quarterly journal of fiscal and Economic policies

fa پیش‌بینی بحران‌های مالی در بانکداری اسلامی با استفاده از یادگیری ماشین و داده‌های نامتوازن Predicting financial crises in Islamic banking using machine learning and unbalanced data تخصصي Special پژوهشي Research این پژوهش با هدف طراحی چارچوب پیش‌بینی بحران مالی برای بانک‌های اسلامی انجام شده است، زیرا مدل‌های موجود عمدتاً بر بانک‌های متعارف متمرکزند و به ویژگی‌های خاص بانکداری اسلامی مانند الزامات شرعی توجه کافی ندارند. روش تحقیق شامل استفاده از داده‌های مالی، کلان‌اقتصادی و حاکمیت شرعی ۴۵۰ مشاهده سال-بانک (شامل بانک‌های اسلامی و متعارف) طی سال‌های 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 اندازه‌گیری کمّی متغیر «فاصله شرعی از استانداردهای AAOIFI» به عنوان یک عامل پیش‌بینی‌کننده بحران است. برای مقابله با نامتوازنی داده‌ها (تنها 3/5٪ مشاهدات مربوط به بحران)، از تکنیک SMOTE استفاده شد. الگوریتم‌های مختلف یادگیری ماشین شامل رگرسیون لجستیک، درخت تصمیم، SVM و XGBoost مورد ارزیابی قرار گرفتند. یافته‌ها نشان داد که الگوریتم XGBoost با حساسیت 83/0و سطح AUC-ROC معادل 93/0، بهترین عملکرد را در شناسایی بانک‌های بحران‌زده دارد. متغیر «فاصله شرعی» پس از بازده دارایی‌ها (ROA)، به عنوان دومین متغیر بااهمیت شناسایی شد. تحلیل‌ها تأیید کردند که افزایش این فاصله (کاهش انطباق با استانداردهای شرعی) احتمال وقوع بحران را به‌طور معناداری افزایش می‌دهد. همچنین مدل توسعه‌یافته برای بانک‌های اسلامی از دقت تشخیص بالاتری (حساسیت 87/0) نسبت به بانک‌های متعارف (76/0) برخوردار بود. این پژوهش با پر کردن شکاف موجود در ادبیات، چارچوبی عملیاتی برای ناظران بانکی (مانند بانک‌های مرکزی و IFSB) فراهم می‌آورد تا بانک‌های اسلامی آسیب‌پذیر را زودتر شناسایی کنند. نتایج حاکی از آن است که رعایت حاکمیت شرعی و شفافیت، نه تنها یک تکلیف دینی، بلکه یک راهبرد مؤثر کاهش ریسک تجاری است. This research was conducted with the aim of designing a financial distress prediction framework for Islamic banks, as existing models primarily focus on conventional banks and do not adequately address the specific characteristics of Islamic banking, such as Shariah requirements. The research method involved using financial, macroeconomic, and Shariah governance data from 450 bank-year observations (including both Islamic and conventional banks) from 2015 to 2023. The dependent variable, financial distress status, was defined based on the criteria of Laeven and Valencia (2018), adapted for Islamic banking. The main innovation of the research is the introduction and quantitative measurement of the variable "Fiqh Distance from AAOIFI Standards" as a predictor of distress. To address data imbalance (only 5.3% of observations pertained to distress), the SMOTE technique was used. Various machine learning algorithms, including Logistic Regression, Decision Tree, SVM, and XGBoost, were evaluated. Findings showed that the XGBoost algorithm, with a sensitivity of 0.83 and an AUC-ROC score of 0.93, performed best in identifying distressed banks. The "Fiqh Distance" variable was identified as the second most important variable after Return on Assets (ROA). Analyses confirmed that an increase in this distance (decreased compliance with Shariah standards) significantly raises the probability of distress occurring. Furthermore, the developed model for Islamic banks demonstrated higher diagnostic accuracy (sensitivity 0.87) compared to conventional banks (0.76). By filling a gap in the literature, this research provides an operational framework for bank supervisors (such as central banks and IFSB) to identify vulnerable Islamic banks earlier. The results indicate that adherence to Shariah governance and transparency is not only a religious obligation but also an effective risk-mitigation business strategy. بانکداری اسلامی, پیش‌بینی بحران مالی, یادگیری ماشین, XGBoost, داده‌های نامتوازن Islamic banking, financial crisis prediction, machine learning, XGBoost, imbalanced data. 104 183 http://qjfep.ir/browse.php?a_code=A-10-1179-10&slc_lang=fa&sid=1 Saeid MohammadBeigi سعید محمدبیگی beigi.1992@gmail.com 10031947532846009884 10031947532846009884 Yes in Islamic Economic Philosophy, Imam Khomeini Educational and Research Institute فلسفه اقتصاد اسلامی