和信贷一季报超预期背后|一点财经

北京时间9月25日晚间,和信贷(NASDAQ:HX)发布了截至2018年6月30日的2019财年第一季度(下称“一季度”或“本季度”)未经审计的财务业绩。

本季度,和信贷继续保持稳健增长,净收入和净利润均取得三位数的增长。同时,面对愈发严格的市场监管,公司高管层表示和信贷全力配合监管部门进行自查,相关工作正有序推进。

未来,公司将继续坚持合规经营,积极完成备案。

01合规运营加强风控

面对当下愈发严格的国内市场环境,公众更多地倾向选择相对靠谱的头部平台,行业头部效应明显。

根据网贷之家数据,8月末,行业排名前30平台汇总成交量已近行业总成交量的七成。在此背景下,和信贷交易规模持续高速扩张,核心业务继续保持稳健增长。

本季度,和信贷单季平台促成借款总额4.6亿美元(29.4亿元人民币),同比增长130.1%;信用借款服务费率由8.9% 进一步增长至11.7%。网贷之家数据显示,6月末和信贷的业内排名较上季度末进一步上升。

针对近期密集出台的行业政策,公司表示和信贷支持并积极响应政府对行业的整顿,健康稳定的行业环境有益于和信贷进一步的成长。

据悉,作为第一批启动自查的网贷公司,和信贷自查工作正在有序推进。平台将于近日完成机构自查,并在规定时间内将自查报告报送至北京市网贷整治办。

“政府监管的加强将提高行业准入门槛,创造一个更有利于行业健康可持续发展的市场环境。这将使我们更充分地利用自身出色的现金状况、高效的运营能力、稳健的风险管理及营销能力,进一步巩固市场。”

公司首席执行官周歆明表示,和信贷专注于为具有稳定就业和收入的借款人提供中等规模借款的促成服务,我们具有前瞻性的市场定位和优质的借款人特点,使我们有信心在行业动荡的时刻能够稳定控制风险。

值得强调的是,在合规运营的基础上,和信贷也不断加大投入,增强平台的风险管控能力。

目前,公司在监管加强的市场环境下,采取更加稳健的风控态度,主动提高风控标准,信审通过率从2018财年的23%下降至18%。

同时,和信贷还持续提升自身运营效率、提高获客渠道产能、优化用户体验、加强与用户的沟通,从而保持业务稳健高速增长。

本季度,和信贷借款人人数同比增长96.7%,达28,979人;出借人人数同比增长82.6%,达67,607人。

02开拓海外市场

得益于核心业务的稳健增长,本季度和信贷的财务指标同样亮眼,净收入和净利润均取得三位数增长。

其中,净收入为5,165.1万美元,同比增长241.8%;调整后净利润为2,989.3万美元,高于管理层预期,同比增长236.1%。

业绩的稳健增长也保障了公司充沛健康的现金流。

截至2018年6月30日,和信贷拥有现金及现金等价物1.5亿美元。本季度经营活动产生的净现金流约为2,340万美元,去年同期约为1,240万美元。

在业绩高速增长和充沛现金流的双重保障下,和信贷于8月成功进行了公司第一次跨境投资,以160万美元收购了印尼一家消费分期贷款的网络借贷平台Musketeer Group Inc. 20%的股权。

公司高管层表示未来公司将继续充分利用公司广泛的专业经验和技能拓展新的高增长市场。

此外,基于对业务未来增长前景和公司现金情况的信心,和信贷于7月23日公布了年度派息计划回馈股东,并已于8月2日向全体股东支付总计约1900万美元的现金股息。

随着行业整改完成、备案落实,未来和信贷如何在中国快速增长的消费借款市场中继续保持自身竞争优势,抢占更多市场机遇,值得期待。

来源:一点财经(http://www.yidiancaijing.xin/)

作者:C  M

编辑:秦 卓

封面:邓 攀

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