MétaCan
Menu
Retour à la cohorte
Enregistrement W2947536120 · doi:10.5267/j.msl.2019.5.028

Determinants of capital structure decisions among publicly listed Islamic banks

2019· article· en· W2947536120 sur OpenAlexvenueno aff
Zahid ur Rehman Khokher, Syed Musa Alhabshi

Notice bibliographique

RevueManagement Science Letters · 2019
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueIslamic Finance and Banking Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBusinessCapital structureIslamAccountingFinanceCapital (architecture)Actuarial science

Résumé

récupéré en direct d'OpenAlex

This research aims to examine bank specific, market and regulatory determinants of leverage and capital structure based on a panel data of publicly listed Islamic banks in 12 countries over the period 2008-2017. Apart from testing standard corporate finance parameters using both OLS and M-Estimators, this study adds several idiosyncratic and regulatory environment related determinants of leverage unique to Islamic banks. The significance of potential determinants is tested for market and book leverage as well as newly introduced 'Islamic banking leverage'. Overall, the results show that Islamic banks with higher growth opportunities, tangibility, low profitability and low risk are likely to have a high leverage. Similarly, the findings suggest important role played by debt market conditions, share of investment accounts and regulatory environment in such decisions, providing an evidence of the significance of trade-off and pecking order theory in capital structure in Islamic banks. The results are more robust for market and Islamic banking leverage, rather than book leverage. The findings offer insights to regulators, standard setters and especially Islamic banks regarding parameters to strengthen their capital, enhance resilience and thus contribute to the stability of relevant financial. This paper is among the few extant studies that focus on listed Islamic banks and tests determinants based on stock market data.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,062
Score d'incertitude au seuil0,740

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,001
Communication savante0,0000,002
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,007
Tête enseignante GPT0,210
Écart entre enseignants0,203 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueManagement Science LettersMême sujetIslamic Finance and Banking StudiesTravaux en français237 207