contentSlug

type

ContentSlug_ContentQuery

slug

ContentPageContentQuery

content

trendingContent

query ContentSlug_ContentQuery(
  $contentSlug: String!
  $type: [ContentType!]
) {
  ...ContentPageContentQuery_13QmVO
}

fragment CompanyDetails_Content on Content {
  __isContent: __typename
  companies {
    name
    description
    pageUrl
    id
  }
}

fragment ContentBasicInfo on Content {
  __isContent: __typename
  id
  type
  title
  lang
  createdAt
  ... on Video {
    liveTime
  }
  ... on Webcast {
    liveTime
  }
  companies {
    viewerIsFollowing
    id
    name
    pageUrl
    forum {
      threadUrl
    }
    defaultInstrument {
      symbol
      id
    }
  }
  ...PublishingDetails
  ...Reactions
}

fragment ContentMetadata on Content {
  __isContent: __typename
  type
  title
  lang
  pageUrl
  alternatePageUrls: translations {
    __typename
    pageUrl
    lang
  }
  imgUrl
  description
  createdAt
  changedAt
  isPremium
  authors {
    __typename
    name
    pageUrl
    id
  }
  companies {
    name
    pageUrl
    id
  }
  tags {
    name
    id
  }
  ... on Video {
    liveTime
    videoUrl
    videoEmbedUrl(location: "inderes")
  }
  ... on Webcast {
    liveTime
    videoUrl
    videoEmbedUrl(location: "inderes")
  }
}

fragment ContentPageContentQuery_13QmVO on Query {
  content(slug: $contentSlug, type: $type) {
    __typename
    id
    type
    title
    isPremium
    lang
    htmlBody
    summary
    companies {
      forum {
        threadUrl
        latestPosts {
          ...ForumPosts
        }
      }
      name
      id
      viewerIsFollowing
      pageUrl
      defaultInstrument {
        isin
        id
        symbol
        marketOpen
        marketClose
        marketplace {
          region
        }
        returns {
          total
        }
      }
    }
    tags {
      viewerIsFollowing
      id
      name
      pageUrl
    }
    createdAt
    ... on Video {
      liveTime
    }
    ... on Webcast {
      liveTime
    }
    slug
    ... on CompanyReport {
      reportUrl
      researchContentUrl
      researchContent {
        title
        lang
        pdfUrl
        relatedContent {
          __typename
          ...PublishingDetails
          ...Reactions
          id
        }
        content {
          title
          lang
          htmlBody
          publishedAt
          createdAt
          changedAt
          isOutdated
          isPremium
        }
      }
    }
    ... on ThirdPartyCompanyReport {
      reportUrl
    }
    ... on StockExchangeRelease {
      reportUrl
    }
    ...ContentBasicInfo
    ...ContentMetadata
    ...PriceAndRecommendation_Content
    ...CompanyDetails_Content
    ...ReportLink_Content
    ...KeyFigures_Content
  }
  ...TrendingContent_1jQ2Cn
}

fragment ForumPosts on ForumPost {
  text
  likesCount
  url
  author
  postedAt
  authorImgUrl
}

fragment KeyFigures_Content on Content {
  __isContent: __typename
  companies {
    defaultInstrument {
      estimateData {
        modelType
        reportingCurrency
      }
      snapshot {
        transaction {
          date
          actualized {
            year
            quarter
            revenue
            revenueGrowth
            ebitAdjusted
            ebitReported
            ebitda
            enterpriseValue
            epsAdjusted
            dividend
            dividendYield
            sharePrice
            nav
            navPerShare
            opexOfNav
            quarterlySharePrice
          }
          estimates {
            year
            quarter
            revenue
            revenueGrowth
            ebitAdjusted
            ebitReported
            ebitda
            enterpriseValue
            epsAdjusted
            dividend
            dividendYield
            sharePrice
            nav
            navPerShare
            opexOfNav
            quarterlySharePrice
          }
        }
      }
      id
    }
    id
  }
}

fragment PriceAndRecommendation_Content on Content {
  __isContent: __typename
  createdAt
  companies {
    name
    pageUrl
    defaultInstrument {
      priceData {
        tradeCurrency
      }
      snapshot {
        priceData {
          date
          lastPrice
          tradeCurrency
        }
        transaction {
          date
          recommendation
          targetPrice
        }
        prevTransaction {
          recommendation
        }
      }
      id
    }
    id
  }
}

fragment PublishingDetails on Content {
  __isContent: __typename
  publishers {
    name
    imgUrl
  }
  authors {
    __typename
    id
    name
    slug
    imgUrl
    jobTitle
  }
}

fragment Reactions on Content {
  __isContent: __typename
  id
  reactionGroups {
    reactionType
    reactionsCount
    viewerReacted
  }
}

fragment ReportLink_Content on Content {
  __isContent: __typename
  type
  isPremium
  ... on CompanyReport {
    reportUrl
  }
  ... on ThirdPartyCompanyReport {
    reportUrl
  }
  ... on StockExchangeRelease {
    reportUrl
  }
}

fragment TrendingContent_1jQ2Cn on Query {
  trendingContent(type: ARTICLE) {
    __typename
    id
    title
    lang
    pageUrl
    createdAt
    type
    imgUrl
    companies {
      squareLogoUrl
      name
      id
    }
    authors {
      __typename
      imgUrl
      id
    }
    publishers {
      imgUrl
    }
  }
}


hav-completed-repurchase-program-for-hav-group-asa-3

__typename

title

isPremium

lang

htmlBody

summary

companies

createdAt

publishers

authors

reactionGroups

pageUrl

translations

imgUrl

description

changedAt

HAV Group operates in the energy and manufacturing industries. The company works with the development of energy solutions for the maritime industry. The product portfolio is broad and includes systems for hydrogen energy and ballast management. In addition to the main business, aftermarket service, support and maintenance are offered. Operations are held on a global level, with the largest presence in Scandinavia. The HAV Group was founded in 2021.

Jeg ved intet specifikt om lige netop dette selskab, og jeg solgte mine aktier for allerede 1,5 år siden på et niveau omkring $140. Derfor vover jeg pelsen og udfordrer: Hvis AI-computing virkelig vokser 10–100 gange over de næste 5-10 år, hvorfor skulle Nvidia så være den aktør, hvis markedsandel kollapser først?

I løbet af de sidste par uger og måneder er jeg for alvor begyndt at overveje at likvidere min (uforholdsmæssigt store) Nvidia-position og sprede den bredere ud over tech, AI og potentielt endda aktører i applikationslaget fra den første bølge – især inden for cyber og lignende felter. Det bliver et langt indlæg, som jeg primært skriver for min egen skyld for at strukturere min tankegang. Jeg ved godt, at Nvidia rent talmæssigt ser usædvanligt billig ud lige nu – billigere end stort set nogensinde før i sin historie – men min tro på, at Nvidia skulle være den absolut overlegne vinder af AI-værdikæden, er så småt ved at svinde ind. Mætning af rå beregningskraft  Nvidias enorme vækst har været baseret på opskalering af monolitiske modeller i et zero-shot-paradigme (Deepmind, 2022). Dette er nu ved at bryde sammen fra mindst tre forskellige retninger: 1) Fysiske begrænsninger (strøm, byggeri osv.), 2) begrænsninger i datatilgængelighed (Epoc AI, Shumailov et al. osv. – forskningsrapporter der allerede er 1,5-2 år gamle), 3) økonomiske begrænsninger (sværme af små modeller ser ud til at levere lige så gode resultater som monolitter med gigantiske parametre). Pre-training vil helt sikkert fortsætte med at udvikle sig, men for mig begynder det at se ud som om, at det ikke kan fortsætte ret længe endnu på en måde, hvor et voksende antal konkurrerende virksomheder træner konkurrerende basemodeller – økonomien kan ganske enkelt ikke holde til det. Det ser også ud til, at diverse AGI-eksperimenter er ved at tabe pusten, og nu tilstræber man at få mere ud af det eksisterende ved at bygge “harnesses”, klogere RAG (Retrieval-Augmented Generation), styring af hukommelse/kontekst og optimering udenom – mere om det senere. Oven i købet bliver de bedste modeller lige nu allerede trænet på konkurrerende chips (Googles 8-serie TPU’er og Antropics Amazons Trainium). Skift i fokus mod inferens og agentisk orkestrering  Her er der sket et endeligt gennembrud inden for de sidste 6 måneder. Nvidia har ikke samme konkurrencemæssige fordel her som ved rå parallelberegning. De er stadig i gang med at opbygge deres CPU-udbud, og diverse tricks inden for inferens og test-time-optimering foregår meget længere væk fra hardwaren end selve træningen. Dette ses tydeligt i benchmarks. Hvor zero-shot-inferens med monolitter er mættet senest med o1 / R1-reasoning-modeller, er ARC-AGI og lignende begyndt at stige, efterhånden som man har fået mere ud af inferensen (hvilket også delvist indikerer mætningen af rå beregningskraft i monolitmodeller). Ægte, abstrakt generalisering ser ud til endelig at ske, når man kører agent-sværme med passende topologier, som har adgang til de rigtige værktøjer. Forskningen ser også ud til i meget høj grad at fokusere på at få mere ud af eksisterende modeller ved at innovere omkring dem, snarere end at forsøge at opfinde noget helt nyt i selve modellen (hvilket ville kræve fleksibel hardware a la Nvidia). Nye RAG-arkitekturer, SML-sværme / multi-agent-systemer er nu det, der trender, og det inspirerer også brugen af nye og brugervenlige orkestreringsværktøjer (Copilot Studio, Codex, Claude code, LangGraph osv.) uden for selve AI-scenen – selv her i Finland, baseret på mine egne observationer. Konkurrenternes vertikale strategi  Det mener jeg at have skrevet om før. Udfordringen for Nvidia kommer nødvendigvis ikke engang fra AMD, Cerebras eller Huawei. Den kommer fra, at både hyperscalers som OpenAI og Antropic har åbnet eller er i gang med at åbne op for deres egen vertikale stack, hvor alt fra hardware til applikation er egenudviklet. Det er fornuftigt, hvis man kan få det til at lykkes: Det reducerer strategiske risici i forhold til én monopolleverandør (Nvidia) og muliggør samtidig opbygningen af dybe konkurrencefordele. At bygge chips er ikke nemt, og branchens vittighed er vist, at tidligst tredje eller fjerde generation er brugbar. Google har allerede en vertikal stack, MSFT rygtes snart at få tredje generation af MAIA, AWS / Antropic danner sammen en stack osv. Et slags vendepunkt kan derfor muligvis skimtes ret snart. Synkron træning vs. asynkrone agenter (og CUDA-voldgravens sammenbrud)  Pre-training af en monolitisk model er i sin natur en tæt koblet og synkron proces. Dette fysiske krav har været det primære beskyttelseslag for Nvidias software-voldgrav, CUDA, samt deres rack-/DC-scale-strategi (Mellanox / Infiniband). Agentisk orkestrering er derimod i høj grad en asynkron proces. Når et agent-sværm løser et problem, er opgaverne uafhængige af hinanden. Og da opgaverne er opdelt i små, asynkrone dele og ofte køres på mindre modeller (SLM), kan de være i hukommelsen på én eller to chips. Denne asynkronitet ødelægger voldgraven fra to retninger:  Behovet for kommunikation forsvinder: Når modellen ikke behøver at blive delt over tusindvis af chips, forsvinder behovet for Nvidias overlegne NCCL-biblioteker og NVLink-switches. Sådan er det i hvert fald i det nuværende paradigme – det kan selvfølgelig være, at avanceret agent-kommunikation engang realiseres på hardwareniveau frem for med .md-, .json- og lignende dokumenter samt MCP- / API-kald. Når man er sluppet af med den tunge synkronisering, kan selve inferensen køres på hardwareuafhængig software. Åbne standarder som OpenAI’s Triton-compiler gør det muligt at kompilere en AI-model direkte til f.eks. AMD’s, Googles eller AWS’ chips uden en eneste linje CUDA-kode.  De første advarsler om udfladning af CAPEX-cyklussen  Colossus’ og Metas overkapacitet er et lille “red flag” for mig. Jeg har tidligere sagt, at Capex-investeringer (sammen med TSMC’s efterspørgselsudsigter) er det vigtigste signal for mig til at begynde at overveje eksponeringen mod “AI-hakker og -skovle”. Det er endnu ikke en “deal breaker”, primært fordi salgsprisen for (Colossus’) overkapacitet var meget høj, hvilket indikerer, at den samlede efterspørgsel på beregningskraft stadig er der – den er bare ikke længere fordelt så jævnt som tidligere.  Jeg mener altså ikke, at AI som sådan er en boble. Tværtimod tænker jeg i tråd med Jevons’ paradoks, at efterspørgslen vil fortsætte med at vokse, efterhånden som priserne falder. Men dette flytter uundgåeligt værdikædens tyngdepunkt mod dens snævreste steder – og efter min vurdering er disse ikke nødvendigvis længere hos Nvidia på samme måde, som de har været de sidste 2-3 år. Jeg håber, at nogen vil udfordre ovenstående tanker

Her er Mag7-værdiansættelsesniveauerne i lyset af de seneste konsensusestimater. Nvidia er den billigste målt på både P/E- og PEG-forhold

Undervurdering er et begreb, som man kan skrive bøger om og diskutere i det uendelige. Jeg vil selv gribe det an på denne måde og gå lidt udenom det besværlige begreb “undervurdering”. Jeg tænker, at markedets fokus, som vi bevæger os hen imod via rotation, ligger et andet sted lige nu. Billedet nedenfor viser Nvidias volumen som de nederste mørke søjler. Handelsvolumen for Nvidia-aktien er aftaget.  Børsen er en auktion, og prisen dannes gennem udbud og efterspørgsel. Oftest fører en stigning eller et fald i volumen til en tilsvarende bevægelse i kursen. Når der er interesse for en aktie, handles der, og når rotationen flytter markedets fokus et andet sted hen, falder volumen og dermed kursen. I Nvidias tilfælde er vi næsten på ATH (All-Time High), dvs. rotationen har ikke presset kursen særlig meget ned. Stærke fundamentale forhold holder hånden under kursen. Nvidia er et godt eksempel på, at aktiekursen på et par års sigt er mest påvirket af netop disse børsrotationer (“modefænomener”). Nvidias handelsvolumen er flyttet til f.eks. underleverandører, såsom hukommelsesproducenter. Og på den måde er Nvidia blevet undervurderet i forhold til værdiansættelsesnøgletal. Det er interessant at overveje, om undervurderingen vil udløse en stigende efterspørgsel, altså stigende handelsvolumen. Jeg tror personligt, at undervurderingen vil blive indhentet inden for et par år.

Ifølge tweetet er Nvidia undervurderet. Tweeteren mener, at AI vil øge efterspørgslen på chips i mindst et årti endnu, hvilket mindsker betydningen af branchens konjunktursvingninger.  It’s trading at just 16x 2027 earnings despite almost 32% annual growth expectation by 2028. Cheapest of the major designers.  https://x.com/oguzerkan/status/2075318004124930058

Nvidias lancering af næste generations Kyber-serversystem bliver ifølge et analysefirma udskudt til 2028 på grund af produktionsproblemer. Forsinkelsen vækker bekymring for selskabets vigtige konkurrencefordel, nemlig den hurtige produktlanceringstakt, og kan give konkurrenter som AMD og Google en sjælden mulighed for at konkurrere inden for AI-beregningsløsninger i topklassen. De nuværende Rubin-systemer går dog planmæssigt i produktion.  Key Points  The Kyber NVL144 has been pushed to 2028 due to difficulties in manufacturing a key circuit board: SemiAnalysis. The reported delay adds to concerns that Nvidia’s breakneck annual release cadence contested manufacturing limits. That delay could give rivals, such as AMD and Google, a rare technical opening at the high end of the market.   https://www.cnbc.com/2026/07/06/nvidia-kyber-rack-system-delays-manufacturing-taiwan-rubin-chips-.html

Og det ser endnu billigere ud, når man sammenligner med konsensusestimaterne for 2027

HAV Group

Reference is made to the stock exchange announcement from HAV Group ASA ("HAV" or the "Company") of 1 July 2026 regarding the repurchase of up to 35,856 own shares for use in the Company's share...

<pre>Reference is made to the stock exchange announcement from HAV Group ASA ("HAV" or the "Company") of 1 July 2026 regarding the repurchase of up to 35,856 own shares for use in the Company's share purchase program for employees. The repurchase program is now completed. Attached is an overview of the repurchases made in accordance with the "safe harbor" rules, which include a limitation of 25% of the average daily volume traded in the last 20 trading days. At present date, HAV owns 35.856 treasury shares in the Company. For further information, please contact: Gunnar Larsen, CEO Tel: +47 90 10 56 94 Email: gunnar.larsen@havgroup.no This information is published in accordance with the Market Abuse Regulation (EU) 596/2014 Article 5, as supplemented by delegated Commission Regulation (EU) 2016/1052, and is subject to disclosure requirements in accordance with the Securities Trading Act § 5-12. urities Trading Act § 5-12.\ </pre>

HAV: Completed repurchase program for HAV Group ASA

HAV: Completed repurchase program for HAV Group ASA