Back to customer stories

Customer Story

Meridian Equity Research

Comment Meridian Equity Research a transformé des données SEC XBRL brutes en un modèle 3 états vérifié avec Energent.ai

La partie qui prenait le plus de temps n’était pas la modélisation — c’était de déterminer quels chiffres méritaient d’être retenus avant même d’ouvrir un classeur. L’agent avait préparé un modèle 3 états vérifié avant même que j’aie normalement terminé le cadrage du dépôt.
David Park, Analyste en investissement at Meridian Equity Research
Industry
Recherche en investissement
Market
United States
Use case
Extraction SEC XBRL et modèle financier à 3 états
Meridian Equity Research

Meridian Equity Research est un cabinet de recherche en investissement spécialisé, qui couvre des actions cotées pour des clients institutionnels. David Park, Analyste en investissement au sein du cabinet, prend en charge l’ensemble de la chaîne de diligence sur chaque mission — de la collecte des données à partir des dépôts SEC 10-K à la construction de modèles financiers intégrés, en passant par la production du récit écrit et du résumé visuel destinés à l’examen du comité d’investissement. Sur les small caps et les valeurs non couvertes, les données commencent par des faits XBRL bruts : aucune base de données fournisseur, aucun pré-modèle financier.

La validation XBRL absorbait la fenêtre de temps avant même le début du travail de modélisation

Chaque mission sur un nouvel émetteur suivait le même schéma. Park téléchargeait le JSON des faits XBRL depuis SEC EDGAR et passait manuellement en revue des milliers de concepts balisés : distinguer les périodes annuelles des données trimestrielles et des faits ponctuels ; normaliser les montants déclarés en USD, USD-thousands et par action ; classer les balises d’extension définies par l’émetteur, en dehors de la taxonomie US-GAAP. Rien de tout cela n’était réutilisable d’un émetteur à l’autre.

La phase de pré-construction absorbait la majeure partie du temps écoulé sur chaque nouvelle mission — avant même qu’une formule ne touche le classeur. Une erreur de balisage découverte après la rédaction se répercutait sur les trois livrables : le classeur, le récit écrit et le tableau de bord visuel devaient tous être reconstruits à partir de l’extraction corrigée.

Energent.ai est devenu le moteur d’extraction, avec un point de contrôle méthodologique avant la construction

Park a téléversé le JSON des faits XBRL de l’émetteur cible et a précisé l’ensemble complet des livrables : modèle intégré 3 états sur cinq ans, rapport écrit et tableau de bord visuel.

L’agent :

Aucun script personnalisé. Aucune configuration par émetteur. Aucun retraitement lorsqu’une décision d’extraction changeait.

Extraction methodology with risk flags

Un point de contrôle méthodologique a déplacé le risque d’extraction au premier jour

La phase de pré-construction a été comprimée ; trois livrables ont été produits en une seule session

3-statement model with cross-statement checks

"Pour la première fois, trouver un problème ne signifiait pas reconstruire trois éléments — le classeur, le rapport et le tableau de bord provenaient tous de la même extraction vérifiée." — David Park, Analyste en investissement chez Meridian Equity Research

Back to customer storiesBook a Demo