荔枝披露2020年报:累计赤字22亿,经纬中国减持900万股

纳斯达克上市公司荔枝公布2020年年报,显示其营收增长但依旧亏损,毛利润上升,净亏损收窄。荔枝还宣布增发股份计划,拟发行不超过2亿美元的A类普通股。经纬中国持股数减少约1%,退出的CyberDreamerLimited曾持股13.3%。此外,荔枝面临两起集体诉讼。
摘要由CSDN通过智能技术生成

3月27日,纳斯达克上市公司荔枝(NASDAQ:LIZI)向美国证券交易委员会(SEC)提交截至2020年12月31日的20-F表年度报告,披露了经审计的合并报表、股权结构等内容。

同时,荔枝还公布了一项增发股份计划的招股书。根据招股书,荔枝拟发行或出售不超过2亿美元的A类普通股。荔枝称,根据招股书提供的证券,将以一次或多次发行的方式进行,总金额最高为2亿美元。

 

根据20-F报告,荔枝2017年、2018年、2019年与2020年的营收分别为4.54亿元、7.99亿元、11.81亿元与15.02亿元。同期,收入成本分别为3.31亿元、5.66亿元、9.10亿元与11.35亿元。

截至目前,荔枝仍处于亏损状态。报告期内,荔枝的毛利分别为1.23亿元、2.33亿元、2.70亿元与3.68亿元,对应的净亏损分别为1.54亿元、934.2万元、1.32亿元与8218.5万元。

据了解,截至2020年12月31日,荔枝的累计赤字为22.39亿元,现金及现金等价物3.15亿元,资产总额为4.64亿元,负债总额为2.95亿元。2020年度,其经营活动所得现金净额约为4.0亿元。

截至2020年12月31日,荔枝拥有658名员工。其中,研究与开发团队409人,占比为62.2%;运营和产品137人,占比为20.8%;销售和营销32人,占比为4.8%;总务与行政80人,占比为12.2%。

 

运营指标方面,荔枝此前公布的财报显示,其2020年第四季度的平均移动月活跃用户数量(MAU)为5840万,月均总付费用户为42.24万。2020年度,平均移动MAU总数为5620万,平均月度付费用户总数为44.61万。

股权方面,截至2021年2月28日,荔枝已发行在外普通股为924,370,330股, 693,155,330 A类普通股(不包括Kastle Limited持有的15,446,330股A类普通股)和 231,215,000 B类普通股。

其中,荔枝创始人、CEO赖奕龙持股22.4%,拥有64.5%的投票权,联合创始人、CTO Ning Ding(丁宁)持股4.3%,拥有13.0%的投票权。其中,丁宁的持股数较上一年度增加1000股,赖奕龙持股数不变。

机构股东中,经纬中国持股18.6%,拥有5.7%的投票权;晨兴资本通过Morningside China TMT Fund II, L.P.持股12.2%,通过Morningside China TMT Top Up Fund, L.P.持股为7.1%。

 

贝多财经发现,截至2021年2月28日,经纬中国对荔枝的持股数为17185.5万股,较2019年度的18124.999万股(持股比例为19.8%)减少了约939.5万股。换句话说,经纬中国减持了荔枝约1%的股份。

与此同时,荔枝的第四大股东Cyber Dreamer Limited从该公司股东行列中退出,不再持股。据了解,自2017年开始投资荔枝,出资3200万美元,在IPO前的持股比例为13.3%。

此外,荔枝还在20-F表年度报告中披露,该公司于2021年在纽约存在两起集体诉讼,将荔枝某些现任、前任董事和高级管理人员、承销商等列为被告,指控荔枝在2020年1月16日的注册声明包含虚假陈述、遗漏等。

 

此前,有律师表示,集体诉讼的原因是:荔枝上市前,有员工、客户已向荔枝反映公布疫情影响将会损害荔枝声誉、财务、以及公司发展前景,因此荔枝选择虚假陈述。投资者获知真相后,荔枝股价下跌导致投资受损。

据贝多财经了解,荔枝于2020年1月17日在美国纳斯达克上市,发行价为每股11美元,共发行410万份ADS。IPO次日,荔枝便跌破发行价,当日收报于10.88美元。

而截至2021年3月26日美股收盘,荔枝仍低于发行价,收报7.58美元,较早前的发行价下跌31.09%,总市值为3.50亿美元。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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