北京時間4月10日上午消息,摩根士丹利今天發(fā)布研究報告,維持雅虎股票“增持”(Overweight)評級,以及55美元的目標股價不變。報告稱,大摩對雅虎的樂觀預期是由于買入該股相當于廉價買入阿里巴巴,而雅虎的核心業(yè)務將繼續(xù)萎縮。要想避免盈利的下滑,該公司需要裁員至少11%。
以下為報告概要:
我們55美元的目標價是假設雅虎的核心業(yè)務仍將繼續(xù)萎縮,但如果該公司裁員11%,便有可能將令分拆阿里巴巴之后的雅虎核心業(yè)務價值增加每股3.9美元,增幅達到77%。
我們最近之所以對雅虎預期樂觀,是認為投資雅虎股票是買入阿里巴巴股票的廉價方式。但我們也經常被問及雅虎的核心業(yè)務,以及2014年的 EBITDA(未計利息、稅項、攤銷及折舊前盈利)真的會成為雅虎管理層所說的“低點”嗎?我們的基本模型并不這么認為(該模型預計雅虎2015和 2016年的EBITDA將分別減少21%和5%),但成本壓縮的確可以帶來實質性的機會,幫助雅虎改善核心盈利能力,并推動其股價上漲。
雅虎員工達到Facebook的1.4倍,但人均創(chuàng)收額只有后者的37%:以營收規(guī)模來看,雅虎的員工人數仍然過多,其人均創(chuàng)收額在14家同類企業(yè)中排名第11位。在數字廣告行業(yè)中,雅虎的這一指標為37萬美元,比Facebook低了74%,比谷歌低了70%,甚至比AOL還低了34%。要知道,雅虎的員工達到Facebook的1.4倍,達到AOL的2.8倍。在我們看來,這表明可以通過成本壓縮獲得機會。
裁員11%可以實現EBITDA同比持平:假設雅虎2015年的營收符合我們的預期(不計流量獲取成本的營收同比減少2%),就需要將non- GAAP(非美國通用會計準則)營業(yè)費用降低約2.9億美元才能實現EBITDA同比持平。按照20.8萬美元的人均non-GAAP營業(yè)費用計算,雅虎 大約需要裁員1400人(約占員工總數的11%),才能實現EBITDA同比持平。這個要求并不過分,而且雅虎還有更大的成本壓縮潛力。即使按照這一數字 壓縮了成本,雅虎的人均創(chuàng)收額也只有42萬美元,仍然比AOL低了25%。雅虎不會是第一家通過這種方式提升EBITDA的企業(yè),AOL之前曾經通過裁員 2200人,在2009至2014年間將人均創(chuàng)收額提升7700美元。
剝離阿里巴巴資產后每股價值增長3.9美元?預計該公司將在2015年第四季度剝離阿里巴巴資產,而更加強大的核心業(yè)務顯得非常重要,因為2015 年的EBITDA同比持平后,2016年的業(yè)績將較我們目前的預期高出33%,按照基本的4.5倍EBITDA計算,相當于雅虎每股核心業(yè)務價值增長約 1.65美元。如果投資者愿意為更精簡的核心業(yè)務支付6倍的2016年EBITDA(與AOL持平),就可以增加3.90美元,增幅達到77%。
雅虎計劃于4月21日公布第一季度財報:我們的營收預期與華爾街平均預期持平,但EBITDA預期低了3%。我們不認為雅虎核心業(yè)務(目前估值 為每股1.5美元,對應2016年EBITDA的倍數約為1.5倍)將成為第一季度的重要動力,但只要業(yè)務改善或成本壓縮方面的前景得到進一步明確(例如 通過傳言中的中國辦事處關閉計劃和潛在的Tumblr重組計劃),都將進一步上調我們55美元的目標價。
好文章,需要你的鼓勵
騰訊ARC實驗室推出AudioStory系統(tǒng),首次實現AI根據復雜指令創(chuàng)作完整長篇音頻故事。該系統(tǒng)結合大語言模型的敘事推理能力與音頻生成技術,通過交錯式推理生成、解耦橋接機制和漸進式訓練,能夠將復雜指令分解為連續(xù)音頻場景并保持整體連貫性。在AudioStory-10K基準測試中表現優(yōu)異,為AI音頻創(chuàng)作開辟新方向。
Meta與特拉維夫大學聯(lián)合研發(fā)的VideoJAM技術,通過讓AI同時學習外觀和運動信息,顯著解決了當前視頻生成模型中動作不連貫、違反物理定律的核心問題。該技術僅需添加兩個線性層就能大幅提升運動質量,在多項測試中超越包括Sora在內的商業(yè)模型,為AI視頻生成的實用化應用奠定了重要基礎。
上海AI實驗室發(fā)布OmniAlign-V研究,首次系統(tǒng)性解決多模態(tài)大語言模型人性化對話問題。該研究創(chuàng)建了包含20萬高質量樣本的訓練數據集和MM-AlignBench評測基準,通過創(chuàng)新的數據生成和質量管控方法,讓AI在保持技術能力的同時顯著提升人性化交互水平,為AI價值觀對齊提供了可行技術路徑。
谷歌DeepMind團隊開發(fā)的GraphCast是一個革命性的AI天氣預測模型,能夠在不到一分鐘內完成10天全球天氣預報,準確性超越傳統(tǒng)方法90%的指標。該模型采用圖神經網絡技術,通過學習40年歷史數據掌握天氣變化規(guī)律,在極端天氣預測方面表現卓越,能耗僅為傳統(tǒng)方法的千分之一,為氣象學領域帶來了效率和精度的雙重突破。