马钢年报初探

 

马钢年报显示,06年完成22.77亿元,每股净利润0.353元,符合我的预测。

马钢难得的是第四季度的营业利润几乎是相当于第二季度的净利润,这在没有产量提高的情况下是难得的。这个应该得益于合肥公司的扭亏为盈,得益于公司产品结构的调整。

公司第四季度的管理费用、财务费用以及人力成本增加比较多,公司的解释是贷款增加,员工的待遇增加的原因。

公司去年生产生铁944万吨,粗钢1091万吨,钢材1024万吨,(其中公司本部生铁891万吨,粗钢1024万吨,钢材954万吨;合肥公司生铁53万吨,粗钢67万吨,钢材70万吨。)

公司今年计划生产生铁1316万吨,粗钢1452万吨,钢材1344万吨,(其中公司本部生铁1187万吨,粗钢1300万吨,钢材1194万吨;合肥公司生铁129万吨,粗钢152万吨,钢材150万吨。)

相比去年增加生铁372万吨,粗钢361万吨,钢材320万吨,(其中公司本部生铁296万吨,粗钢276万吨,钢材240万吨;合肥公司增加生铁76万吨,粗钢85万吨,钢材80万吨。)

马钢收盘价7.78元,市盈率22.04倍,相对于钢铁股马钢的市盈率比较高。但是,马钢的新区项目值得期待,根据目前的钢材市场情况来看,马钢今年的净利润有可能将增长100%左右,所以,动态市盈率并不高。

 

目前马权的溢价率比较低,继续持有。

 

附:《新年思考之八――马权――马钢利润预测分析》 1 22

1,不考虑钢材价格的上涨,即成本的增加部分由钢材的涨价部分抵消,考虑马钢的吨钢利润维持今年第三季度的吨钢利润,那么老区07年完成净利润24.80亿元,新区完成净利润9.20亿元,合计净利润34亿元,每股净利润0.48元(摊薄)-0.53元(不摊薄)。

2,不考虑钢材价格的上涨,即成本的增加部分由钢材的涨价部分抵消,考虑马钢的吨钢利润维持今年第三季度的吨钢利润,那么老区08年完成净利润24.80亿元,新区完成净利润25.00亿元,合计净利润49.80亿元,每股净利润0.645元(摊薄)。考虑到新区的产品附加值,应该说我对于新区的利润预测还是比较保守的。

3,考虑由于钢材价格的上涨,07年增加吨钢净利润70元,那么就增加净利润1350万吨×70元=9.45亿元,07年合计净利润43.45亿元,每股净利润0.61元(摊薄)-0.67元(不摊薄)。

4,考虑由于钢材价格的上涨,08年增加吨钢净利润150元,那么就增加净利润1500万吨×150元=22.50亿元,08年合计净利润72.30亿元,每股净利润0.94元(摊薄)。

应该说这个利润的可能性还是很大的,因为按照这个利润数据,马钢老区的吨钢净利润为398元,还是低于05上半年的502元吨钢净利润。马钢新区的吨钢净利润650元,还是低于宝钢06年第三季度的936元吨钢利润,与鞍钢今年第三季度的吨钢净利润598元差不多,而且马钢的所得税是15%,低于宝鞍的33%。

5,为了从谨慎的角度出发,我就把这二个每股利润平均一下,应该说就没问题了。那么07年的每股利润为0.55元(摊薄)-0.60元(不摊薄)。08年的每股利润为0.79元(摊薄)。

 

另:关于马钢的分析,可参考《新年思考之八―马权》。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值