نظریه انتخاب استراتژیک

سابقه طرح این نظریه به دهه 1980و 90 میلادی بر می گردد. این نظریه، فعالیت های سازمانی انجام شده را در صورتی موثر قلمداد می کند که از همخوانی لازم با محیط خارجی سازمان برخوردار باشد. ونگ و همکارانش(1992) بر این باورند که نظریه انتخاب استراتژیک بر اقدامات حاکمیت سازمانی در واکنش به شرایط نامطمئن محیطی و پیامد های غیر قطعی حاصل از آن اشاره دارد. در نتیجه، نقش حاکمیت از تنها یک سری وظایف قانونی صرف، به فعالیت ها و وظایفی تسری می یابد که توسعه استراتژیکی را با خود به همراه داشته و از طرفی بر تلاش فعالانه حاکمیت در شکل دهی فعالیت های سازمانی می افزاید. اندیشمندان از جمله کاربردهای این نظریه را شکل گیری پلی میان سازمان و محیط خارجی آن دانسته اند. تفاوت این نظریه با نظریه وابستگی منابع در آن است که در نظریه انتخاب استراتژیک، سازمان تنها به نحوه دسترسی به منابع محیطی نمی اندیشد و گاهی با برنامه ریزی در چگونگی تخصیص منابع و تحلیل گسترده تر، محیط سازمـــانی را در گستره زمـانی مشخص محقق می سازد.

2-6-2-7- نظریه سازمانی

در این نظریه ، هدف حاکمیت سازمانی تنها توزیع ارزشهای خلق شده توسط سازمان بین بازیگران متنوع سازمان نیست و علاوه بر این امر، حاکمیت سازمانی به فرایند خلق  ارزش افزوده در تمام طول مسیر زنجیره ارزش سازمان نیز می پردازد. در این حالت استقلال دوسویه هیات مدیره در قبال سازمان و محیط خارجی امری الزامی است و از اعضای هیات مدیره انتظار می رود تا علاوه بر انجام فعالیت هایی که برای سازمان از بالاترین اثربخشی و کارآمدی برخوردار است ، بطور عادلانه ای به تمامی منافع ذینفعان در قالبی جمعی بنگرند(قالیباف اصل،1387، 29).

با توجه به این نظریه، هدف نهادهای حاکمیتی ، تسهیل فرایند همکاری و هماهنگی(علاوه بر  تعارض های بین سهام داران و ارزیابی فرایند های کنترلی) سازمان ها در فراهم آوردن شرایطی برای تحقیق و بازرسی عملکرد آنان است. استقلال هیات مدیره در این نظریه مورد تـــاکید زیادی قـــرار می گیرد و بنا بر همین اصل ، هیات مدیره ها و اعضای آنها ملزم به برقراری تعادلی سازنده بین منافع بازیگران داخلی و خارجی سازمان می شوند.

2-6-2-8- نظریه قانون گرایی

در این نظریه اصل بر آن است که حـاکمیت تنهـا با پایبندی به اصول قــانونی و خط مشی ها و رویه های سازمان می‌تواند پیشبرد فعالیت ها و تحقق اهداف را میسر سازد. حامیان این نظریه بر این باورند که پایبندی صرف هیات مدیره ها به قوانین سازمانی، نسخه ای علاج بخش و کارا در درمان تمامی آلام سازمانی است. از مبانی این نظریه آن است که هیات مدیره ها ضرورتا” نیازمند داشتن دانش ، تخصص فنی و کاری مرتبط با فعالیت های سازمانی نیستند و می توانند با احراز قدرت قانونی خود، شرکت را از رسیدن به سطح مطلوب عملکرد سازمانی (مقبولیت سازمانی) مطمئن سازند. در این نظریه دو وظیفه قانونی بر عهده هیات مدیره  می باشد:

الف) کنترل: شامل انتخاب و جایگزینی مدیران ارشد اجرایی (به ویژه مدیر عامل)، نظارت بر عملکرد تیم مدیریت سازمان و ارزشیابی عملکرد شرکت در راستای افزایش اثربخشی کارای آن.

ب)خدمات رسانی(روابط عمومی): شامل افزایش شهرت سازمانی، برقراری روابط با محیط بیرونی و ارائه پیشنهادات تخصصی و تجربی به مدیران اجرایی سازمان.

بر اساس این نظریه، هیات مدیره مسئول است که پیوسته از مقبولیت عملکرد سازمان (از لحاظ قانونی) در طی دوره فعالیتش اطمینان حاصل کند. به نظر کونتز(1967)، زمانی که یک شرکت به یک واحد قانونی مستقل از مالکان خود تبدیل می شود، وظیفه هیات مدیره در این حالت پذیرش مسئولیت حفظ و بقای سازمان به صورت قانون مند است (ایسن هارد،1989،58).

اگر چه در نظریه قانون گرایی، هیات مدیره، مدیران اجرایی را برای فعــالیت در شرکت انتخــاب می کنند، اما در عمل گاهی خلاف این اتفاق می افتد و با کاهش نقش هیات مدیره در راستای اجرای وظایف قانونی خود، هیات مدیره به انزوا کشیده می شود. دلیل این مسئله آن است که در این حالت هیات مدیره به “مخلوقات مدیر عامل” تبدیل می شود.

یا بر اساس دیدگاه قالیباف اصل و رضایی(1386،33) ، نقش بی خاصیتی را در سازمان ایفا خواهد کرد. از دید قالیباف اصل هنگامی که مدیران اجرایی بر هیات مدیره ها تسلط می یابند، افسار قدرت به دست مدیران اجرایی سازمان می افتد و در نتیجه آنها توانایی انتخاب، پاداش دهی یا جایگزینی اعضای هیات مدیره را خواهند داشت. او معتقد است که در این حالت هیات مدیره توجه کمتری نسبت به کنترل سازمانی به عنوان یکی از وظایف اصلی خود خواهد داشت و بدین ترتیب نظریه قانون گرایی روی دیگر خود را که همان فرار مدیران و اعضای هیات مدیره از مسئولیتشان می باشد را نشان خواهد داد.

ایراد های قابل طرح بر این نظریه عبارتند از کسب حداقل مقبولیت سازمانی و نبود برنامه ریزی فرا قانونی در بهبود عملکرد شرکت، فرار از مسئولیت های فرا قانونی و انعطاف نبودن سازمانی در مواجهه با بحران های محیطی. از آنجایی که در نظریه قانون گرایی قدرت هیات مدیره ناشی از قدرت قانونی است، در نتیجه با کاهش مقبولیت قوانین در اثر گذشت زمان و بروز تحولات حاکمیتی نوین، قدرت قانونی هیات مدیره ها کاهش یافته و آنان را به گروهی  بی خاصیت و غیر اثربخش تبدیل می کند.

1-Strategic Choice Theory

1-Organizational theory

[3]- Legalistic Theory

1-Eisenhardt.K.M,1989

نظریه خادمیت 

در نظریه خادمیت، یک فرد فلسفه وجودی خود را به تلفیقی از نیاز های نیروی کار و نیازهای شخصی خود گره می زند و خود محوری به دلیل وجود این نگرش، به ندرت در او یافت می شود. در این نظریه، علایق گروه های مختلف سازمان به صورت یک کل مورد توجه قرار می گیرد و با اعمال سیاست های نظارتی مناسب و طراحی سیستم حقوق و دستمزد برانگیزاننده و منفعت اندیشی جمعی، قابلیت عملیاتی بیشتری پیدا می کند.

بر اساس این نظریه، مدیرانی که همسو با منافع سازمانی عمل کرده و در رفتار خود رفتار روحیه سازمانی را لحاظ می کنند، بهره وری بالاتری را نسبت به رفتارهای فردگرایانه و خودخدمتی از خود نشان داده اند. بنابراین در این نظریه، هر زمان که در سازمان علایق و منافع مدیران و دیگر ذینفعان سازمانی با هم در تقابل است، هیات مدیره به جای کنارگذاشتن علایق متعارض، سعی در ایجاد هماهنگی و همکاری در بین آنان می کند. این نظریه به گونه ای کاملا” ملموس در برابر نظریه عاملیت(که درآن مدیران به حداکثر سازی منافع خود می نگرند) قرار می گیرد.  نظریه پردازان خادمیت بر این اعتقادند که هیات مدیره ها نقش اساسی در این نظریه بازی می کنند. هیات مدیره ها می بایست با تقویت ساختار عملکردی و سازوکارهای سازمانی، منافع فرد و سازمان را به صورت مشترک به حداکثر برسانند.

زمانی که یک مدیرعامل در نقش خادم سازمانی عمل می کند، فعالیت های نشات گرفته از باور او، موجبات شکل گیری احترام سازمانی برای او شده و علاوه بر اینکه این امر اورا در انجام وظایفش ترغیب می کند، امتیازات و اختیارات زیادی را در انجام وظایف محوله خود(از جانب هیات مدیره) دریافت خواهد کرد(قالیباف اصل،1387، 29).

فارغ از نکات مثبت این نظریه، ناقدان این نظریه معتقدند که  این دیدگاه حاکمیتی به صورت غیر واقع بینانه ای به رفتار کارکنان و منافع فردی آنان نگریسته و در دنیای واقعی کسب و کار، این گونه رفتار ها احتمال وقوع اندکی دارند.

2-6-2-10- نظریه نهادی

سابقه طرح این نظریه به دهه 1950 تا 1960 میلادی بر می گردد. این نظریه، همچون نظریه انتخاب استراتژیک، فعالیت های سازمانی انجام شده را در صورتی موثر قلمداد می کند که از همخوانی لازم با نیازهای خارجی سازمان و به ویژه نیاز های اجتماعی آن برخوردار باشد. تفاوت این نظریه با نظریه انتخاب استراتژیک در آن است که در نظریه نهادی اقدامات حاکمیت سازمانی در واکنش به شرایط  مطمئن محیطی و پیامد های قطعی حاصل از آن انجام می شود.

بر اساس این نظریه، سازمان ها می توانند با ایفای نقشی مطیع گرایانه، الزامات اجتماعی ناشی از فشارهای محیط را برآورده کرده و بدین ترتیب حیات خود را تضمین کنند. صاحب نظران تاکید بیش از حد این نظریه بر نیازهای اجتماعی سازمان ها را به نقد کشیده و معتقدند این امر می تواند به بیماری نزدیک بینی و عدم بررسی دیگر معضلات سازمانی منجر شود (لگزیان،1390).

برای درک بهتر نظریات یاد شده، مبانی فکری موجود در هر نظریه و نقش هایی که در هر یک از آنها برای هیات مدیره ها قابل طرح است ، در جدول 2-1 به تفکیک ارائه شده است منبع: (لگزیان، 1390)

یک سیستم عصبی مصنوعی در حقیقت، فرایند یادگیری انسانی را شبیه سازی می کند و        می کوشد تا کارکرد مغز انسان را به عنوان شبکه ای از نرون های متصل به هم در فرایند        تصمیم گیری تقلید کند. نرون ها، کوچکترین واحدهای محاسب و تصمیم گیری در               شبکه های عصبی هستند. در هریک از نرون ها یک معادله ی تبدیل تعریف شده است. معادله تعریف شده در هریک از نرون ها می تواند یک مدل اقتصادسنجی یا هر مدل ریاضی دیگر مثل توابع سیگموئیدی باشند. در هریک از نرون ها با بهره گرفتن از این معادله سعی می شود که وزن هریک از متغیرها تعیین شود، به گونه ای که ارتباط معنی داری بین بردار داده ها و بردار ستاده ها (نتایج) برقرار کند. به گونه ای معمول تعیین ضرایب در هریک از نرون ها به صورت آزمون و خطا می باشد. بدین ترتیب که ابتدا وزن های کوچک به هریک از متغیرها ارائه می شود و سپس با بهره گرفتن از الگوریتم بازخورد خطاها، ضرایب تعدیل میشوند. این کار تا زمانی ادامه می یابد که خطاها به حداقل ممکن تعیین شده از سوی پژوهشگر برسد. بنابراین فرایند تصمیم گیری در شبکه های عصبی مصنوعی به روش آزمون و خطا میباشد.(لوپز[1]،1999، 13)

به عبارت دیگر سیستم شبکه ی عصبی مصنوعی با تقلید از سیستم عصبی انسان می کوشد که ارتباط بین داده ها (نسبتهای مالی، روند اقتصادی، کیفیت مدیریت و….) و ستاده ها (وضعیت اعتباری وام گیرنده) را از راه تکرار نمونه برداری از مجموعه ی داده های گذشته داده / ستاده یاد گیرد. یک شبکه عصبی بر اساس سه ویژگی داده های ورودی، وزن ها و لایه های پنهان مشخص می شود (ساندرز و آلن،2002، 12). برای ایجاد شبکه های عصبی چندین روش وجود دارد که شبکه عصبی پرسپترون، بویژه پرسپترون چند لایه[2]، در زمره ی کاربردی ترین شبکه های عصبی مصنوعی میباشند. این شبکه ها می توانند با گزینش شماره لایه ها و سلول های عصبی (نرون ها)، که اغلب زیاد نیستند، یک نگاشت غیر خطی را با دقت دلخواه انجام دهد. همچنین این روش به عنوان               ” طبقه بند جامع[3] ” شناخته می شود به این دلیل که از لحاظ تئوریکی قادر به طبقه بندی هر فرایند تصمیم گیری است.

سایر روشها در شبکه های عصبی عبارتند از تابع اصل محوری[4]، نقشه های خود سازمان[5] و شبکه های کوهنی[6]. (اندرسون،2007، 174)

شبکه های عصبی با توانایی قابل توجه آن در استنتاج نتایج از داده های پیچیده می توانند در استخراج الگوها و شناسایی گرایش های مختلفی که برای انسانها و کامپیوتر شناسایی آنها بسیار دشوار است، استفاده شوند. از مزایای شبکه های عصبی می توان موارد زیر را نام برد :

یادگیری تطبیقی : توانایی یادگیری اینکه چگونه وظایف خود را بر اساس اطلاعات داده شده به آن و یا تجارب اولیه انجام دهد در واقع اصلاح شبکه را گویند.

خود سازماندهی : یک شبکه عصبی مصنوعی به صورت خودکار سازماندهی و ارائه داده هایی که در طول آموزش دریافت کرده را انجام دهد. نورون ها با قاعده یادگیری سازگار شده و پاسخ به ورودی تغییر می یابد.

عملگرهای بی درنگ : محاسبات در شبکه عصبی می تواند به صورت موازی و بوسیله سخت افزارهای مخصوصی که طراحی و ساخت آن برای دریافت نتایج بهینه قابلیت شبکه های عصبی مصنوعی است انجام شود.

تحمل خطا : با ایجاد خرابی در شبکه مقداری از کارآیی کاهش می یابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ می شود.

دسته بندی : شبکه های عصبی قادر به دسته بندی ورودی ها برای دریافت خروجی مناسب         می باشند.

[1] Lopez, Jose A

[2] MLP or Back Propagution

[3] Universal Classifier

[4] Radial Basis Function

[5] Self-Organising Maps

[6] Kohnen Network

از مزایای شبکه های عصبی می توان موارد زیر را نام برد :

یادگیری تطبیقی : توانایی یادگیری اینکه چگونه وظایف خود را بر اساس اطلاعات داده شده به آن و یا تجارب اولیه انجام دهد در واقع اصلاح شبکه را گویند.

خود سازماندهی : یک شبکه عصبی مصنوعی به صورت خودکار سازماندهی و ارائه داده هایی که در طول آموزش دریافت کرده را انجام دهد. نورون ها با قاعده یادگیری سازگار شده و پاسخ به ورودی تغییر می یابد.

عملگرهای بی درنگ : محاسبات در شبکه عصبی می تواند به صورت موازی و بوسیله سخت افزارهای مخصوصی که طراحی و ساخت آن برای دریافت نتایج بهینه قابلیت شبکه های عصبی مصنوعی است انجام شود.

تحمل خطا : با ایجاد خرابی در شبکه مقداری از کارآیی کاهش می یابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ می شود.

دسته بندی : شبکه های عصبی قادر به دسته بندی ورودی ها برای دریافت خروجی مناسب         می باشند.

تعمیم دهی : این خاصیت شبکه را قادر می سازد تا تنها با برخورد با تعداد محدودی نمونه، یک قانون کلی از آن را بدست آورده، نتایج این آموخته ها را به موارد مشاهده از قبل نیز تعمیم دهد. توانایی که در صورت نبود آن سامانه باید بی نهایت واقعیت ها و روابط را به خاطر بسپارد.

پایداری – انعطاف پذیری : یک شبکه عصبی هم به حد کافی پایدار است تا اطلاعات فراگرفته خود را حفظ کند و هم قابلیت انعطاف و تطبیق را دارد و بدون از دست دادن اطلاعات قبلی میتواند موارد جدید را بپذیرد.(نوری بروجردی،اسگندری،1388، 6)

شبکه عصبی در شرایطی بکار می رود که ساختار مسائل روشن نیست و باید نوعی روند- شناسی یا بازشناسی الگو صورت گیرد. مدیران مؤسسات مالی، نهادهای مالی در عمل با بسیاری از این شرایط مواجه اند.

شبکه عصبی از دیگر روش های طبقه بندی نمونه به شمار می آید که در آن، فرض خطی بودن روابط میان متغیرها الزامی نمی باشد. استقلال متغیرهای توضیحی حذف شده است و در آن روابط پنهان بین متغیرهای توضیحی به عنوان یک متغیر اضافی وارد تابع می شود. در مورد شرکتها که اطلاعات کمتری نسبت به شخصیتهای حقیقی دارند بیشتر بکار رفته است. برای شناخت الگوهایی که در داده ها وجود دارند بسیار مفید هستند، خصوصاً در مواقعی که نوع رابطه بین هدف (به عنوان مثال ارزیابی وضعیت اعتباری) و متغیرهای ورودی (مثلا ویژگی های جمعیتی) نامشخص و یا پیچیده باشد.

شبکه های عصبی روش محاسبه ای متفاوت با روش های متداول می باشند. محاسباتی که با روش های معمولی انجام می شود از نوع برنامه ریزی شده است و در آنها الگوریتم ها و مجموعه هایی از قواعد به کار می روند تا مسأله را حل کنند. در این روشها اگر الگوریتمی در دست نباشد یا الگوریتم پیچیده باشد، راه حلی برای مسأله وجود نخواهد داشت. اما در محاسباتی که شبکه عصبی اجرا میکند به الگوریتم و مجموعه قواعد نیاز نیست.

تحقیقات به عمل آمده ثابت نموده که شبکه های عصبی نسبت به روش های قبل از خود در ارزیابی نمودن اعتبار مشتریان از صحت بیشتری برخوردار بوده اند و این متد قابلیت ترکیب با سایر متدها را دارد و تأیید شده که ترکیب آن با سایر متدها بیشترین صحت را بدنبال داشته است.

علیرغم برتری روش های شبکه های عصبی، انتقاداتی نیز بر آن وارد می باشد.

وقتی روابط بین متغیرها غیر خطی باشد یکی از مناسبترین ابزارها، شبکه عصبی است. اما علیرغم برتری روش های شبکه‌های عصبی، این روش محدودیت‌هایی نیز دارد که به کارگیری آن را محدود می‌کند.

1ـ دسته بندی دودویی (باینر): داده‌های ورودی به راحتی می‌تواند به صورت (1 و 0) ارائه گردند. اما دسته بندی داده‌های چند کلاسه به طور نامناسبی صورت می‌گیرد. مثلا دسته بندی وضعیت اقامت (دوران سکونت) در50 ایالت امریکا در درخت تصمیم گیری به طور طبیعی صورت می‌پذیرد. اما در شبکه عصبی این کار مشکل است.

2ـ شبکه عصبی یک مدل قابل درک نیست. شبکه عصبی بیشتر “جعبه سیاه” است و توضیح چرایی نتایج مشکل و یا غیر ممکن است.

3ـ همراه با به کارگیری شبکه عصبی در سیستم کامپیوتر، شرکت‌ها و سازمان‌ها نیاز به مفسران یا خبرگان ماهر دارند.

4ـ برای افراد غیرفنی توضیح و توجیه چگونگی تعمیم خیلی مشکل است.

زیریلی[1] بزرگترین چالش به کار گیری شبکه‌های عصبی در امور مالی را چنین توصیف می‌کند:

بزرگترین چالش در به کارگیری شبکه‌های عصبی در مسائل مالی خود شبکه نیست بلکه شیوه تبدیل و فرآورش داده‌های ورودی جهت ارائه به شبکه و شیوه تفسیر نتایج خروجی شبکه است.

5ـ یکی دیگر از این محدودیتها، می توان به مشکل بودن فرایند آموزش در آن اشاره کرد که تا حد زیادی کاربرد آن را محدود نموده است.(زیریلی،1997، 20)

با توجه به دو ویژگی اساسی شبکه های عصبی یعنی یادگیری یا نگاشت پذیری براساس ارائه داده‌های تجربی و ساختار پذیری موازی، این شبکه‌ها در مسائل گوناگون مدیریتی کاربردهای مختلفی پیدا کرده‌اند

[1] Zirilli

ماو و مهی‌الدین[1] کاربردهای شبکه‌های عصبی را به شرح زیر بر می‌شمارند.

1ـ دسته بندی الگو[2] : وظیفه دسته بندی الگو برای تخصیص یک الگو از داده‌ها به یکی از دسته‌ه ای از پیش تعیین شده، به وسیله بردار ویژگی است. یکی از کاربردهای آن رتبه بندی اوراق قرضه است.

2ـ خوشه یابی[3] : در خوشه یابی دسته‌ه ای شناخته شده برای داده‌های آموزشی وجود ندارد. در حقیقت طبقه بندی الگو بدون سرپرستی است. یک الگوریتم خوشه‌یابی، تشابه بین الگوها را کشف می‌کند و الگوهای مشابه را در یک خوشه قرار می‌دهد. این کار در استخراج داده‌ها و داده کاوی کاربردهای زیادی دارد.

3ـ تخمین تابع[4] : فرض می‌کنیم در یک مجموعه، n الگوی آموزشی از زوج‌های مرتب (ورودی و خروجی) از یک تابع ناشناخته (همراه با پارازیت) وجود داشته باشد. وظیفه تخمین تابع، یافتن یک تخمین از تابع ناشناخته است. یک مثال مدیریتی می‌تواند تخمین یک تابع غیر خطی ناشناخته که رابطه بین نارضایتی کارکنان به عنوان ورودی و میزان تولید به عنوان خروجی باشد.

4ـ پیش بینی[5] : با وجود یک مجموعه n عنصری y₍₊₁₎, y₍₊₂₎,…y_(t­n) در یک توالی زمانی t₁, t₂, … t_n وظیفه شبکه پیش بینی نمونه y(t_n+1) در برخی از شرایط t_n+1‌ است. پیش بینی بازار سهام، ورشکستگی شرکت‌ها و… نمونه‌هایی از کاربرد شبکه‌ها و پیش بینی مسائل مدیریتی است.

5ـ بهینه سازی : هدف یک مساله بهینه سازی، یافتن راه حلی است که ضمن صدق در یک مجموعه از محدودیت‌ها، تابع هدف را نیز حداکثر یا حداقل نماید. به عنوان نمونه، مساله فروشنده دوره گرد یک مساله بهینه سازی است. شبکه‌های عصبی می‌توانند با مدل‌های بهینه سازی پاسخ‌های مناسبی را برای این مسئله بدست آورند.

6ـ حافظه انجمن[6] : در حافظه انجمن یا حافظه آدرس‌دهی محتوایی می‌توان به وسیله محتوای داده‌ها به آنها دسترسی پیدا کرد. محتوای موجود در حافظه می‌تواند حتی با یک ورودی ناقص یا محتوای به هم ریخته بازخوانی شود. در حالی که در مدل‌های محاسباتی کامپیوتری یک داده موجود در حافظه فقط از طریق آدرس آن قابل دسترسی است. اگر در محاسبه آدرس اشتباهی رخ دهد ممکن است یک مورد کاملاً متفاوتی بازخوانی شود.مدیر می‌تواند با بهره گرفتن از این کاربرد، اطلاعات مربوط به امور مورد نظر را با در دست داشتن اطلاعات مختصری در مورد آن موضوع در اختیار گیرد.

7ـ کنترل[7] : هدف در یک مدل کنترل، ایجاد ورودی کنترل به نحوی است که سیستم مسیر مطلوبی را که توسط مدل مرجع تعیین شده است را دنبال کند. زمانبندی مشاغل، ماشین‌ها و سایر منابع در سیستم‌های ساخت منعطف، اهمیت بالایی دارد.

شبکه عصبی در اکثر موارد می‌تواند بهترین قاعده را برای انجام بهینه فعالیت‌ها پیدا کند. دلوین[8] و همکاران کاربرد شبکه‌های عصبی در امور مالی را به این صورت بیان می‌کنند :

الف ـ شبیه سازی مالی

ساختار مالی عملیات تجاری بسیار پیچیده و پویاست، به کمک سیستم‌های عصبی مصنوعی، می‌توان مدلی از محیط مالی شرکت ساخت که ویژه آن شرکت باشد و در طول زمان متناسب با تغییر ساختار مالی شرکت پویایی خود را حفظ کند. سه حوزه اصلی اینکار عبارتند از:

1ـ پیش بینی برآورد آتی : در مواردی که در حوزه‌های “پیش بینی مالی” مدل، روابط مشخص و تعریف شده نداشته باشد. می‌توان از مدل‌های شبکه عصبی استفاده کرد. می‌توان شبکه عصبی را طوری طراحی و آموزش داد که رفتار سرمایه گذاران نسبت به تحولات شرکت یا تغییرات کلی شرایط مالی تقلید کند. این مدل‌ها می‌توانند جایگزین مدل‌های آماری مثل رگرسیون خطی و… شوند.

2ـ ارزشیابی : به کمک شبکه‌های عصبی می‌توان ارزش سهام و دارایی‌هایی را که می‌خواهیم خریداری کنیم، برآورد کنیم در این مهم باید فرایند ارزشیابی انسانی شبیه سازی گردد. سیستم می‌تواند به طور خودکار نسبت به تغییرات در رویه‌های عملی تحلیلی و ضوابط انتخاب تصمیم- گیرندگان در طول زمان، خود را سازگار کند، این مدل‌ها مبتنی بر پایگاه‌های اطلاعاتی عمده هستند.

3ـ تصویب اعتبارات : تعیین سقف اعتباری یک امر زمان بر و کاربر است. می‌توان با شبکه عصبی سیستم تصویب اعتبارات را به نحوی طراحی و آموزش داد که اطلاعات ورودی آن داده‌های مربوط به مشتریان و داده‌های خروجی مطلوب آن، تصمیمات واقعی تحلیلگران اعتباری باشد.

[1] Mao & Mohiuddin

[2] Pattern Classification

[3] Clustering

[4] Function Approximation

[5] Forecasting

[6] Associative Memory

[7] Control

[8] Delvin