Tag: 珩灣科技
-
看Twitter 預測股市上落?
美股日日創新高,看著道瓊斯指數,超越恆指似乎真的指日可待。本港股市升勢不及美股,但樓價節節上升,中原CCL 指數續創新高,估計不再是M 型而是真突破… 每天關於經濟股市樓價的資訊何其多,到底該如何過濾和分析資訊?木宰羊。湊熱鬧加把口,很多人告誡要提防美股超買兼泡沫,特朗普演說後或出現拋售,公眾不必盲目跟風。當市場仍有這類言論,代表大眾未瘋狂。 至於本地樓市,似乎有「不敗之身」,無人看跌兼且趕入場,就真的要小心。筆者並非看淡樓市,在低利率時代,買樓自住或投資收租,真的較租樓或手持現金保值划算。除了加入搶高價格的戰團,可嘗試細心物色市場上的筍盤,即位置佳(有未來配套發展計劃) 但交投未必活躍 (價格上落相對慢兼波動較細) ,呎價相比市價有折讓的樓盤。 近日《慧眼先機》專欄嘗試以數據分析特首選戰,當中包括計算特首參選人於選戰相關報道的人氣等。其實,大量採集媒體資訊,並加以分析的做法,早已應用在投資圈,外國有專門分析社交平台的金融訊息,再發掘投資機會或估算股價升跌的公司,學術圈亦有專門研究。 理工大學的陳振沖教授於3月中的人工智能和深度學習研討會,會分享如何分析Twitter 內容並預測股價上落。翻看議程,同場還有來自意大利、荷蘭和美國的學者,專注其它社交平台、新聞公告和文字分析,再對金融市場作預測。互聯網令收集市場資訊變得簡單快捷,似乎只要數據夠多,就能了解市場反應和去向。筆者不知道實質操作和應用的成功率,但程式交易之外,在大數據時代確實值得了解相關做法。因為只要有人根據這類分析作出交易,就代表市場走勢多少會受大數據分析的影響。另外,研討會還邀請了美國聯儲局高級經濟師 Nitish Sinha,講述透過宏觀經濟數據為藍籌股估值。美股越升越有,宏觀經濟指標真的可以說明現況? (讀者如對研討會有興趣,可參閱本欄Facebook 專頁。) 兩星期前本欄分析過發盈喜的珩灣科技(1523.HK),截至週一收市升幅超過一成。有讀者問及目標價,其實股價細,容易炒起和炒落,波動幅度會較大,不容易說出一個目標價。雖然選擇財務狀況較穩健的細價股,是不想鼓勵短炒, 但細價股有其週期性和特性。現時走勢看來平穩,未來的離場準則可考慮使用trailing stop。 [讀者優惠] 研討會八折門票 (discount code: trendalysis) 人工智能、機器學習、情緒分析的金融應用研討會詳情。有興趣的讀者,可以直接電郵主辦方aqeela[at]unicom.co.uk,並註明discout code,即可享門票八折。 此文同見於《信報》的《價值投資》專欄 Facebook 專頁:www.facebook.com/trendalysis
-
珩灣科技的盈喜通告
近日恆指四連升,這時候未必最適宜談價值選股,畢竟大部分港股(不論好壞)皆造好,投資人最怕滿倉踏空。本欄過往曾詳盡分析的股票例如新意網(8008)、平安保險(2318)、中國民航信息(656)、中國通號(3969)、復星國際(656)、碧桂園(2007)等,財務狀況比較穩健,若然投資人想入市又怕高追,可以考慮上述股份。另外,每年第一季都是業績公佈期。投資者如欲短期買賣,可嘗試多看通告,篩選有盈喜的公司。公告中一般會說明利潤增減的原因,若果是營運業務表現佳,而非一次性收益影響,或可以短期交易買賣。 早前看見一個市值僅約6.2億的細價股珩灣科技(1523) 發盈喜,雖然通告未有透露數據,但截至去年12月底的全年盈利有大幅增長。珩灣科技的上市年期短(去年7月才上市),主營業務是售賣SD-WAN 技術 的路由器,和提供保修和支援服務。約一半銷售收入來自北美洲,三成來自歐洲、中東和非洲,約兩成來自亞洲。公司擁有16項美國專利,於2015年榮膺全球第五大SD-WAN 路由器供應商,客戶包括矽谷的科技公司、航空公司和執法機關等。 參考去年截至6月底的半年業績,銷售收入增加超過12%,盈利增長超過100%。資產和債務情況健康 - 持有約650萬美元的現金,而短期負債不足100萬美元。 而且經營現金流穩健,較2015年同期增長接近一倍,這些數字都顯示公司財務穩健。雖然市值小,股價又細 (波動率較大兼且容易推上擠下),但其業務增幅和美國專利權等,值得投資者考慮短期交易買賣。 提到科技,數日前車品覺兄在《全民大數據》專欄詳談人工智能和深度學習,碰巧筆者最近看完一本相關書籍,對人工智能的發展和障礙稍為了解多一點點,在此和讀者分享。AI 的研究和技術發展其實早已展開,但一直未有突破性進展,直至深度學習的出現。要模擬人類的思考和辨識能力,最大的挑戰在於「特徵辨識」。例如「斑馬」這個名詞,對於未見過真斑馬的人,可以理解並想像到「斑紋」和「馬」合起來的樣子,但電腦卻無法理解這種抽像概念。深度學習卻似乎能幫助系統突破抽象概念 - 電腦不再依賴人類給予特徵辨識的資訊,而是通過多層次的對比篩選,自行發掘特徵,並將之歸類。雖然深度學習的特徵辨識方法異於人類思考,但過往的測試結果顯示電腦可有效學習,而且效果不俗。