate variables. In a real data application, we compare the methods for GDP forecasting. In a second part, we introduce a variable selection methodology for smooth transition regressive (STR) and autoregressive (STAR) models based on LASSO regularization. We present a direct and a stepwise approach. Both methods are tested with extensive simulation exercises and an application to genetic data. Finally, we introduce a penalized least square criterion based on the LASSO l1- penalty and the CVaR (Conditional Value at Risk) of the out-of-sample regression errors. This is a quadratic optimization problem solved by interior point methods. In a simulation study in a linear regression framework, we show that the proposed method outperforms the LASSO when the data is contaminated by outliers, showing to be a robust method of estimation and variable selection.

[pt] Nos últimos anos, observa-se crescente penetração da energia eólica na matriz energética mundial e brasileira. Em 2015, ela já representava (seis por cento) da capacidade total de geração de energia do país, colocando-o na (décima) posição entre os países com capacidade eólica instalada. A crescente penetração dessa fonte de energia e suas características de intermitência e forte sazonalidade, passaram a demandar modelos de otimização capazes de auxiliar tanto a gestão dos sistemas elétricos com geração intermitente de energia eólica, quanto a comercialização dessa energia. Avançaram, assim, os estudos de previsões de médias a cada (dez) minutos, horárias e diárias de geração eólica, para atender a sua inserção na programação dos sistemas elétricos e a sua comercialização em mercados diários e horários. Contudo, poucos estudos deram atenção à previsão e simulação de médias mensais de geração eólica, imprescindíveis para gestão e otimização da comercialização dessa energia no Brasil, visto que esta ocorre essencialmente em base mensal. Neste contexto, insere-se esta tese, que busca avaliar a otimização comercial de um parque eólico no mercado livre de energia brasileiro, considerando diferentes modelos de simulação da incerteza de geração eólica e níveis de aversão ao risco do gestor. Para representar diferentes níveis de aversão ao risco do gestor, desenvolveu-se uma nova função de preferência, capaz de modelar a variação do nível de aversão ao risco de um mesmo gestor, para diferentes faixas de preferência, definidas a partir de percentis αs de VaRα. A função de preferência desenvolvida é uma ponderação entre o valor esperado e níveis de CVaR dos resultados. De certo modo, ela altera as probabilidades dos resultados, de acordo as preferências do gestor, similar ao efeito dos pesos de decisão na Teoria do Prospecto. Para simulação da geração eólica são adotados modelos autorregressivos com sazonalidade representada por dummies mensais (ARX-11) e periódicos (PAR). Considera-se, ainda, a inclusão de variáveis climáticas exógenas no modelo ARX-11, com ganho de capacidade preditiva. Observou-se que, para um gestor neutro ao risco, as diferentes simulações de geração eólica não alteraram a decisão ótima. O mesmo não é válido para um gestor avesso ao risco, especialmente ao ser considerado o modelo de simulação com variáveis climáticas exógenas. Portanto, é importante a definição de um único modelo de simulação a ser considerado pelo gestor avesso ao risco ou, a adoção de alguma técnica multicritério para ponderação de diferentes modelos. O perfil de risco também altera as decisões ótimas do gestor, observando-se redução do desvio-padrão e da média da distribuição dos resultados e, aumento dos CVaRs e prêmio de risco, à medida que aumenta a aversão ao risco. Assim, é importante a especificação de uma única função de preferência, que represente adequadamente o perfil de risco do gestor ou da empresa, para otimização da comercialização. A flexibilidade da função de preferência desenvolvida, ao permitir a definição de diferentes níveis de aversão ao risco do gestor, para diferentes faixas de preferência, contribui para essa especificação. / [en] In recent years, we have seen an increased penetration of wind power in the Brazilian energy matrix and also worldwide. In 2015, wind power already accounted for (six percent) of the Brazilian total power capacity and the country was the (tenth) in the world raking of wind power installed capacity. Due to the growing penetration of the source, its intermittency and strong seasonality, optimization models able to deal with the management of wind power, both in electrical systems operation and in trading environment, are necessary. Thus, we see the growth in the number of studies concerned about wind power forecasts for every (10) minutes, hours and days, meeting the electrical systems and international trading schedules. However, few studies have given attention to the forecasting and simulation of wind power monthly averages, which are essential for the management and optimization of energy trading in Brazil, since its occurs essentially on a monthly basis. In this context, we introduce this thesis, which seeks to assess the commercial optimization of a wind farm in the Brazilian energy free market, considering different simulation models for the wind power production uncertainty and different levels of manager s risk aversion. In order to represent the manager s different levels of risk aversion, we developed a new preference function, which is able to model the variation of risk aversion level of the same manager, for different preference groups. These groups are defined by α s percentiles of VaRα. The developed preference function is a weighted average between expected value of results and CVaR levels. In a way, it changes the odds of the results, according to the manager s preference, similar to the effect of the decision weights on Prospect Theory. We adopted autoregressive models to simulate wind power generation, with seasonality represented by monthly dummies (ARX -11) or periodic model (PAR). Furthermore, we consider the inclusion of climate exogenous variables in the ARX-11 model and obtain predictive gain. We observed that for a risk neutral manager, different simulations of wind power production do not change the optimal decision. However, this does not apply for risk averse managers, especially when we consider the simulation model with climate exogenous variables. Therefore, it is important that the risk averse manager establishes a single simulation model to consider or adopts some multi-criteria technique for weighting different models. The risk profile also changes the manager optimal decision. We observed that increasing risk aversion, the standard deviation and mean of the results distribution decrease, while risk premium and CVaRs increase. Therefore, to proceed the optimization, it is important to specify a single preference function, which represents adequately the manager or company risk profile. The flexibility of the developed preference function, allowing the definition of different manager s risk aversion levels for different preference groups, contributes to this specification.