The Occurrence of Fibonacci Numbers in Time Series of Financial Accounting Ratios: Anomalies or Indicators of Firm Survival, Bankruptcy and Fraud? An Exploratory Study
Notice bibliographique
Résumé
Although there have been conjectures about the possible occurrences of Fibonacci numbers and golden means and ratios in financial statements (Feroz, 1992), it is intriguing as to why managers should be reporting these rather stylized series of numbers the occurrences of which have hitherto been documented mostly in the biological sciences (Davis, 1989). One possible explanation is that these numbers are merely random occurrences and are not a part of any systematic financial reporting pattern. Still other conjectures are that these numbers are generated by a process of skilful manipulation of accounting rules (e.g. smoothing) which has been documented in the empirical accounting literature (Healy, 1985). The purpose of this study is to empirically verify the null hypothesis that the occurrence of Fibonacci numbers, golden ratio and means in financial accounting ratios, is merely a random occurrence without any statistical significance. We constructed two samples: a random sample of 200 companies, and another sample of 200 companies that have survived 20 years or more. We find that i) there is an infinity of distributions under which the null hypothesis (Ho) cannot be rejected for either sample; and ii) there is an infinity of distributions under whichH0 cannot be rejected for the sample of 200 surviving companies but can be rejected for random sample. The latter result is particularly important because it shows that it is possible to discriminate between surviving companies and randomly selected companies based on the golden mean in total debt/total invested capital ratio. © MCB UP Limited 2000.
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 | 0,003 | 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 ».