Market Risk and Financial Performance of Listed Non-bank Financial Institutions in Kenya
Notice bibliographique
Résumé
Non-Bank Financial Institutions (NBFIs) have surfaced as a growing segment in the financial sector as they complement the mainstream banking institutions to provide financial services to customers. In the present day’s dynamic business environment, these financial institutions face market risks including interest rate risk, foreign exchange risks, commodity risks and equity. The objective of the study was to examine the effect of interest rate risk on the financial performance of NBFIs listed on the Nairobi Stocks Exchange (NSE) over the period 2012–2017. The study focused on balance sheets components and financial ratios of 9 listed non-bank financial institutions in Kenya. The study used unbalanced panel data from 9 listed non-bank financial institutions over the period 2008–2017.The study used the net profit margin to assess financial performance of the companies while the degree of financial leverage indicators of interest rate risk. The financial performance was regressed against the market risk factors using the random effects models based on the Hausman and the LM tests specifications. The results show that financial leverage has a significant positive impact on the performance of the NBFIs with a p value of 0.000. The study concluded that interest risk has momentous effects on financial performance of the listed NBFIs in Kenya. Therefore, the study recommended that the management of the NBFIs should employ effective risk management strategies to mitigate their effects of the market risks.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».