毛利翻倍,远超此前指引!超微电脑财报后飙升近20%

华尔街见闻Dipublikasikan tanggal 2026-07-22Terakhir diperbarui pada 2026-07-22

Abstrak

超微电脑第四财季初步业绩报告显示,公司GAAP及非GAAP毛利率预计介于15%至17%之间,几乎是此前指引区间8.2%至8.4%的两倍。公司当季新增订单总额超过600亿美元,创历史新高,锁定了庞大的未来交付管线,彰显AI需求强劲。

超微电脑(Super Micro Computer)周二(7月21日)发布第四财季初步业绩,毛利率预期大幅超越此前指引,创纪录的新订单规模进一步提振市场信心,股价盘后一度飙升逾20%。

初步业绩报告显示,截至2026年6月30日的第四财季,公司GAAP及非GAAP毛利率预计介于15%至17%之间,几乎是此前指引区间8.2%至8.4%的两倍。管理层将这一超预期表现归因于"有利的客户结构与产品组合"。与此同时,公司当季新增订单总额超过600亿美元,创历史新高,锁定了庞大的未来交付管线。

上述利好消息令市场迅速重新定价。超微电脑股价盘后涨幅一度触及21%。这一走势标志着投资者情绪的显著逆转——此前该股自6月初高点以来已近乎腰斩。公司完整的第四财季及2026财年业绩将于8月11日美股收盘后正式公布。

毛利率意外翻倍,重塑盈利叙事

毛利率表现是本次初步业绩中最受市场关注的核心指标。超微电脑此前给出的第四财季毛利率指引仅为8.2%至8.4%,而最新预估区间15%至17%意味着实际表现将远超预期,几乎翻倍。

这一改善并非一蹴而就。公司毛利率曾在2026财年第二季度触及6.3%的低谷,首席执行官Charles Liang当时将其归因于客户结构变化、关税压力以及内存等关键零部件短缺。第三季度毛利率小幅回升至9.9%,而此次第四季度的跃升则表明公司在AI服务器解决方案领域的定价能力正在增强。

在今年5月最近一次财报电话会议上,Liang曾表示,公司致力于通过优先深耕企业市场及数据中心积木式解决方案(Data Center Building Block Solutions)业务,实现可持续的两位数毛利率目标。此次初步数据显示,这一目标已提前兑现。

600亿美元创纪录订单,需求前景强劲

毛利率之外,创纪录的订单规模同样成为市场聚焦的另一重要亮点。超微电脑披露,第四财季单季新增订单超过600亿美元,刷新历史纪录,将在未来数个季度陆续交付。

这一数字直接反映出市场对超微电脑模块化数据中心解决方案的旺盛需求,也印证了AI基础设施投资热潮的持续性。公司正寻求从服务器设计与制造商向全栈数据中心解决方案提供商转型,庞大的订单积压为这一战略提供了有力支撑。

值得注意的是,公司同时预计第四财季营收将接近110亿至125亿美元指引区间的低端。然而,市场对此反应平淡——投资者显然更看重利润率的修复与前瞻性需求指标的强劲,而非短期营收的绝对规模。

此次盘后大涨,也是超微电脑在经历一系列负面事件后的阶段性情绪修复。

6月初,公司宣布计划通过股权融资筹集70亿美元以支持AI服务器订单激增,引发市场对股权稀释及过度支出的担忧,股价随之大幅下挫,自6月9日高点至今累计跌幅接近50%。此次毛利率的意外跃升与创纪录订单,为饱受压制的股价提供了实质性的反弹催化剂。

Bacaan Terkait

S&P Dow Jones Bermitra dengan Pantera Meluncurkan Indeks Kripto, Bitcoin Ditolak Masuk Karena "Tidak Menghasilkan Uang"

**S&P Dow Jones Indices dan Pantera Capital Luncurkan Indeks Aset Digital Berbasis Pendapatan, Bitcoin Tidak Termasuk** S&P Dow Jones Indices bersama Pantera Capital telah meluncurkan S&P Pantera Digital Asset Index, sebuah indeks baru yang secara ketat memilih aset kripto berdasarkan kelayakan finansial protokolnya. Indeks ini mengadopsi prinsip serupa dengan S&P 500, mensyaratkan protokol untuk memiliki pendapatan positif yang diverifikasi selama beberapa kuartal berturut-turut dan mendistribusikan nilai tersebut kepada pemegang token. Karena fokus pada aset yang "menghasilkan uang", Bitcoin, XRP, dan meme coin dikeluarkan dari indeks ini. Bitcoin dinilai tidak memenuhi kriteria inti karena tidak menghasilkan pendapatan protokol. Indeks perdana ini mencakup 18 aset, dengan lima komponen terbesarnya adalah Ethereum (ETH), BNB, Solana (SOL), Tron (TRX), dan Hyperliquid (HYPE). Pantera menjelaskan bahwa pengecualian Bitcoin didasarkan pada tiga alasan: sifatnya sebagai aset moneter yang sudah dapat diakses melalui ETF terpisah, keinginan untuk memisahkan aset berpendapatan dari aset lain dalam kerangka dasar, serta ketidakmampuan Bitcoin lolos uji kelayakan finansial indeks. Indeks ini saat ini berfungsi sebagai *benchmark*, dan diskusi telah dimulai dengan perusahaan manajemen aset untuk mengembangkan produk seperti ETF yang melacak kinerjanya. Kemitraan Pantera dengan Morgan Stanley dinilai dapat memfasilitasi distribusi produk tersebut ke klien bernilai tinggi. Peluncuran indeks ini menyoroti celah dalam produk investasi kripto institusional yang ada, yang seringkali hanya terfokus pada kapitalisasi pasar tanpa membedakan fundamental. Di komunitas kripto, keputusan mengecualikan Bitcoin menuai beragam tanggapan. Sebagian melihatnya sebagai peluang untuk alokasi institusional yang lebih jelas ke altcoin, sementara yang lain berpendapat hal ini justru memperkuat narasi Bitcoin sebagai "emas digital".

marsbit4m yang lalu

S&P Dow Jones Bermitra dengan Pantera Meluncurkan Indeks Kripto, Bitcoin Ditolak Masuk Karena "Tidak Menghasilkan Uang"

marsbit4m yang lalu

Memberi "Noise" ke AI Juga Bisa Meningkatkan Skor, Karya Ini Membuat Noise Mencapai Transfer Positif

Dalam bidang transfer learning, sumber data biasanya berupa gambar, teks, atau audio. Namun, penelitian "Semi-Supervised Noise Adaptation (SSNA)" menunjukkan bahwa **noise acak yang tidak memiliki makna semantik**—dihasilkan dari distribusi Gaussian—juga dapat meningkatkan performa model dalam skenario semi-supervised dengan sedikit data berlabel. Metode ini menggunakan **Kerangka Adaptasi Noise (Noise Adaptation Framework, NAF)**. NAF membuat struktur kategori diskriminatif dalam domain noise acak, lalu mentransfer **struktur** ini ke data target nyata untuk memberikan batas klasifikasi yang lebih jelas. Model memproyeksikan domain noise dan target ke ruang representasi bersama dan menyelaraskannya pada tingkat kategori. Dalam eksperimen, dengan hanya 4 sampel berlabel per kelas, NAF meningkatkan akurasi secara signifikan dibandingkan baseline ERM pada dataset seperti CIFAR-10 (+12.35%), CIFAR-100 (+7.61%), dan lainnya. Peningkatan juga terlihat pada dataset skala besar seperti ImageNet-1K dan tugas klasifikasi teks. Kunci keberhasilan ini bukanlah sifat acak noise itu sendiri, melainkan **struktur kategori yang dapat dipisahkan** yang dibentuknya dalam ruang representasi. Eksperimen ablasi menunjukkan bahwa jika semua noise dikompresi menjadi satu titik (tanpa struktur), kinerja justru menurun drastis. Sebaliknya, memperlebar jarak antara pusat kategori noise meningkatkan akurasi. Penelitian ini menawarkan perspektif baru: dalam transfer learning, pengetahuan yang dapat ditransfer bisa berupa **cara data diorganisasikan dalam ruang representasi**, bukan hanya konten semantiknya. Ini membuka kemungkinan untuk skenario di mana data sumber asli tidak tersedia karena masalah privasi, hak cipta, atau keterbatasan akses. Noise sintetis dapat menjadi alternatif sumber daya yang efektif dan rendah biaya.

marsbit8m yang lalu

Memberi "Noise" ke AI Juga Bisa Meningkatkan Skor, Karya Ini Membuat Noise Mencapai Transfer Positif

marsbit8m yang lalu

Operator Teleprompter "Khusus" Gedung Putih Raup Lebih dari $100.000 dengan Prediksi Berbasis Informasi Orang Dalam

Artikel berjudul "Operator Teleprompter Gedung Putih Dapatkan Lebih dari $100.000 dengan Informasi Orang Dalam" mengungkap kasus insider trading di pasar prediksi oleh Gabriel Perez, asisten teknis dan operator teleprompter untuk mantan Presiden AS Donald Trump. Perez, yang memiliki akses ke naskah pidato Trump sebelum disampaikan, menggunakan informasi orang dalam ini untuk bertaruh pada kata-kata spesifik yang akan disebutkan Trump dalam berbagai pidato di platform prediksi Kalshi. Dalam sekitar tiga bulan, ia mendapat untung lebih dari $100.000. Namun, platform Kalshi mendeteksi aktivitas mencurigakan, membekukan dana sekitar $90.000, dan melaporkannya ke CFTC. Akibatnya, Perez diberhentikan sementara tanpa gaji oleh Trump. Meski mengembalikan keuntungan dan berjanji tidak mengulangi pelanggaran, ia tidak menghadapi tuntutan pidana karena dianggap tidak membocorkan informasi rahasia negara. Kasus ini menyoroti kerentanan pasar prediksi "sebutan" terhadap manipulasi, di mana orang dalam atau pembicara sendiri dapat dengan mudah mempengaruhi hasil. Insiden serupa sebelumnya melibatkan tentara dan insinyur Google. Sebagai tanggapan, platform seperti Kalshi mulai memperketat aturan, termasuk mengharuskan pengguna mengungkapkan tempat kerja. Artikel menyimpulkan bahwa meskipun pembersihan perdagangan orang dalam membuat pasar prediksi lebih patuh, hal itu juga menjauhkannya dari tujuan awalnya sebagai pengejawantahan kebijaksanaan kolektif, menjadikannya lebih mirip kasino biasa.

marsbit1j yang lalu

Operator Teleprompter "Khusus" Gedung Putih Raup Lebih dari $100.000 dengan Prediksi Berbasis Informasi Orang Dalam

marsbit1j yang lalu

Operator Teleprompter "Khusus" Gedung Putih, Meraup Lebih dari 100 Ribu Dolar AS dengan Prediksi Menggunakan Informasi Orang Dalam

Sebuah staf Gedung Putih yang bertugas mengoperasikan teleprompter (penyusun teks pidato) untuk mantan Presiden AS Donald Trump, Gabriel Perez, telah diduga melakukan perdagangan orang dalam (insider trading) di pasar prediksi. Perez, yang memiliki akses ke naskah pidato Trump sebelum disampaikan, dilaporkan memanfaatkan informasi non-publik tersebut untuk bertaruh pada kata-kata spesifik yang akan disebutkan Trump dalam berbagai pidatonya di platform prediksi Kalshi. Dalam kurun waktu sekitar tiga bulan, ia dikabarkan memperoleh keuntungan lebih dari $100,000. Kalshi kemudian mendeteksi aktivitas transaksi yang tidak biasa dan membekukan lebih dari $90,000 di akun Perez sebelum melaporkan kasus ini kepada Commodity Futures Trading Commission (CFTC). Atas insiden tersebut, Perez diberhentikan sementara dari tugasnya tanpa gaji oleh Trump. Berbeda dengan dua kasus insider trading sebelumnya di pasar prediksi yang melibatkan seorang tentara dan insinyur Google, Perez tidak menghadapi tuntutan pidana. CFTC dikabarkan sedang dalam proses penyelesaian damai yang mewajibkannya mengembalikan keuntungannya dan berhenti melakukan transaksi serupa. Kasus ini menyoroti kerentanan pasar prediksi "sebutan" (mention markets) terhadap manipulasi, di mana individu dengan informasi orang dalam atau bahkan pembicara itu sendiri dapat dengan mudah memengaruhi hasilnya. Beberapa contoh, seperti CEO Coinbase yang dengan sengaja menyebut semua opsi taruhan dalam sebuah konferensi, mengilustrasikan masalah ini. Menanggapi hal tersebut, Kalshi telah memperketat kebijakan dengan mewajibkan pengguna mengungkapkan tempat kerja mereka untuk mencegah penyalahgunaan informasi orang dalam. Insiden Perez menandai langkah lain dalam pembersihan perdagangan orang dalam di industri pasar prediksi, sekaligus mempertanyakan keandalan pasar tersebut sebagai cerminan kebijaksanaan kolektif.

Odaily星球日报1j yang lalu

Operator Teleprompter "Khusus" Gedung Putih, Meraup Lebih dari 100 Ribu Dolar AS dengan Prediksi Menggunakan Informasi Orang Dalam

Odaily星球日报1j yang lalu

Trading

Spot
活动图片