QUANTIFYING THE RISK ON BANKSâ RETURNS ARISING FROM FINANCIAL TECHNOLOGY ADOPTION: AN ASYMMETRIC GARCH APPROACH TO VALUE-AT-RISK
Notice bibliographique
Résumé
The rapid global technology revolution has raised serious concerns on what could be its long run impact on banks, especially with its attendant technological unemployment. The on-going debate in literature whether and to what degree financial technology adoption will emit risk to bank profitability is examined in this study. The trade-off analysis and a family of symmetric and asymmetric GARCH approach to Value-at-Risk (VaR-GARCH) based on the camel and value at risk theoretical framework were used to determine potential risk and estimate the conditional variance of bank returns in a panel of thirty-four African countries for the period 2002-2018. The Kupiec log likelihood ratio test and mean relative scaled bias used to evaluate the models’ accuracy and efficiency levels respectively found that the best model to estimate the conditional variance of bank returns is the exponential GARCH (1, 1) with student-t distribution. The worse expected loss on banks’ return due to FinTechs adoption will not exceed 3.01% at 95% confidence interval. Therefore, with a higher FinTechs’ risk/standard-deviations than that of banks’ return and a high VaR value of bank returns, it implies that aside banks, FinTechs also emits risks to other sectors, therefore this study recommends that African economies will benefit from FinTechs diffusion through improved financial service delivery only when a substantial level of collaboration between bank financial institutions and FinTechs companies is reached.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».