Back to customer stories

Customer Story

Meridian Equity Research

Como a Meridian Equity Research transformou dados brutos de SEC XBRL em um modelo verificado de 3 demonstrações com Energent.ai

A parte que costumava levar mais tempo não era a modelagem — era descobrir quais fatos confiar antes mesmo de abrir uma planilha. O agente tinha um modelo verificado de três demonstrações pronto antes de eu normalmente ter terminado de definir o escopo do filing.
David Park, Analista de Investimentos at Meridian Equity Research
Industry
Pesquisa de Investimentos
Market
United States
Use case
Extração de SEC XBRL e modelo financeiro de 3 demonstrações
Meridian Equity Research

A Meridian Equity Research é uma boutique de pesquisa de investimentos que cobre ações de empresas listadas para clientes institucionais. David Park, Analista de Investimentos da empresa, é responsável por toda a cadeia de diligência em cada projeto — obtendo dados de arquivos SEC 10-K, construindo modelos financeiros integrados e produzindo a narrativa escrita e o resumo visual para revisão do comitê de investimentos. Em empresas de menor capitalização e nomes não cobertos, os dados começam com fatos brutos em XBRL: sem base de dados de fornecedor, sem demonstrações financeiras pré-modeladas.

A validação de XBRL consumia a janela antes de qualquer trabalho de modelagem começar

Cada projeto com um novo arquivante começava da mesma forma. Park baixava o JSON de fatos XBRL do SEC EDGAR e trabalhava manualmente milhares de conceitos marcados: distinguindo períodos anuais de fatos trimestrais e pontuais; normalizando valores reportados em USD, USD-thousands e por ação; classificando tags de extensão definidas pelo arquivante que ficam fora da taxonomia US-GAAP. Nada disso era reutilizável entre arquivantes.

A fase de pré-construção consumia a maior parte do tempo decorrido em cada novo projeto — antes de qualquer fórmula tocar a planilha. Um erro de marcação descoberto após a elaboração se propagava por todos os três entregáveis: a planilha, a narrativa escrita e o dashboard visual precisavam ser reconstruídos a partir da extração corrigida.

Energent.ai se tornou o mecanismo de extração, com um checkpoint metodológico antes da construção

Park enviou o JSON de fatos XBRL do arquivante-alvo e especificou o conjunto completo de entregáveis: modelo integrado de 3 demonstrações para cinco anos, relatório escrito e dashboard visual.

O agente:

Sem scripts personalizados. Sem configuração por arquivante. Sem retrabalho quando uma decisão de extração mudava.

Metodologia de extração com sinalizações de risco

Um checkpoint metodológico transferiu o risco da extração para o primeiro dia

A fase de pré-construção foi comprimida; três entregáveis foram produzidos em uma sessão

Modelo de 3 demonstrações com verificações entre demonstrações

"Pela primeira vez, encontrar um problema não significava reconstruir três चीजas — a planilha, o relatório e o dashboard vinham todos da mesma extração verificada." — David Park, Analista de Investimentos na Meridian Equity Research

Back to customer storiesBook a Demo