تئوری اطلاعات

هدف اصلی این مطالعه، استفاده از تئوری اطلاعات شنن جهت معیار جدیدی برای اندازه گیری ریسک سرمایه گذاری در اوراق بهادار می باشد. در راستای این هدف، ابتدا مدل تئوریک رابطه ی بین آنتروپی اقلام صورت های مالی و ریسک، اطلاعات مورد نیاز برای یک دوره 5 ساله از شرکت های فعال در بورس اوراق بهادار تهران از صنایع مختلف جمع آوری شد. با استفاده از آزمون آماری روش تلفیق داده های میان گروهی و سری های زمانی و تست های آماری مربوطه، کلی شرکت ها و همچنین صنایع بطور مجزا مورد آزمون قرار گرفت. نتایج به دست آمده حاکی از این است که بین آنتروپی اطلاعات اقلام ترازنامه و صورتحساب سود و زبان و تغییرات بهای سهام رابطه سهام رابطه معنی داری وجود دارد. همچنین، بین آنتروپی و ترازنامه و صورتحساب سود و زیان و ریسک سیستماتیک رابطه ی معنی داری وجود دارد. نتیجه اخیر نشان دهنده ی آن است که با استفاده از محتوای اطلاعات گزارشات مالی می توان ریسک سیستماتیک را تخمین زد. بنابراین این مطالعه روش جدیدی را برای محاسبه ریسک سیستماتیک معرفی می کند.

این پژوهش تلاشی برای معرفی روشی نوین در تحلیل صورت های مالی است که در آن از مفاهیم تئوری اطلاعات برای اندازه گیری ارزش اطلاعات ترازنامه استفاده شده است. به کارگیری مفاهیم تئوری اطلاعات در حسابداری به وسیله هنری ثیل ، منجر به ایجاد تفکری نو در تجزیه و تحلیل صورت های مالی شد؛ این روش در تحلیل ترازنامه، کل ارقام آن را با هم در نظر گرفته و با استفاده از مفاهیم تئوری اطلاعات، آنتروپی و اندازه گیری احتمالات، ارزش اطلاعات انتقال یافته به وسیله ترازنامه را محاسبه می کند. برای انجام این تحقیق نخست ارزش اطلاعاتی ترازنامه شرکت های صنایع غذایی بورس اوراق بهادار تهران طی سال های 1384 تا 1387 با استفاده از آنتروپی محاسبه شد، سپس الگوی پیشنهادی طبقه بندی اطلاعات مربوط به دارایی های ثابت در ترازنامه آن شرکت ها پیاده و دوباره ارزش اطلاعاتی آن ها اندازه گیری و مقایسه شد. نتایج به دست آمده نشان می دهد در صورتی که اطلاعات ترازنامه این شرکت ها در طبقه دارایی های ثابت مشهود به گونه ای جزئی تر در شش طبقه زمین، ساختمان و تأسیسات، ماشین آلات و تجهیزات، وسایط نقلیه، اثاثه و ابزار و سایر دارایی های ثابت مشهود ارائه شود؛ ارزش اطلاعات انتقال یافته به مراتب بیش تر از حالتی خواهد بود که دارایی های ثابت مشهود به صورت یک رقم کلی در ترازنامه نشان داده شود، هر چند این اطلاعات در پیوست صورت های مالی موجود است، اما در این پژوهش به طور صرف ارزش اطلاعاتی ترازنامه مدنظر است.

منطق یادگیری ازاستثنائات چالشی قابل توجه در حوزه داده کاوی است. استثنائات پدیده های نادری هستند که رفتاری مثبت و متفاوت از الگوهای اصلی و مورد انتظار موجود در پایگاه داده از خود بروز می دهند. ایجاد چارچوبی کارا برای افزایش اطمینان به پدیده های استثنایی در کشف دانش و یادگیری موثر از آن حائز اهمیت است. در این پژوهش، الگویی بر اساس تئوری استثنائات و تئوری اطلاعات ارائه شده است تا چالش های پیش روی داده کاوی داده های استثنایی را برطرف نماید. نخست از تابع آنتروپی رنی برای شناسایی استثنائات استفاده و سپس با بکارگیری رویکرد یادگیری پایین به بالا بر مبنای الگوریتم پیشنهادی RISE ارتقا یافته، قوانین حاکم بر بروز رفتار استثنایی استخراج می گردد. به منظور تعیین کارایی مدل پیشنهادی، کشف سهام استثنایی و یادگیری رفتار آن ها مورد بررسی قرار گرفته است. از مجموع 1334 سهم مورد بررسی 36 سهم رفتار استثنایی داشته اند که رفتار آن ها در قالب سه قانون مشخص شده است. ارجحیت نتایج حاصل از مدل پیشنهادی نسبت به نتایج بدست آمده از بکارگیری الگوریتم های معمول یادگیری بیانگرکارایی مدل ارائه شده است.

محتوای اطلاعات صورت های مالی با استفاده از آنتروپی اندازه گیری می شود. توان محیط اطلاعاتی را می توان با استفاده از نسبت تکرار آنتروپی مثبت به منفی اندازه گیری کرد و باوجوداین که حقیقت ارقام به آسانی قابل تصدیق نیست، اما نسبت عدم اطمینان، پیش بینی عملکرد شرکت را امکان پذیر می کند. فرض می شود نسبت عدم اطمینان سود حسابداری با بازده سالانه ی شرکت رابطه ی منفی داشته باشد و شرکت هایی که نسبت عدم اطمینان پایین تری دارند، بازده سالانه ی بالاتری را تجربه می کنند. برای آزمون فرضیه های تحقیق، با توجه به این محدودیت که شرکت ها نباید در بازه ی زمان انتخابی زیان ده باشند، اطلاعات مالی 960 سال شرکت مورد آزمون قرار گرفت. یافته های تحقیق نشان می دهد بین نسبت عدم اطمینان ناشی از سود حسابداری و بازده سالانه ی شرکت رابطه ی منفی و معناداری وجود دارد.

مقدمه: ارزیابی الکتروانسفالوگرام بیماران اسکیزوفرنی موضوع بسیاری از تحقیقات اخیر بوده است. با این حال، تشخیص دقیق اسکیزوفرنی با استفاده از الکتروانسفالوگرام همواره یک بحث چالش برانگیز است. هدف: این مقاله با هدف بررسی اختلاف اطلاعات بین یک کانال مغزی و سایر الکترودها در دو گروه از بیماران اسکیزوفرنی و افراد سالم انجام شد. همچنین، قابلیت ویژگی های استخراجی در مسئله تفکیک دو گروه بررسی شد. روش : در مطالعه تحلیلی مشاهده ای حاضر، از ۱۹ کانال الکتروانسفالوگرام ۱۴ بیمار اسکیزوفرنی (۷ مرد با میانگین سنی ۳/۳ ± ۲۷/۹ سال و ۷ زن با میانگین سنی ۴/۱ ± ۲۸/۳ سال) که در انستیتوی روانپزشکی و مغز و اعصاب در ورشو لهستان بستری بودند، استفاده شد. به علاوه، داده های ۱۴ فرد سالم (۷ مرد و ۷ زن با میانگین سنی به ترتیب ۲/۹ ± ۲۶/۸ و ۳/۴ ± ۲۸/۷ سال) به عنوان گروه کنترلی تحلیل شد. پتانسیل اطلاعات متقابل و اطلاعات متقابل کوشی- شوارتز بین هر الکترود الکتروانسفالوگرام و تمام الکترودهای دیگر محاسبه شد. با استفاده از دو استراتژی، عملکرد ماشین بردار پشتیبان مورد بررسی قرار گرفت: (۱) اطلاعات متقابل یک کانال الکتروانسفالوگرام با کانال های دیگر و (۲) ترکیب اطلاعات متقابل تمام کانال های مغزی. یافته ها: نتایج نشان داد که با استفاده از اطلاعات متقابل بین کانال های الکتروانسفالوگرام، صحت تشخیص تا ۱۰۰ ٪ افزایش می یابد. برای هر دو شاخص، اطلاعات متقابل میان کانال O۲ با سایر کانال ها بالاترین عملکرد طبقه بندی را ارائه داد. نتیجه گیری: این نتایج سیستم پیشنهادی را به عنوان یک سیستم برتر در مقایسه با پیشرفته ترین ابزارهای تشخیص اسکیزوفرنی الکتروانسفالوگرام معرفی می کند.

هدف: در مواجهه با مجموعه داده های با ابعاد بالا، کاهش بُعد یک گام پیش پردازشی مهم برای حصول دقت بالا، کارایی و مقیاس پذیری در مسائل کلاسبندی است. هدف تحقیق حاضر ارائه یک روش انتخاب مشخصه در مواجهه با مجموعه داده های با ابعاد بالا، با استفاده از کاهش بُعد و الگوریتم ژنتیک است. روش: در این تحقیق یک الگوریتم ابتکاری توسعه یافته است که با استفاده از یک معیار جدید، اطلاعات متقابل بین ویژگی ها و کلاس هدف را مشخص می کند. در این روش مشخصه های جدید براساس ترکیب یا تبدیل مشخصه های اصلی تولید می شود و به این ترتیب فضای چند بُعدی، به فضایی جدید با ابعاد کمتر نگاشت پیدا می کند. همچنین علاوه بر در نظر گرفتن معیار جدید اطلاعات متقابل، از الگوریتم ژنتیک به منظور بهبود سرعت روش پیشنهادی استفاده شده است. یافته ها: عملکرد این روش بر روی مجموعه داده هایی با ابعاد مختلف، که تعداد مشخصه ها در آن ها از 13 تا 60 متفاوت بوده، ارزیابی شده است. ارزیابی روش پیشنهادی در مقایسه با روش های مشابه، از لحاظ دقت کلاسبند بررسی شده و نتایج نویدبخشی بدست آمد. نتیجه گیری: روش پیشنهادی با روش های MRMR, DISR, JMI, NJMIM در مجموعه داده های متفاوت اعمال شده است. متوسط دقت های به دست آمده از روش پیشنهادی 65.32، 74.51، 70.88 و 58.2 درصد می باشد، که حاکی از کارآمدی روش پیشنهادی است. طبق نتایج بدست آمده، به جز در مورد مجموعه داده sonar که نتیجه ای بهتر از روش پیشنهادی داشته است، متوسط عملکرد روش پیشنهادی بهتر از DISR, JMI, NJMIM و MRMR بوده است.