[pt] Muitos dos modelos de simulação de cenários de vazões, necessários para o planejamento e operação de setores elétricos, são construídos sob hipóteses rígidas. Isto pode restringir sua capacidade de representar dependências não-lineares e\ou distribuições não usuais. Cópulas superam estas limitações. Elas possibilitam que o comportamento marginal das variáveis seja modelado separadamente da estrutura de dependência do vetor aleatório. Além do mais, podem representar os mais diversos tipos de associações. Isto posto, esta tese apresenta 3 artigos onde modelos de cópulas são desenvolvidos visando a simulação de cenários de vazões. No primeiro artigo, propomos um modelo periódico de cópulas vine espaciais para simulação multivariada. As principais contribuições são a extensão para o caso periódico dos modelos de cópulas vine espaciais; a drástica redução do número de parâmetros; o desenvolvimento de um modelo não linear multivariado para simulação de cenários de vazões que incorpora a dependência temporal, a dependência espacial, a variação sazonal e o elevado número de usinas (alta dimensão). No segundo artigo, realizamos algumas modificações no modelo periódico espacial proposto que resultam em uma menor complexidade sem perda de performance. No terceiro artigo, propomos uma metodologia baseada em cópulas vine para modelar a dependência temporal de séries periódicas uni variadas de vazões. Dentre as contribuições destaca-se a construção de uma versão não-linear dos modelos periódicos autorregressivos (PAR(p)) onde a dependência temporal de qualquer ordem pode ser considerada; a possibilidade da incorporação de efeitos lineares e não-lineares; um modelo que não simula cenários com valores negativos; a flexibilidade para se modelar as distribuições marginais mensais. / [en] Many streamflow scenario simulation models, which are needed for the planning and operation of energy systems, are built on rigid assumptions. This may limit their ability to represent nonlinear dependencies and/or nonstandard distribution functions. Copulas overcome these drawbacks and represent a flexible tool for modeling multivariate distributions. They enable the modeling of the marginal behavior of variables separately from the dependence structure of a random vector. Moreover, they can represent any type of association. This thesis is composed of three working papers, wherein copula-based models are proposed, objectifying the simulation of streamflow scenarios. In the first working paper, a periodic spatial copula model is proposed to simulate multivariate streamflow scenarios. The main contributions include periodic extension of the spatial vine copulas; a distinct reduction in the number of parameters; and the development of a multivariate nonlinear model for streamflow scenario generation that incorporates time dependence, spatial dependence, and seasonal variation, and accounts for the dimensionality of the problem (high number of hydroelectric power plants). In the second working paper, some modifications are made to the periodic spatial model, resulting in lower complexity without the loss of performance. In the third working paper, a methodology based on the vine copula is proposed to model the temporal dependence structures in a univariate periodic streamflow time series. Among the contributions, the construction of a nonlinear version of the periodic autoregressive model (PAR(p)) is highlighted. The possibility of modeling linear and nonlinear effects and the flexibility of modeling the monthly marginal distributions are highlighted as well. This model does not simulate negative values.

[pt] Em economia, Nowcasting é a previsão do presente, do passado recente ou mesmo a previsão do futuro muito próximo de um determinado indicador. Geralmente, um modelo nowcast é útil quando o valor de uma variável de interesse é disponibilizado com um atraso significativo em relação ao seu período de referência e/ou sua realização inicial é notavelmente revisada ao longo do tempo, se estabilizando somente após um tempo. Nesta tese, desenvolvemos e analisamos vários métodos de Nowcasting usando dados de alta dimensão (big data) em diferentes contextos: desde a previsão de séries econômicas até o nowcast de óbitos pela COVID-19. Em um de nossos estudos, comparamos o desempenho de diferentes algoritmos de Machine Learning com modelos mais naive na previsão de muitas variáveis econômicas em tempo real e mostramos que, na maioria das vezes, o Machine Learning supera os modelos de benchmark. Já no restante dos nossos exercícios, combinamos várias técnicas de nowcasting com um grande conjunto de dados (incluindo variáveis de alta frequência, como o Google Trends) para rastrear a pandemia no Brasil, mostrando que fomos capazes de antecipar os números reais de mortes e casos muito antes de estarem disponíveis oficialmente para todos. / [en] Nowcasting in economics is the prediction of the present, the recent past or even the prediction of the very near future of a certain indicator. Generally, a nowcast model is useful when the value of a target variable is released with a significant delay with respect to its reference period and/or when its value gets notably revised over time and stabilizes only after a while. In this thesis, we develop and analyze several Nowcasting methods using high-dimensional (big) data in different contexts: from the forecasting of economic series to the nowcast of COVID-19. In one of our studies, we compare the performance of different Machine Learning algorithms with more naive models in predicting many economic variables in real-time and we show that, most of the time, Machine Learning beats benchmark models. Then, in the rest of our exercises, we combine several nowcasting techniques with a big dataset (including high-frequency variables, such as Google Trends) in order to track the pandemic in Brazil, showing that we were able to nowcast the true numbers of deaths and cases way before they got available to everyone.