Back to customer stories

Customer Story

Meridian Equity Research

Energent.aiを使って、Meridian Equity Researchが生のSEC XBRLデータを検証済みの3表モデルに変換した方法

これまで最も時間がかかっていたのはモデリングではなく、ワークブックを開く前に、どの数値を信頼すべきかを見極めることでした。エージェントは、通常なら提出書類のスコープ設定を終える前に、検証済みの3表モデルを用意してくれました。
David Park, 投資アナリスト at Meridian Equity Research
Industry
投資リサーチ
Market
United States
Use case
SEC XBRL抽出および3表財務モデル
Meridian Equity Research

Meridian Equity Researchは、機関投資家向けに上場株式をカバーするブティック型の投資リサーチ会社です。同社のInvestment AnalystであるDavid Parkは、各案件におけるデューデリジェンス全体を担当しており、SECの10-K提出書類からのデータ収集、統合財務モデルの構築、そして投資委員会レビュー向けの文書化されたストーリーと視覚的サマリーの作成までを一手に担っています。時価総額の小さい銘柄や未カバー銘柄では、データは生のXBRLファクトから始まります。ベンダーデータベースも、あらかじめモデル化された財務情報もありません。

XBRLの検証だけで、モデル作業が始まる前の時間枠が消費されていた

新規提出企業の案件は、毎回同じ流れで始まりました。ParkはSEC EDGARからXBRL facts JSONをダウンロードし、何千ものタグ付き概念を手作業で整理していました。年次期間と四半期・時点データを切り分け、USD、USD-thousands、1株当たりで報告された数値を正規化し、US-GAAP taxonomyの外にある提出企業定義の拡張タグを分類していました。これらは提出企業ごとに再利用できるものではありませんでした。

ビルド前のフェーズだけで、実際の経過時間の大半が費やされていました。しかも、ワークブックに数式を入れる前の段階です。ドラフト作成後にタグ付けの誤りが見つかると、その影響は3つの成果物すべてに波及し、ワークブック、文書化されたストーリー、視覚的ダッシュボードのすべてを修正済み抽出結果から作り直す必要がありました。

Energent.aiが抽出エンジンとなり、ビルド前に方法論のチェックポイントを設けた

Parkは対象提出企業のXBRL facts JSONをアップロードし、5年分の統合3表モデル、レポート、視覚的ダッシュボードという成果物一式を指定しました。

エージェントは次の処理を行いました。

カスタムスクリプトは不要。提出企業ごとの個別設定も不要。抽出判断が変わっても、やり直しは発生しませんでした。

抽出方法論とリスクフラグ

方法論のチェックポイントにより、抽出リスクを初日に移行できた

ビルド前フェーズを圧縮し、3つの成果物を1回のセッションで作成

複数財務諸表チェック付き3表モデル

"For the first time, finding one problem didn't mean rebuilding three things — the workbook, the report, and the dashboard all came from the same verified extraction." — David Park, Investment Analyst at Meridian Equity Research

Back to customer storiesBook a Demo