Resumo: Parâmetros genéticos para a produção de leite no dia do controle (PLDC) de primeiras lactações de vacas da raça Guzerá foram estimados utilizando modelo multicaracterísticas de dimensão finita (TMDO) e modelos de regressão aleatória (MRA). A produção acumulada em 305 dias (P305), duração da lactação (DL) e persistência da lactação (PS) também foram analisadas. Para o TMDO, foram analisadas as PLDC juntamente com a P305 e a DL, considerando como aleatórios, o efeito genético aditivo e o residual e, como fixo, o grupo de contemporâneos e a covariável idade da vaca ao parto. Para os MRA, foram considerados como aleatório, o efeito genético aditivo, de ambiente permanente e residual e como efeito fixo, o grupo de contemporâneos, os efeitos linear e quadrático da covariável idade ao parto e a curva média da população. Para os MRA foram consideradas as funções de ajuste de Wilmink (WL), Ali & Schaeffer (AS), uma combinação entre a função de Wilmink com polinômios ortogonais de Legendre (LM), polinômios ortogonais de Legendre (LEG) e funções B-spline (BS). Os efeitos aleatórios genético aditivo e de ambiente permanente foram modelados por meio destas funções, bem como a curva média da população, com a exceção dos modelos ajustados por funções BS que tiveram a curva média ajustada por polinômio de Legendre ou pela função de Ali & Schaeffer. O resíduo foi ajustado considerando variância homogênea ou em classes heterogêneas de variância residual. O modelo empregando funções BS cúbica com número de coeficientes de regressão aleatória igual cinco tanto para efeito genético aditivo como de ambiente permanente com a curva média modelada pela função de Ali & Schaeffer e resíduo ajustado por seis classes variância residual foi o mais adequado. Entretanto, os melhores MRA para cada função de ajuste, não apresentaram diferenças para ... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: Genetic parameters for milk production in the test day model (PLDC) for Guzerat dams' first lactations were estimated by multitrait finite model (TMDO) and random regression models (MRA). The cumulative production at 305 days (P305), lactation length (DL) and lactation persistency (PS) were also analyzed. For TMDO, the PLDC were analyzed together with P305 and DL, considering the additive genetic effect and residual effect as random effects , the contemporary group as a fixed effect, and the age of dam at calving as a covariate. For MRA, additive genetic effect, permanent environmental effect and residual effect were considered as random effects and the contemporary group, the linear and quadratic covariate of age at calving and the average curve of the population as fixed effects. Also for the MRA, the Wilmink (WL) and the Ali & Schaeffer (AS) adjustment functions, a combination of the Wilmink function with Legendre orthogonal polynomials (LM), Legendre orthogonal polynomials (LEG) and B-spline functions (BS) were considered. The random additive genetic and permanent environmental effects were modeled by means of these functions, as well as the population average curve , with the exception of the adjusted models by the BS functions that had the average curve adjusted by the Legendre polynomial or by the Ali & Schaeffer function. The residual error was adjusted considering homogeneous variance or heterogeneous classes of residual variance. The model using cubic BS functions with random regression coefficient numbers equal to five for additive genetic effect as well as for permanent environmental with average curve modeled by the Ali & Schaeffer function and residual error adjusted for six classes of residual variance was the more appropriate. However, the best MRA for each adjustment function presented no differences in the estimates of genetic parameters and for order correlation ... (Complete abstract click electronic access below) / Orientador: Humberto Tonhati / Coorientador: Maria Gabriela Campolina Diniz Peixoto / Banca: Lenir El Faro Zadra / Banca: Fernando Sebastián Baldi Rey / Mestre

[pt] Este trabalho propõe um modelo de previsão de matrizes de covariância realizada de altíssima dimensão, com aplicação para os componentes do índice S e P 500. Para lidar com o altíssimo número de parâmetros (maldição da dimensionalidade), propõe-se a decomposição da matriz de covariância de retornos por meio do uso de um modelo de fatores padrão (e.g. tamanho, valor, investimento) e uso de restrições setoriais na matriz de covariância residual. O modelo restrito é estimado usando uma especificação de vetores auto regressivos heterogêneos (VHAR) estimados com LASSO (Least Absolute Shrinkage and Selection Operator). O uso da metodologia proposta melhora a precisão de previsão em relação a benchmarks padrões e leva a melhores estimativas de portfólios de menor variância. / [en] We propose a model to forecast very large realized covariance matrices of returns, applying it to the constituents of the S and P 500 on a daily basis. To deal with the curse of dimensionality, we decompose the return covariance matrix using standard firm-level factors (e.g. size, value, profitability) and use sectoral restrictions in the residual covariance matrix. This restricted model is then estimated using Vector Heterogeneous Autoregressive (VHAR) models estimated with the Least Absolute Shrinkage and Selection Operator (LASSO). Our methodology improves forecasting precision relative to standard benchmarks and leads to better estimates of the minimum variance portfolios.