摩根士丹利优于预期的交易和投资银行业务

币界网發佈於 2024-07-16更新於 2024-07-16

币界网报道:
摩根士丹利表示,由于交易和投资银行业绩强于预期,第二季度利润和收入超过了分析师的预期。以下是该公司的报告:收益:每股1.82美元,而LSEG估计为每股1.65美元。收入:150.2亿美元,而估计为143亿美元。该行表示,受华尔街活动反弹的推动,利润同比增长41%,达到30.8亿美元,即每股1.82美元。收入增长12%,达到150.2亿美元。股票交易收入增长18%,达到30.2亿美元,比StreetAccount的估计高出约3.3亿美元。固定收益交易额增长16%,达到19.9亿美元,比预期高出1.3亿美元。首席执行官Ted Pick在新闻稿中表示:“在资本市场环境不断改善的情况下,该公司又一个季度表现强劲。”。“我们将继续执行我们的战略,并保持良好的地位,为股东带来增长和长期价值。”摩根士丹利可能会从其以华尔街为中心的商业模式中受益。该银行庞大的财富管理业务将受益于高市值,这会增加该银行收取的管理费。最重要的是,在经历了惨淡的2023年之后,投资银行业活动有所回升,这应该会为该银行提供顺风。上周,摩根大通(JPMorgan Chase)、富国银行(Wells Fargo)和花旗集团(Citigroup)的收入和利润均超过预期,高盛(Goldman Sachs)周一延续了这一趋势,这得益于华尔街活动的反弹。这个故事正在发展。请稍后查看更新。

你可能也喜歡

加州理工用AI攻克量子化学60年难题,1块显卡做完7800块的活

加州理工学院Anima Anandkumar团队利用人工智能攻克了量子化学领域存在60年的计算瓶颈。他们开发的AI模型“Kohn-Sham FNO”将密度泛函理论(DFT)的计算复杂度从传统的立方级降低至近线性级,实现了革命性突破。 传统DFT计算随体系增大,计算量呈立方增长,难以模拟大分子体系。该团队创新性地采用傅里叶神经算子,在DFT的迭代求解流程中替代了最耗时的核心计算步骤,而非直接预测最终结果。这种“思维链”式的分步迭代方法保证了计算的稳定性和外推能力,即使模型输出有误,后续迭代也能纠正,并能在超出能力范围时通过发散发出警报。 该模型仅用8504个结构进行训练,便能同时处理分子和固体材料,覆盖元素周期表前五行元素,展现出优异的泛化能力。在外推至训练集未见的大型药物分子时,其误差远低于直接预测模型。 实际验证中,该模型在单块NVIDIA B300 GPU上成功完成了包含8250个原子(82500个价电子)的金属缺陷模拟,计算完美收敛。相比之下,2019年一项对类似规模体系的全量DFT计算动用了约7800块GPU。实测计算缩放指数为1.03(近线性),而传统方法为3.37(立方级),意味着体系越大,效率优势越显著。 这项研究标志着AI开始替代物理计算中最耗时的重复运算部分。团队已基于此创立公司,并计划进一步完善模型以覆盖完整能量计算流程,未来在药物研发、电池材料设计等领域具有巨大应用潜力。

marsbit33 分鐘前

加州理工用AI攻克量子化学60年难题,1块显卡做完7800块的活

marsbit33 分鐘前

交易

現貨
活动图片