پیش بینی بحران های مالی در بانکداری اسلامی با استفاده از یادگیری ماشین و داده های نامتوازن

این پژوهش با هدف طراحی چارچوب پیش بینی بحران مالی برای بانک های اسلامی انجام شده است، زیرا مدل های موجود عمدتا بر بانک های متعارف متمرکزند و به ویژگی های خاص بانکداری اسلامی مانند الزامات شرعی توجه کافی ندارند. روش تحقیق شامل استفاده از داده های مالی، کلان اقتصادی و حاکمیت شرعی ۴۵۰ مشاهده سال-بانک (شامل بانک های اسلامی و متعارف) طی سال های ۲۰۱۵ تا ۲۰۲۳ است. متغیر وابسته، وضعیت بحران مالی بر اساس معیارهای لایون والونسیا (۲۰۱۸) و متناسب با بانکداری اسلامی تعریف شد. نوآوری اصلی پژوهش، معرفی و اندازه گیری کمی متغیر «فاصله شرعی از استانداردهای AAOIFI» به عنوان یک عامل پیش بینی کننده بحران است. برای مقابله با نامتوازنی داده ها (تنها ۳/۵٪ مشاهدات مربوط به بحران)، از تکنیک SMOTE استفاده شد. الگوریتم های مختلف یادگیری ماشین شامل رگرسیون لجستیک، درخت تصمیم، SVM و XGBoost مورد ارزیابی قرار گرفتند. یافته ها نشان داد که الگوریتم XGBoost با حساسیت ۸۳/۰و سطح AUC-ROC معادل ۹۳/۰، بهترین عملکرد را در شناسایی بانک های بحران زده دارد. متغیر «فاصله شرعی» پس از بازده دارایی ها (ROA)، به عنوان دومین متغیر بااهمیت شناسایی شد. تحلیل ها تایید کردند که افزایش این فاصله (کاهش انطباق با استانداردهای شرعی) احتمال وقوع بحران را به طور معناداری افزایش می دهد. همچنین مدل توسعه یافته برای بانک های اسلامی از دقت تشخیص بالاتری (حساسیت ۸۷/۰) نسبت به بانک های متعارف (۷۶/۰) برخوردار بود. این پژوهش با پر کردن شکاف موجود در ادبیات، چارچوبی عملیاتی برای ناظران بانکی (مانند بانک های مرکزی و IFSB) فراهم می آورد تا بانک های اسلامی آسیب پذیر را زودتر شناسایی کنند. نتایج حاکی از آن است که رعایت حاکمیت شرعی و شفافیت، نه تنها یک تکلیف دینی، بلکه یک راهبرد موثر کاهش ریسک تجاری است.

کلیدواژه ها:

Islamic banking ، financial crisis prediction ، machine learning ، XGBoost ، imbalanced data. ، بانکداری اسلامی ، پیش بینی بحران مالی ، یادگیری ماشین ، XGBoost ، داده های نامتوازن