[pt] Nesta tese, propomos quatro modelos dinâmicos para ajudar as seguradoras e fundos de pensão a medir e gerencias seus fatores de risco e seus planos de anuidade. Nos primeiros dois ensaios, propomos modelos de previsão de ganhos de longevidade de uma população, que é um importante fator de risco. No primeiro artigo, um modelo de séries temporais multivariado usando a abordagem SUTSE (seemingly unrelated time series equation) é proposto para prever ganhos de longevidade e taxas de mortalidade. No segundo artigo, um modelo estrutural multivariado com tendências estocásticas comuns é proposto para prever os ganhos de longevidade de uma população com uma curta série temporal de taxas de mortalidade, usando as informações de uma população relacionada, para qual uma longa série temporal de taxas de mortalidade é disponível. No terceiro artigo, outro importante fator de risco é modelado – taxas de cancelamento. Apresentamos um modelo estocástico multiestágio para previsão das taxas de cancelamento usando simulação de Monte Carlo depois de uma sequência de ajustes GLM, ARMA-GARCH e cópula multivariada ser executada. No quarto artigo, assumindo a necessidade de se avaliar as opções embutidas para manter a solvência dos planos de anuidade, propomos um modelo para mensuração das opções embutidas nos planos unit-linkeds brasileiros. / [en] In this thesis we propose four dynamic models to help life insurers and pension plans to measure and manage their risk factors and annuity plans. In the first two essays, we propose models to forecast longevity gains of a population, which is an important risk factor. In the first paper, a multivariate time series model using the seemingly unrelated time series equation (SUTSE) framework is proposed to forecast longevity gains and mortality rates. In the second paper, a multivariate structural time series model with common stochastic trends is proposed to forecast longevity gains of a population with a short time series of observed mortality rates, using the information of a related population for which longer mortality time series exist. In the third paper, another important risk factor is modeled – surrender rates. We propose a multi-stage stochastic model to forecast them using Monte Carlo simulation after a sequence of GLM, ARMA-GARCH and multivariate copula fitting is executed. Assuming the importance of the embedded options valuation to maintain the solvency of annuity plans, in the fourth paper we propose a model for evaluating the value of embedded options in the Brazilian unit-linked plans.

[pt] Como uma consequência natural da digitalização do sistema judiciário brasileiro, um grande e crescente número de documentos jurídicos tornou-se disponível na internet, especialmente decisões judiciais. Como ilustração, em 2020, o Judiciário brasileiro produziu 25 milhões de decisões. Neste mesmo ano, o Supremo Tribunal Federal (STF), a mais alta corte do judiciário brasileiro, produziu 99.5 mil decisões. Alinhados a esses valores, observamos uma demanda crescente por estudos voltados para a extração e exploração do conhecimento jurídico de grandes acervos de documentos legais. Porém, ao contrário do conteúdo de textos comuns (como por exemplo, livro, notícias e postagem de blog), o texto jurídico constitui um caso particular de uso de uma linguagem altamente convencionalizada. Infelizmente, pouca atenção é dada à extração de informações em domínios especializados, como textos legais. Do ponto de vista temporal, o Judiciário é uma instituição em constante evolução, que se molda para atender às demandas da sociedade. Com isso, o nosso objetivo é propor um processo confiável de extração de informações jurídicas de grandes acervos de documentos jurídicos, tomando como base o STF e as decisões monocráticas publicadas por este tribunal nos anos entre 2000 e 2018. Para tanto, pretendemos explorar a combinação de diferentes técnicas de Processamento de Linguagem Natural (PLN) e Extração de Informação (EI) no contexto jurídico. Da PLN, pretendemos explorar as estratégias automatizadas de reconhecimento de entidades nomeadas no domínio legal. Do ponto da EI, pretendemos explorar a modelagem dinâmica de tópicos utilizando a decomposição tensorial como ferramenta para investigar mudanças no raciocinio juridico presente nas decisões ao lonfo do tempo, a partir da evolução do textos e da presença de entidades nomeadas legais. Para avaliar a confiabilidade, exploramos a interpretabilidade do método empregado, e recursos visuais para facilitar a interpretação por parte de um especialista de domínio. Como resultado final, a proposta de um processo confiável e de baixo custo para subsidiar novos estudos no domínio jurídico e, também, propostas de novas estratégias de extração de informações em grandes acervos de documentos. / [en] As a natural consequence of the Brazilian Judicial System’s digitization, a large and increasing number of legal documents have become available on the Internet, especially judicial decisions. As an illustration, in 2020, 25 million decisions were produced by the Brazilian Judiciary. Meanwhile, the Brazilian Supreme Court (STF), the highest judicial body in Brazil, alone has produced 99.5 thousand decisions. In line with those numbers, we face a growing demand for studies focused on extracting and exploring the legal knowledge hidden in those large collections of legal documents. However, unlike typical textual content (e.g., book, news, and blog post), the legal text constitutes a particular case of highly conventionalized language. Little attention is paid to information extraction in specialized domains such as legal texts. From a temporal perspective, the Judiciary itself is a constantly evolving institution, which molds itself to cope with the demands of society. Therefore, our goal is to propose a reliable process for legal information extraction from large collections of legal documents, based on the STF scenario and the monocratic decisions published by it between 2000 and 2018. To do so, we intend to explore the combination of different Natural Language Processing (NLP) and Information Extraction (IE) techniques on legal domain. From NLP, we explore automated named entity recognition strategies in the legal domain. From IE, we explore dynamic topic modeling with tensor decomposition as a tool to investigate the legal reasoning changes embedded in those decisions over time through textual evolution and the presence of the legal named entities. For reliability, we explore the interpretability of the methods employed. Also, we add visual resources to facilitate interpretation by a domain specialist. As a final result, we expect to propose a reliable and cost-effective process to support further studies in the legal domain and, also, to propose new strategies for information extraction on a large collection of documents.