Back to customer stories

Customer Story

Meridian Equity Research

Cómo Meridian Equity Research convirtió datos XBRL brutos de la SEC en un modelo verificado de 3 estados con Energent.ai

La parte que más tiempo llevaba no era el modelado, sino averiguar qué datos eran fiables antes incluso de abrir un libro de trabajo. El agente tenía listo un modelo verificado de tres estados antes de que yo normalmente hubiera terminado de definir el alcance del informe.
David Park, Analista de Inversiones at Meridian Equity Research
Industry
Investigación de Inversiones
Market
United States
Use case
Extracción de SEC XBRL y modelo financiero de 3 estados
Meridian Equity Research

Meridian Equity Research es una firma boutique de investigación de inversiones que cubre acciones cotizadas para clientes institucionales. David Park, Analista de Inversiones en la firma, se encarga de todo el proceso de diligencia en cada proyecto: obtiene datos de los informes 10-K de la SEC, construye modelos financieros integrados y elabora el relato escrito y el resumen visual para la revisión del comité de inversiones. En empresas de menor capitalización y valores no cubiertos, los datos comienzan con hechos XBRL brutos: sin base de datos de un proveedor, sin estados financieros premodelados.

La validación de XBRL consumía el tiempo antes de que comenzara cualquier trabajo de modelado

Cada proyecto con un nuevo emisor comenzaba de la misma manera. Park descargaba el JSON de hechos XBRL de SEC EDGAR y revisaba manualmente miles de conceptos etiquetados: diferenciando períodos anuales de hechos trimestrales y de fecha puntual; normalizando cifras reportadas en USD, USD-thousands y por acción; clasificando etiquetas de extensión definidas por el emisor que quedan fuera de la taxonomía US-GAAP. Nada de esto era reutilizable entre emisores.

La fase previa a la construcción consumía la mayor parte del tiempo transcurrido en cada nuevo proyecto, antes de que una sola fórmula tocara el libro de trabajo. Un error de etiquetado detectado después de redactar se propagaba a los tres entregables: había que reconstruir el libro de trabajo, el relato escrito y el panel visual a partir de la extracción corregida.

Energent.ai se convirtió en el motor de extracción, con un punto de control metodológico antes de la construcción

Park cargó el JSON de hechos XBRL del emisor objetivo y especificó el conjunto completo de entregables: modelo integrado de 3 estados a cinco años, informe escrito y panel visual.

El agente:

Sin scripts personalizados. Sin configuración por emisor. Sin retrabajo cuando cambiaba una decisión de extracción.

Metodología de extracción con señales de riesgo

Un punto de control metodológico trasladó el riesgo de extracción al primer día

La fase previa a la construcción se comprimió; tres entregables se produjeron en una sola sesión

Modelo de 3 estados con comprobaciones entre estados

"Por primera vez, encontrar un problema no significaba reconstruir tres cosas: el libro de trabajo, el informe y el panel salían todos de la misma extracción verificada." — David Park, Analista de Inversiones en Meridian Equity Research

Back to customer storiesBook a Demo