Bakalauro darbo objektas – akcinių bendrovių ryšiai su investuotojais. Todėl šio darbo tikslas – parodyti, kad ryšiai su investuotojais turi būti akcinių bendrovių strategijos dalis. Pagrindiniai darbo uždaviniai – išanalizuoti akcinės bendrovės specifiką; apibrėžti akcijų rinkos dalyvius; pristatyti ryšių su investuotojais vietą kompanijos vertės kūrimo procese; pateikti priemones ryšiams su investuotojais; ištirti, kaip Lietuvos akcijų biržoje kotiruojama bendrovė naudoja ryšius su investuotojais strategijos įgyvendinime. Magistro darbe autorius analizuoja ryšių su investuotojais sampratą, jų įtaką organizacijos strateginiams tikslams. Ryšiai su investuotojais turi tapti strategine organizacijos funkcija, nes tik kryptingai dirbdama, organizacija gali pasiekti tinkamą savo vertę rinkoje ir užsitikrinti kapitalą plėtrai. Buvo atliktas Lietuvoje aktyviai veikiančios kompanijos tyrimas, kurio metu buvo siekiama įvertinti, kaip organizacija panaudoja ryšius su investuotojais, kurio metu buvo apklausti kompanijos atstovai, investuotojai, analitikai, žiniasklaidos atstovai. Teorijos sintezė ir gauti tyrimo rezultatai leidžia daryti išvadą, kad ryšiai su investuotojais turi būti strateginė organizacijos dalis. Darbas gali būti naudingas akcinių bendrovių vadovams, valdybos ar tarybos nariams, instituciniams investuotojams, siekiantiems maksimizuoti bendrovių vertę, ir ryšių su visuomene praktikams. / During the last few decades the structure of companies’ financing all over the world has changed. The transition from bank loans to direct investments to companies and stock market made the risk related to credits, liquidity and cross-rate changes decrease. However, the risk of the quicker capital’s expenditure due to short-term changes in economy and the hopes of higher investment returns in other sectors or markets increased. Nowadays there are no major difficulties in capital’s market to invest in USA or Bulgaria, or to buy stocks in Somali’s or Tokyo’s market. The capital has become mobile among companies and countries. This directly influences the values of companies. When investors retreat, the stock offer increases and company’s market value decreases. The possibilities of successful expansion are also being limited. This work therefore intends to point out that the investors’ relations have to be a part of joint companies’ strategy. Trying to achieve this aim, the first chapter deals with the particularity of a joint company in comparison to other forms of companies. The most significant differences, i.e. capital’s structure and management are being talked about in greater detail. Further on in this chapter the influence of capital’s distribution and management on the realisation of a strategy is being analysed. In the second chapter the maximization of company’s value is being discussed, as it is the main target of the shareholders of joint companies’. The papers’... [to full text]

Atlikus įmonės vertės maksimizavimo analizę, buvo tiriama, įmonės vertės maksimizavimo svarba, kokie vertės veiksniai labiausiai įtakoja įmonės vertę, koks įmonės vertės nustatymo metodas yra tinkamiausias vertės veiksnių inkorporavimo atžvilgiu. Atsižvelgiant į atliktus tyrimus sukurtas įmonės vertės maksimizavimo modelis vertės veiksnių kontekste. / After carrying out the analysis of the company’s value maximization, the company’s value was researched and found which value drivers have most influence to the value of the company. Also it was found which method of the company’s value evaluation is most suitable in relation to the incorporation of value drivers. Taking into account the research done, the model of company’s value maximisation in the context of value drivers was created.

In many important real world applications the initial representation of the data is inconvenient, or even prohibitive for further analysis. For example, in image analysis, text analysis and computational genetics high-dimensional, massive, structural, incomplete, and noisy data sets are common. Therefore, feature extraction, or revelation of informative features from the raw data is one of fundamental machine learning problems. Efficient feature extraction helps to understand data and the process that generates it, reduce costs for future measurements and data analysis. The representation of the structured data as a compact set of informative numeric features allows applying well studied machine learning techniques instead of developing new ones.. The dissertation focuses on supervised and semi-supervised feature extraction methods, which optimize the dependence structure of features. The dependence is measured using the kernel estimator of Hilbert-Schmidt norm of covariance operator (HSIC measure). Two dependence structures are investigated: in the first case we seek features which maximize the dependence on the dependent variable, and in the second one, we additionally minimize the mutual dependence of features. Linear and kernel formulations of HBFE and HSCA are provided. Using Laplacian regularization framework we construct semi-supervised variants of HBFE and HSCA. Suggested algorithms were investigated experimentally using conventional and multilabel classification data... [to full text] / Daugelis praktiškai reikšmingu sistemu mokymo uždaviniu reikalauja gebeti panaudoti didelio matavimo, strukturizuotus, netiesinius duomenis. Vaizdu, teksto, socialiniu bei verslo ryšiu analize, ivairus bioinformatikos uždaviniai galetu buti tokiu uždaviniu pavyzdžiais. Todel požymiu išskyrimas dažnai yra pirmasis žingsnis, kuriuo pradedama duomenu analize ir nuo kurio priklauso galutinio rezultato sekme. Šio disertacinio darbo tyrimo objektas yra požymiu išskyrimo algoritmai, besiremiantys priklausomumo savoka. Darbe nagrinejamas priklausomumas, nusakytas kovariacinio operatoriaus Hilberto-Šmidto normos (HSIC mato) branduoliniu ivertiniu. Pasiulyti šiuo ivertiniu besiremiantys HBFE ir HSCA algoritmai leidžia dirbti su bet kokios strukturos duomenimis, bei yra formuluojami tikriniu vektoriu terminais (tai leidžia optimizavimui naudoti standartinius paketus), bei taikytini ne tik prižiurimo, bet ir dalinai prižiurimo mokymo imtims. Pastaruoju atveju HBFE ir HSCA modifikacijos remiasi Laplaso reguliarizacija. Eksperimentais su klasifikavimo bei daugiažymio klasifikavimo duomenimis parodyta, jog pasiulyti algoritmai leidžia pagerinti klasifikavimo efektyvuma lyginant su PCA ar LDA.

Daugelis praktiškai reikšmingu sistemu mokymo uždaviniu reikalauja gebeti panaudoti didelio matavimo, strukturizuotus, netiesinius duomenis. Vaizdu, teksto, socialiniu bei verslo ryšiu analize, ivairus bioinformatikos uždaviniai galetu buti tokiu uždaviniu pavyzdžiais. Todel požymiu išskyrimas dažnai yra pirmasis žingsnis, kuriuo pradedama duomenu analize ir nuo kurio priklauso galutinio rezultato sekme. Šio disertacinio darbo tyrimo objektas yra požymiu išskyrimo algoritmai, besiremiantys priklausomumo savoka. Darbe nagrinejamas priklausomumas, nusakytas kovariacinio operatoriaus Hilberto-Šmidto normos (HSIC mato) branduoliniu ivertiniu. Pasiulyti šiuo ivertiniu besiremiantys HBFE ir HSCA algoritmai leidžia dirbti su bet kokios strukturos duomenimis, bei yra formuluojami tikriniu vektoriu terminais (tai leidžia optimizavimui naudoti standartinius paketus), bei taikytini ne tik prižiurimo, bet ir dalinai prižiurimo mokymo imtims. Pastaruoju atveju HBFE ir HSCA modifikacijos remiasi Laplaso reguliarizacija. Eksperimentais su klasifikavimo bei daugiažymio klasifikavimo duomenimis parodyta, jog pasiulyti algoritmai leidžia pagerinti klasifikavimo efektyvuma lyginant su PCA ar LDA. / In many important real world applications the initial representation of the data is inconvenient, or even prohibitive for further analysis. For example, in image analysis, text analysis and computational genetics high-dimensional, massive, structural, incomplete, and noisy data sets are common. Therefore, feature extraction, or revelation of informative features from the raw data is one of fundamental machine learning problems. Efficient feature extraction helps to understand data and the process that generates it, reduce costs for future measurements and data analysis. The representation of the structured data as a compact set of informative numeric features allows applying well studied machine learning techniques instead of developing new ones.. The dissertation focuses on supervised and semi-supervised feature extraction methods, which optimize the dependence structure of features. The dependence is measured using the kernel estimator of Hilbert-Schmidt norm of covariance operator (HSIC measure). Two dependence structures are investigated: in the first case we seek features which maximize the dependence on the dependent variable, and in the second one, we additionally minimize the mutual dependence of features. Linear and kernel formulations of HBFE and HSCA are provided. Using Laplacian regularization framework we construct semi-supervised variants of HBFE and HSCA. Suggested algorithms were investigated experimentally using conventional and multilabel classification data... [to full text]