微信扫一扫,关注公众号

  • 科技行者

  • 算力行者

见证连接与计算的「力量」

首页 苹果发行80亿美元债券 筹集资金用于回购股票和派息

苹果发行80亿美元债券 筹集资金用于回购股票和派息

2015-05-07 10:22
分享至:
----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.-
2015-05-07 10:22 凤凰网

北京时间5月7日消息,据《华尔街日报》网络版报道称,苹果当地时间周三发行了80亿美元债券,高于部分投资者预期的约65亿美元。苹果称,将利用发行债券募集的资金回购股票和向股东派息。

苹果周三发行的30年期债券利率为4.397%,比同期美国国债利率高1.4%个百分点。苹果2月份发行的30年期债券利率为3.498%,比美国国债利率高1.25个百分点。

另据彭博社报道,苹果此次发行债券,募集资金回馈股东,同时保留海外现金。这将是苹果自2013年以来第四次发行债券。

一名不具名知情人士透露,苹果今天将发行多达7个部分的债券,期限最长为30年。

Newfleet资产管理公司高管马纳斯·扎科(Manases Zarco)称,“尽管利率可能上调,但苹果债券还是有需求的。没有人会担心苹果发行债券,它拥有巨额现金,只是不愿意把这些现金转回国内,因为这需要交纳巨额税金。”

苹果4月27日宣布,将把截至2017年3月的资金回馈计划规模增加700亿美元(约合人民币4281亿元),为此将通过在美国和海外市场发行债券募集所需要的资金。彭博社旗下市场研究机构彭博情报(Bloomberg Intelligence)分析师阿南德·斯林尼瓦山(Anand Srinivasan)和诺尔·赫伯特(Noel Hebert)5月1日发表投资报告称,苹果可能需要发行240亿美元(约合人民币1468亿元)债券,为资金回馈计划规模的增加募集资金。根据苹果的计划,截至2017年,它将向股东回馈2000亿美元(约合人民币12231亿元)资金。

上述知情人士称,苹果可能以比同期美国国债高1.1%的利率发行10年期债券。苹果还计划发行固定和浮动利率的2年和5年期债券,以及固定利率的7年期债券。

美国银行、高盛和摩根大通是苹果这次发行债券的承销商。

自2013年以来,苹果累计发行了403.5亿美元(约合人民币2468亿元)债券,其中2013年发行的170亿美元(约合人民币1040亿元)债券当时创下美国公司债新记录。


分享至
0赞

好文章,需要你的鼓励

推荐文章
  • 南方科技大学等机构联手破解AI推理训练难题:让大模型"一次思考"就学会解题

    南方科技大学等机构联手破解AI推理训练难题:让大模型"一次思考"就学会解题

    本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。

  • 香港科技大学数学系研究者:扩散模型原来是一个"魔法恒等式"拆成了两半

    香港科技大学数学系研究者:扩散模型原来是一个"魔法恒等式"拆成了两半

    这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。

  • 中国人民大学研究团队打造的"AI科学家":让机器自主完成几十小时的科研工程,它是怎么做到的?

    中国人民大学研究团队打造的"AI科学家":让机器自主完成几十小时的科研工程,它是怎么做到的?

    中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。

  • 字节跳动发布GRN:像人类画家一样"边画边改"的AI图像生成新范式

    字节跳动发布GRN:像人类画家一样"边画边改"的AI图像生成新范式

    这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。

----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.-