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。