[pt] Os modelos GAS (generalized autoregressive score) são modelos de séries temporais com parâmetros variantes no tempo, os quais possuem sua evolução ditada pelo vetor score ponderado da função de verossimilhança. A avaliação da verossimilhança nestes modelos é bastante simples, bem como incorporação de efeitos como assimetria, memória longa e outras dinâmicas. Por serem baseados no score da verossimilhança, exporta-se a estrutura completa da distribuição preditiva para o mecanismo de atualização dos parâmetros, e não apenas a média ou momentos de ordem superior. Estas características, somadas á capacidade de lidar com processos multivariados e não estacionários, tornam a classe em estudo uma nova alternativa para a construção de modelos com parâmetros variantes, particularmente para séries temporais não gaussianas. Nesta dissertação, foram desenvolvidos modelos GAS univariados para a análise das séries mensais de vazão do Rio Paraibuna (MG) e de fator de capacidade de uma usina é olica não divulgada do Nordeste, utilizando as distribuições gama e beta, respectivamente. Além disso, foi derivado um novo modelo GAS bivariado com marginais gama e beta para a modelagem conjunta dos processos de vazão e vento, de modo a explorar a complementaridade sazonal entre as séries. / [en] The GAS models (generalized autoregressive score) are time series models with time-varying parameters, which have their update mechanism drived by the scaled score of the likelihood function. The likelihood evaluation in these models is quite simple, as well as the incorporation of effects like asymmetry, long memory and other dynamics. Because they are based in the scaled score of the likelihood, it exploits the full structure of the predictive distribution to the update mechanism of the parameters, and not just mean or higher order moments. These characteristics, coupled with the ability to handle with multivariate and non-stationary processes, make the studied class a new alternative to the construction of models with time-varying parameters, particularly for non-Gaussian time series. In this dissertation, univariate GAS models were developed to analyze monthly series of streamflow of Paraibuna river (MG) and of capacity factor of a wind farm undisclosed in Northeast, using the gamma and beta distributions, respectively. In addition, a new bivariate GAS model with gamma and beta marginals was derived for the joint modeling of the streamflow and wind processes, in order to explore the seasonal complementarity between the series.

[pt] Neste trabalho usamos o arcabouço dos modelos GAS para gerar previsões conjuntas de fator de capacidade eólico, pertencentes a diferentes usinas localizadas em áreas geográficas distintas. Esses cenários são insumos para gerar uma distribuição de fluxo de caixa associada a um portfólio de contratos atrelados aos parques eólicos em questão. Inicialmente modelamos as densidades marginais via um modelo GAS, supondo densidade Beta. De maneira a capturar a estrutura de dependência entre esses fatores de capacidade, usamos uma cópula t-Student com a matriz de correlação também sendo atualizada via mecanismo GAS. Uma das contribuições importantes desse trabalho para o setor elétrico está na geração de cenários conjuntos apenas em um passo, evitando a necessidade de modelar variáveis transformadas e posteriormente transforma-las para retornar às suas respectivas escalas originais. Assim como é feito no caso supondo normalidade para as marginais. Como é sabido, exponenciar valores simulados a partir de uma densidade normal pode gerar resultados equivocados para fatores de capacidade eólico, e por propagação, isso pode afetar severamente as medidas de risco que são obtidas a partir da distribuição simulada de fluxo de caixa associada com o portfolio das usinas eólicas. Nossos resultados mostram que quando a dependência é levada em consideração, os fluxos de caixa tendem a ser maiores do que quando ignora-se a dependência. / [en] In this work we use the framework of GAS models to generate joint forecasts for capacity factors of several wind plants belonging to different geographical areas. Such scenarios are then used as input to raise the distribution of cash flows associated with a portfolio of contracts attached to these wind plants. We first model the marginal density of each capacity factor using a GAS model with Beta density. In order to capture the observed dependence among these capacity factors, we use a copula t- Student with correlation matrix evolving through a GAS mechanism. One of the important contributions of our framework is that generation of scenarios is accomplished in just one step, avoiding the need of transforming back variables to its original scale, as it is the case under a Gaussian assumption for the marginals. As it is known, exponentiation of simulated Gaussian values can result in unrealistic sampling paths for the wind capacity factor, and by propagation, this can badly a ect the risk measures obtained from the simulated distribution of the cash flows associated with a particular portfolio of wind plants. Our results shows that when taking into account dependence the cash flows are higher than when ignoring dependence.

[pt] Os modelos orientados por score, também conhecidos como modelos generalizados de score autorregressivo (GAS), representam uma classe de modelos de séries temporais orientados por observação. Eles possuem propriedades desejáveis para modelagem de séries temporais, como a capacidade de modelar diferentes distribuições condicionais e considerar parâmetros variantes no tempo dentro de uma estrutura flexível. Neste trabalho, apresentamos ScoreDrivenModels.jl, um pacote Julia de código aberto para modelagem, previsão e simulação de séries temporais usando a estrutura de modelos baseados em score. O pacote é flexível no que diz respeito à definição do modelo, permitindo ao usuário especificar a estrutura de atraso e quais parâmetros são variantes no tempo ou constantes. Também é possível considerar várias distribuições, incluindo Beta, Exponencial, Gama, Lognormal, Normal, Poisson, Student s t e Weibull. A interface fornecida é flexível, permitindo aos usuários interessados implementar qualquer distribuição e parametrização desejada. / [en] Score-driven models, also known as generalized autoregressive score (GAS) models, represent a class of observation-driven time series models. They possess desirable properties for time series modeling, such as the ability to model different conditional distributions and to consider time-varying parameters within a flexible framework. In this dissertation, we present ScoreDrivenModels.jl, an open-source Julia package for modeling, forecasting, and simulating time series using the framework of score-driven models. The package is flexible with respect to model definition, allowing the user to specify the lag structure and which parameters are time-varying or constant. It is also possible to consider several distributions, including Beta, Exponential, Gamma, Lognormal, Normal, Poisson, Student s t, and Weibull. The provided interface is flexible, allowing interested users to implement any desired distribution and parametrization.