[pt] A previsão de curto prazo, que envolve dados de alta frequência, é essencial para a confiabilidade e eficiência da operação do setor elétrico, fazendo com que a alocação da carga seja feita de forma eficiente, além de indicar possíveis distorções nos próximos períodos (dias, horas, ou frações de hora). A fim de garantir a operação energética, diversas abordagens têm sido empregadas com vistas à previsão de carga de energia a curto prazo. Dentre elas, pode-se citar os modelos híbridos de Séries Temporais, Lógica Fuzzy e Redes Neurais e o Método Holt-Winters com múltiplos ciclos que é a principal ferramenta utilizada atualmente. O HPA (Hierarchical Profiling Approach) é um modelo que decompõe a variabilidade dos dados de séries temporais em três componentes: determinística, estocástica e ruído. A metodologia é capaz de tratar observações únicas, periódicas e aperiódicas, e ao mesmo tempo, serve como uma técnica de pré-branqueamento. Este trabalho tem por objetivo implementar o HPA e aplicá-lo a dados de carga de energia elétrica de 15 em 15 minutos pra um estado da região Sudeste do Brasil. Também serão analisadas as previsões de curto prazo geradas pelo modelo para a série considerada, visto que a habilidade preditiva do HPA ainda é desconhecida para séries brasileiras. As previsões forneceram Coeficiente U de Theil igual a 0,36 e um Erro Percentual Absoluto Médio (MAPE, Mean Absolute Percentage Error) de 5,46%, o qual é bem inferior ao valor fornecido pelo Modelo Ingênuo usado para comparação (15,08%). / [en] Short-term forecast, which involves high frequency data, is essential for a reliable and efficient electricity sector operation, enabling an efficient power load allocation and indicating possible distortions in the coming periods (days, hours, or hour fractions). To ensure the operation efficiency, several approaches have been employed in order to forecast the short-term load. Among them, one can mention the hybrid models of Time Series, Fuzzy Logic and Neural Networks and Holt-Winters Method with multiple cycles, which is the main tool used today. The HPA (Hierarchical Profiling Approach) model decomposes the variability of time series data into three components: deterministic, stochastic and noise. The model is capable of modeling single, periodic and aperiodic observations, and at the same time function as a pre-whitening technique. This work aims to implement the HPA and to apply it in 15 in 15 minutes load data of a Brazil’s southeastern state, since the predictive ability of the HPA is still not known for the Brazilian series. The short-term forecasts estimated for the series considered are analyzed and provided a Theil-U Coefficient equal to 0.36 and a Mean Absolute Percentage Error (MAPE) of 5.46%, which is smaller than the value given by the Naive Model (15.08%).

[pt] A hipótese de normalidade é comumente utilizada na área de análise de risco para descrever as distribuições dos retornos padronizados pelas volatilidades. No entanto, utilizando cinco dos ativos mais líquidos na Bovespa, este trabalho mostra que tal hipótese não é compatível com medidas de volatilidades estimadas pela metodologia EWMA ou modelos GARCH. Em contraposição, ao extrair a informação contida em cotações intradiárias, a metodologia de volatilidade realizada origina retornos padronizados normais, potencializando ganhos no cálculo de medidas de Valor em Risco. Além disso, são caracterizadas as distribuições de volatilidades e correlações de ativos brasileiros e, em especial, mostra-se que as distribuições das volatilidades são aproximadamente lognormais, enquanto as distribuições das correlações são aproximadamente normais. A análise é feita tanto de um ponto de vista univariado quanto multivariado e fornece subsídio para a melhor modelagem de variâncias e correlações em um contexto de grande dimensionalidade. / [en] The normality assumption is commonly used in the risk management area to describe the distributions of returns standardized by volatilities. However, using five of the most actively traded stocks in Bovespa, this paper shows that this assumption is not compatible with volatilities estimated by EWMA or GARCH models. In sharp contrast, when we use the information contained in high frequency data to construct the realized volatilies measures, we attain the normality of the standardized returns, giving promise of improvements in Value at Risk statistics. We also describe the distributions of volatilities and correlations of the brazilian stocks, showing that the distributions of volatilities are nearly lognormal and the distribuitions of correlations are nearly Gaussian. All analysis is traced both in a univariate and a multivariate framework and provides background for improved high-dimensional volatility and correlation modelling in the brazilian stock market.