Evaluation of Total Risk-Weighted Assets in Islamic Banking through Fintech Innovations
Notice bibliographique
Résumé
The assessment of total risk-weighted assets (LTRWAs) in the banking sector is of the utmost importance. It serves as a critical component for regulatory compliance, risk management, and capital adequacy. By accurately assessing LTRWAs, banks can effectively meet regulatory requirements, efficiently allocate capital resources, and proactively manage risks. Moreover, the accurate assessment of LTRWAs supports performance evaluation and fosters investor confidence in the financial stability of banks. This study presents statistical analyses and machine learning methods to identify factors influencing LTRWAs. Data from Bahrain, Jordan, Qatar, the United Arab Emirates, and Yemen, spanning from 2010 to 2021, was utilized. Various statistical tests and models, including ordinary least squares, fixed effect, random effect, correlation, variance inflation factor, tolerance tests, and fintech models, were conducted. The results indicated significant impacts of the unemployment rate, inflation rate, natural logarithm of the loan-to-asset ratio, and natural logarithm of total assets on LTRWAs in regression models. The dataset was divided into a training group (90% of the data) and a testing group (10% of the data) to evaluate the predictive capabilities of various fintech models, including an adaptive network-based fuzzy inference system (ANFIS), a hybrid neural fuzzy inference system (HyFIS), a fuzzy system with the heuristic gradient descent (FS.HGD), and fuzzy inference rules with the descent method (FIR.DM) models. The selection of the optimal model is contingent upon assessing its performance according to specific error criteria. The HyFIS model outperformed others with lower errors in predicting LTRWAs. Independent t-tests confirmed statistically significant differences between original and predicted LTRWA for all models, with HyFIS showing closer predictions. This study provides valuable insights into LTRWA prediction using advanced statistical and machine learning techniques, based on a dataset from multiple countries and years.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».