Evaluación de los Activos Totales Ponderados por Riesgo en la Banca Islámica a través de Innovaciones Fintech
Autores: Alzwi, Asma S.; Jaber, Jamil J.; Rohuma, Hani Nuri; Omari, Rania Al
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
Categoría
Gestión y administración
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 10
Citaciones: Sin citaciones
La evaluación de los activos ponderados por riesgo total (LTRWAs) en el sector bancario es de suma importancia. Sirve como un componente crítico para el cumplimiento regulatorio, la gestión de riesgos y la adecuación de capital. Al evaluar con precisión los LTRWAs, los bancos pueden cumplir eficazmente con los requisitos regulatorios, asignar recursos de capital de manera eficiente y gestionar proactivamente los riesgos. Además, la evaluación precisa de los LTRWAs apoya la evaluación del rendimiento y fomenta la confianza de los inversores en la estabilidad financiera de los bancos. Este estudio presenta análisis estadísticos y métodos de aprendizaje automático para identificar factores que influyen en los LTRWAs. Se utilizaron datos de Bahréin, Jordania, Catar, los Emiratos Árabes Unidos y Yemen, abarcando desde 2010 hasta 2021. Se realizaron diversas pruebas y modelos estadísticos, incluidos mínimos cuadrados ordinarios, efectos fijos, efectos aleatorios, correlación, factor de inflación de varianza, pruebas de tolerancia y modelos fintech. Los resultados indicaron impactos significativos de la tasa de desempleo, la tasa de inflación, el logaritmo natural de la relación préstamo-activo y el logaritmo natural de los activos totales en los LTRWAs en modelos de regresión. El conjunto de datos se dividió en un grupo de entrenamiento (90% de los datos) y un grupo de prueba (10% de los datos) para evaluar las capacidades predictivas de varios modelos fintech, incluidos un sistema de inferencia difusa basado en redes adaptativas (ANFIS), un sistema de inferencia difusa híbrido (HyFIS), un sistema difuso con el descenso de gradiente heurístico (FS.HGD) y modelos de reglas de inferencia difusa con el método de descenso (FIR.DM). La selección del modelo óptimo depende de evaluar su rendimiento de acuerdo con criterios de error específicos. El modelo HyFIS superó a los demás con menores errores en la predicción de los LTRWAs. Las pruebas independientes confirmaron diferencias estadísticamente significativas entre el LTRWA original y el predicho para todos los modelos, siendo HyFIS el que mostró predicciones más cercanas. Este estudio proporciona valiosos conocimientos sobre la predicción de LTRWAs utilizando técnicas avanzadas de estadística y aprendizaje automático, basándose en un conjunto de datos de múltiples países y años.
Descripción
La evaluación de los activos ponderados por riesgo total (LTRWAs) en el sector bancario es de suma importancia. Sirve como un componente crítico para el cumplimiento regulatorio, la gestión de riesgos y la adecuación de capital. Al evaluar con precisión los LTRWAs, los bancos pueden cumplir eficazmente con los requisitos regulatorios, asignar recursos de capital de manera eficiente y gestionar proactivamente los riesgos. Además, la evaluación precisa de los LTRWAs apoya la evaluación del rendimiento y fomenta la confianza de los inversores en la estabilidad financiera de los bancos. Este estudio presenta análisis estadísticos y métodos de aprendizaje automático para identificar factores que influyen en los LTRWAs. Se utilizaron datos de Bahréin, Jordania, Catar, los Emiratos Árabes Unidos y Yemen, abarcando desde 2010 hasta 2021. Se realizaron diversas pruebas y modelos estadísticos, incluidos mínimos cuadrados ordinarios, efectos fijos, efectos aleatorios, correlación, factor de inflación de varianza, pruebas de tolerancia y modelos fintech. Los resultados indicaron impactos significativos de la tasa de desempleo, la tasa de inflación, el logaritmo natural de la relación préstamo-activo y el logaritmo natural de los activos totales en los LTRWAs en modelos de regresión. El conjunto de datos se dividió en un grupo de entrenamiento (90% de los datos) y un grupo de prueba (10% de los datos) para evaluar las capacidades predictivas de varios modelos fintech, incluidos un sistema de inferencia difusa basado en redes adaptativas (ANFIS), un sistema de inferencia difusa híbrido (HyFIS), un sistema difuso con el descenso de gradiente heurístico (FS.HGD) y modelos de reglas de inferencia difusa con el método de descenso (FIR.DM). La selección del modelo óptimo depende de evaluar su rendimiento de acuerdo con criterios de error específicos. El modelo HyFIS superó a los demás con menores errores en la predicción de los LTRWAs. Las pruebas independientes confirmaron diferencias estadísticamente significativas entre el LTRWA original y el predicho para todos los modelos, siendo HyFIS el que mostró predicciones más cercanas. Este estudio proporciona valiosos conocimientos sobre la predicción de LTRWAs utilizando técnicas avanzadas de estadística y aprendizaje automático, basándose en un conjunto de datos de múltiples países y años.