Топ-10 агентів для аналізу акцій та фінансового аналізу

Топ-10 агентів для аналізу акцій та фінансового аналізу

ШІ для аналізу акцій виходить за рамки простого узагальнення документів. Найкорисніші системи тепер поєднують регуляторні документи, стенограми дзвінків щодо прибутків, презентації для інвесторів, ключові показники ефективності компанії, консенсус-прогнози, внутрішні дослідження та фінансові моделі в повторюваний робочий процес.

Важлива відмінність полягає між інструментом ШІ, що створює правдоподібний абзац, та агентом для аудитованих досліджень, який може:

• Отримувати правильні документи, період, сегмент, одиницю та визначення обліку.
• Пов'язувати кожне фактичне твердження з доказами.
• Заповнювати або оновлювати фінансову модель.
• Порівнювати фактичні результати з консенсус-прогнозами, доступними на той час.
• Виявляти суперечності, перегляди та незвичайні зміни.
• Зберігати історію припущень, запитів, версій моделей та погоджень аналітиків.
• Запобігати витоку суттєвої непублічної інформації в невідповідні результати.

У цій статті представлено рейтинг 10 найкращих платформ за придатністю для аналізу акцій на відкритому ринку та фінансового аналізу, а не за часткою ринку чи заявленою постачальниками точністю штучного інтелекту. Наразі не існує незалежного, порівняльного еталонного тесту, що охоплює всі десять продуктів за точністю отримання даних, часом створення нотаток, відхиленням від консенсусу та виявленням помилок у звітності.

Топ-10 з першого погляду

Як оцінювалися ці платформи

Актуальне питання полягає не просто в тому, «Яка система має найкращий чат-бот?» Серйозний агент для аналізу акцій має оцінюватися за шістьма рівнями.

1. Покриття даних та конектори постачальників

Чи підключається платформа до:

• Документів Комісії з цінних паперів та бірж (Securities and Exchange Commission).
• Міжнародних документів.
• Стенограм та аудіозаписів дзвінків щодо прибутків.
• Презентацій для інвесторів.
• Стандартизованої фінансової звітності.
• Ключових показників ефективності (KPI) компанії.
• Консенсус-прогнозів.
• Досліджень sell-side.
• Стенограм експертних мереж.
• Альтернативних даних.
• Внутрішніх дослідницьких нотаток, електронної пошти, систем управління взаємовідносинами з клієнтами (CRM) та файлових сховищ.

2. Точність отримання даних

Чи може система правильно ідентифікувати:

• Звітний період.
• Дату подання та номер доступу.
• Правильну компанію та цінний папір.
• Одиниці та валюту.
• Заявлені проти скоригованих показників.
• Консолідовані проти сегментних даних.
• Розкриття в примітках.
• Переглянуті проти початково заявлених чисел.
• Точне речення, таблицю, сторінку або рядок, що підтверджує твердження.

3. Генерація фінансових моделей

Чи може агент побудувати або оновити:

• Звіти про прибутки та збитки.
• Балансові звіти.
• Звіти про рух грошових коштів.
• Моделі доходів.
• Сегментні моделі.
• Графіки операційних витрат.
• Графіки ключових показників ефективності (KPI).
• Аналіз порівнянних компаній.
• Моделі дисконтованих грошових потоків (DCF).
• Сценарії "биків", "бази" та "ведмедів".
• Таблиці чутливості.

4. Створення нотаток

Чи може він створити корисні:

• Експрес-звіти про прибутки.
• Попередні огляди прибутків.
• Огляди після звітів про прибутки.
• Початкові звіти.
• Інформаційні листи компаній.
• Інвестиційні тези.
• Короткі звіти про зустрічі з керівництвом.
• Резюме змін у моделі.
• Внутрішні меморандуми інвестиційного комітету.

5. Аудитовність

Чи може рецензент перейти від кожного важливого твердження до:

• Оригінального документа.
• Відповідної сторінки або рядка.
• Мітки часу джерела.
• Версії даних.
• Розрахунку або формули.
• Попереднього припущення.
• Аналітика або агента, який вніс зміни?

6. Управління та відповідність вимогам

Чи підтримує платформа:

• Дозволи на основі ролей.
• Права доступу на рівні джерела.
• Мітки публічної та приватної інформації.
• Контроль над матеріальною непублічною інформацією.
• Зберігання запитів та результатів.
• Незмінну або відновлювану історію версій.
• Людське погодження.
• Видалення даних.
• Зобов'язання не використовувати дані для навчання.
• Прозорість провайдера моделі.
• Експорт для аудиту.

1. AlphaSense Generative Search and Workflow Agents

Найкращий у цілому для широкого аналізу акцій та якісної розвідки.

AlphaSense має одну з найширших баз дослідницького контенту в цій групі. Її платформа поєднує звіти, стенограми дзвінків щодо прибутків, дослідження sell-side, експертні інтерв'ю, внутрішні дослідження, фінансові дані, ключові показники ефективності компанії та інформацію про транзакції. Її документація зазначає, що Generative Search може поєднувати структуровані фінансові дані з якісним контентом, включаючи понад 20 років історичних фінансових даних та консенсусних даних понад 22 000 публічних компаній. Інтеграція Canalyst додає специфічні для компанії операційні метрики по тисячах компаній. (help.alpha-sense.com)

Режим Deep Research платформи створює дослідницький план, проводить ітеративні пошуки та видає аналіз з посиланнями. Її агенти робочих процесів можуть підтримувати підготовку до звітів про прибутки, прискорення роботи з компаніями, конкурентний бенчмаркінг та належну перевірку. Користувачі також можуть переглядати дослідницький план та базові посилання, а не отримувати лише остаточну відповідь. (help.alpha-sense.com)

Сильні сторони

• Найширше поєднання якісного та кількісного дослідницького контенту.
• Широке покриття дзвінків щодо прибутків, експертних мереж та досліджень sell-side.
• Корисно для профілів компаній, підготовки до звітів про прибутки та конкурентного бенчмаркінгу.
• Відповіді, пов'язані з доказами, та фінансові таблиці, пов'язані з джерелами.
• Зростаючі можливості рівня агентів робочих процесів.

Обмеження

AlphaSense є найсильнішою як платформа для досліджень та розвідки, а не обов'язково як повністю детермінований компілятор фінансових моделей. Вона може допомогти перевірити припущення та створити дослідницькі результати, але покупці повинні перевірити, чи система оновлює їхню існуючу модель Excel з такою ж точністю, як і спеціалізована платформа фінансових даних.

Найкраще підходить для: керуючих активами, хедж-фондів, інвестиційних банків та дослідницьких команд, яким потрібно поєднувати звіти, дзвінки, експертні дослідження, брокерські дослідження та внутрішні знання.

2. Rogo та Felix

Найкраще підходить для комплексних фінансових робочих продуктів.

Rogo позиціонує Felix як фінансового агента, який може генерувати моделі Excel, презентації PowerPoint, документи Word, інформаційні панелі та дослідження з посиланням на джерела з одного запиту. Їхня публічна бібліотека агентів включає робочі процеси аналізу акцій, такі як квартальні моделі прибутків, сценарії "биків" та "ведмедів", аналіз після звітів про прибутки, скринінг каталізаторів подій та ініціаційні звіти. (rogo.ai)

Rogo також пропонує користувацьких агентів, які кодують шаблони, форматування, робочі процеси, бенчмарки та інвестиційну методологію фірми. Їхній список конекторів включає внутрішні системи співпраці та даних, Daloopa, Moody’s, PitchBook, Microsoft Teams, Dropbox, Slack, Affinity та користувацькі сервери Model Context Protocol. Їхній плагін Excel розроблений для створення, оновлення, аналізу та стрес-тестування моделей всередині робочої книги. (rogo.ai)

Сильні сторони

• Найсильніша загальна орієнтація на готові результати.
• Може створювати моделі, нотатки, презентації та інформаційні панелі.
• Користувацькі агенти можуть кодувати внутрішній стиль та інвестиційні процеси.
• Добре підходить для регулярних робочих процесів моніторингу прибутків та портфеля.
• Широка стратегія внутрішніх та зовнішніх конекторів.

Обмеження

Розгортання Rogo часто індивідуалізовані, тому результати можуть суттєво відрізнятися залежно від конфігурації фірми, прав доступу до даних та дизайну агента. Rogo опублікував свій Big Finance Bench — бенчмарк із 928 питань, що охоплює оцінку, ключові показники ефективності, звіти, аналіз прибутків та прогнозування. Однак цей бенчмарк вимірює передові моделі в розробленому Rogo агентському середовищі; це не є незалежним порівнянням точності на рівні продукту з іншими платформами в цій статті. (rogo.ai)

Найкраще підходить для: фірм, яким потрібен ШІ-аналітик, здатний створювати чорновий варіант моделі, нотатки чи презентації для перегляду, а не просто відповідати на запитання.

3. Bloomberg ASKB

Найкраще підходить для інституційних досліджень, що залежать від підключених ринкових даних, оцінок та аналітики.

Bloomberg ASKB — це розмовний шар штучного інтелекту в терміналі Bloomberg. Він координує роботу кількох агентів з даними Bloomberg, новинами, дослідженнями, звітами, стенограмами, документами та аналітикою. Bloomberg заявляє, що ASKB може підтримувати підготовку до звітів про прибутки, аналіз після звітів, аналіз коментарів компаній та структуровані дослідницькі робочі процеси. (professional.bloomberg.com)

Основною перевагою є його зв'язок з існуючим аналітичним середовищем Bloomberg. Відповіді можуть включати прозору атрибуцію до оригінальних документів, а там, де задіяний аналіз даних, — базовий код Bloomberg Query Language. Аналітики можуть розширювати результати в Microsoft Excel, BQuant Desktop або BQuant Enterprise. Bloomberg також описує інструменти для порівняння результатів компаній з оцінками та аналізу ключових показників ефективності відносно консенсусу. (professional.bloomberg.com)

Сильні сторони

• Глибока інтеграція зі структурованими та неструктурованими даними Bloomberg.
• Потужний робочий процес "консенсус проти фактичних показників".
• BQL робить кількісні відповіді більш відтворюваними.
• Широке глобальне покриття компаній, ринків, досліджень та новин.
• Найкраще підходить для користувачів, які вже працюють у Bloomberg Terminal.

Обмеження

ASKB наразі є доповненням до екосистеми Bloomberg, а не повністю незалежним середовищем для побудови моделей. Користувачам все ще можуть знадобитися Excel, BQuant або існуючі робочі процеси Bloomberg для складних прогнозних моделей. Bloomberg також публічно не розкриває нейтральний щодо постачальників показник точності отримання даних або виявлення помилок у звітах.

Найкраще підходить для: інституційних користувачів, які вже мають права доступу до Bloomberg і хочуть прискорити дослідження, не виходячи з Терміналу.

4. LSEG Workspace AI Search

Найкраще підходить для глобальних даних, контенту Reuters та робочих процесів оцінок аналітиків.

LSEG Workspace AI Search поєднує ринкові дані, звіти, Reuters News, дані про угоди, післяринкові дослідження, фінансову аналітику та бізнес-логіку в розмовному інтерфейсі. Користувачі можуть отримувати дані, скринінгувати ринки, порівнювати об'єкти, узагальнювати документи та аналізувати тенденції з прозорими посиланнями на базові джерела. (lseg.com)

LSEG також розширює доступ через Microsoft Excel, PowerPoint, Microsoft Teams, Microsoft Copilot та конектори Model Context Protocol. Їхня система Institutional Brokers’ Estimate System (IBES) охоплює понад 23 000 компаній та сотні фінансових показників, включаючи консенсусні та порівнянні фактичні дані, що використовуються для вимірювання перевиконань та невиконань. (lseg.com)

Сильні сторони

• Широке глобальне покриття компаній та ринків.
• Reuters, звіти, угоди, післяринкові дослідження та оцінки в одному середовищі.
• Корисно для аналізу відхилень від консенсусу та міжнародних досліджень акцій.
• Прозорі посилання та інтерактивні таблиці та візуалізації.
• Зростаюча доступність через інструменти продуктивності Microsoft.

Обмеження

Продукт AI Search відносно новий, і доступність, глибина робочих процесів та права доступу клієнтів можуть відрізнятися. Складне створення моделей все ще може вимагати Excel, надбудови Workspace або сторонніх інструментів моделювання, таких як Macabacus.

Найкраще підходить для: глобальних інвестиційних банків, керуючих активами та дослідницьких команд, які покладаються на Institutional Brokers’ Estimate System, Reuters та аналіз на основі Excel.

5. Kepler Finance

Найкраще підходить для фінансового аналізу, що базується на доказах та є детермінованим.

Основна архітектурна особливість Kepler полягає в тому, що мовна модель інтерпретує запитання аналітика, тоді як детермінований код отримує дані, виконує розрахунки та генерує посилання. Kepler заявляє, що система штучного інтелекту не створює фінансові показники сама; кожна цифра посилається на вихідний документ, сторінку та позицію рядка, а розрахунки є відтворюваними. (kepler.ai)

Платформа розроблена для позначення змін, коли компанія переглядає або подає нові цифри. Вона також підтримує аналіз звітів, доходи за сегментами, структури боргу, податкові розкриття, оцінку, експорт у Excel, експорт у PowerPoint та прослідковуваність даних, орієнтовану на відповідність вимогам. Її опублікована база даних включає звіти Комісії з цінних паперів та бірж, стенограми дзвінків про прибутки, документи для інвесторів та ринкові дані. (kepler.ai)

Сильні сторони

• Найсильніше публічно описане розділення між інтерпретацією мови та числовими обчисленнями.
• Відмінна прослідковуваність джерел та розрахунків.
• Добре підходить для узгодження звітів, переглядів та оновлень моделей.
• Розроблено для готових до аудиту виводів у Excel та PowerPoint.
• Потенційно сильний для виявлення помилок у фінансових звітах та примітках.

Обмеження

Kepler найкраще розглядати як рівень доказів та обчислень, а не повну заміну екосистем даних Bloomberg, FactSet або LSEG. Його публічна документація також вказує на те, що доступність продукту та географічне охоплення мають бути підтверджені для міжнародного покриття, хоча його ширший корпус документів охоплює кілька ринків.

Найкраще підходить для: buy-side аналітиків, фінансових установ та команд з комплаєнсу, де кожне число має бути обґрунтованим.

6. FactSet Mercury та Transcript Assistant

Найкраще підходить для продуктивності в сезон звітів про прибутки та пов'язаних внутрішніх досліджень.

FactSet Mercury — це розмовний агент для фінансових досліджень, побудований на структурованих та неструктурованих даних FactSet. Його Transcript Assistant дозволяє аналітикам задавати питання щодо дзвінків про прибутки та отримувати резюме або цільові відповіді. FactSet описує систему як підхід із закритою областю, призначений для підвищення надійності та безпеки. (factset.com)

Продукт FactSet Transcript Intelligence додає важливий контроль: згенеровані штучним інтелектом резюме прибутків перевіряються експертами FactSet StreetAccount, а посилання на джерела з'являються поруч з пунктами резюме. FactSet також надає інструменти для внутрішніх дослідницьких нотаток, включаючи створення з посиланнями на джерела та тематичний аналіз. Документація з управління штучним інтелектом FactSet заявляє, що запити та відповіді користувачів є конфіденційними та не використовуються для некерованого або автоматичного навчання великих мовних моделей. (factset.com)

Сильні сторони

• Широке покриття стенограм дзвінків щодо прибутків та інтеграція в робочі процеси.
• Резюме стенограм, перевірені людьми.
• Підключені фінансові основи, оцінки, звіти, дослідження та новини.
• Робочі процеси внутрішніх дослідницьких нотаток та аналізу портфеля.
• Зріла політика управління та роботи з корпоративними даними.

Обмеження

FactSet сильний у багатьох робочих процесах, але публічні матеріали менш детально описують повністю автономний, наскрізний процес, який будує повну модель аналізу акцій та нотатки з нуля. Покупці повинні безпосередньо перевірити заповнення моделі, збереження формул, припущення, пов'язані з джерелами, та якість експорту.

Найкраще підходить для: існуючих клієнтів FactSet, які шукають безпечніший та швидший робочий процес звітності.

7. Daloopa Scout

Найкраще підходить для створення та підтримки моделей, орієнтованих на Excel.

Daloopa перетворює звіти компаній на структуровані фінансові дані та пов'язує кожну точку даних з оригінальним вихідним документом. Її платформа підтримує Excel, інтерфейси прикладного програмування (API), хмарні сховища даних та підключення за протоколом Model Context Protocol. (daloopa.com)

Scout — це помічник Daloopa для побудови моделей у надбудові Excel. Він може створювати звіти про прибутки та збитки, звіти про рух грошових коштів, моделі доходів, аналізи витрат, моделі порівняння галузей та багатоаркушеві операційні моделі. Daloopa заявляє, що кожне число, записане Scout, включає гіперпосилання на джерело і може бути оновлене одним кліком. (docs.daloopa.com)

Сильні сторони

• Відмінні фінансові дані, пов'язані з джерелами.
• Найкраще підходить для оновлення існуючих моделей Excel.
• Добре справляється з регулярним обслуговуванням моделей в сезон звітів про прибутки.
• API, хмарна, Excel та Model Context Protocol доставка.
• Широке покриття історичних фундаментальних показників компаній та ключових показників ефективності.

Обмеження

Daloopa – це насамперед рівень структурованих фінансових даних та моделювання. Вона менш диференційована для досліджень експертних мереж, широкого синтезу досліджень sell-side або тонкого аналізу тону керівництва. Заявлена точність та економія часу, включаючи твердження про понад 99% точності та значні скорочення часу побудови моделей, повідомляються постачальником і мають бути перевірені незалежно. (daloopa.com)

Найкраще підходить для: аналітиків акцій, які витрачають забагато часу на копіювання чисел зі звітів до Excel.

8. Hebbia Matrix

Найкраще підходить для досліджень, що базуються на великій кількості документів та користувацьких аналітичних робочих процесів.

Hebbia Matrix розроблена для аналізу великих колекцій документів та повернення структурованих таблиць, а не однієї розмовної відповіді. Вона підтримує текст, діаграми, графіки та інші формати документів, і наголошує на прозорості та посиланнях протягом усього робочого процесу. (hebbia.com)

Для аналізу акцій Hebbia описує випадки використання, що включають нарощування покриття, аналіз дзвінків щодо прибутків, анотації моделей, перевірку припущень та пошукову інституційну пам'ять. Її документовані інтеграції включають звіти Комісії з цінних паперів та бірж, S&P, Capital IQ, PitchBook, Third Bridge, Microsoft, Box та внутрішні дослідницькі матеріали. (hebbia.com)

Сильні сторони

• Відмінно підходить для порівняння багатьох документів пліч-о-пліч.
• Потужна підтримка користувацьких матриць та структурованого вилучення.
• Корисно для приміток, коментарів керівництва та перевірки припущень.
• Працює з внутрішніми дослідженнями та власницькими документами.
• Добре підходить для аналітиків, які хочуть розробити власні робочі процеси.

Обмеження

Hebbia не є насамперед канонічною базою даних консенсусу або постачальником даних для фінансових моделей. Її точність сильно залежить від якості підключених джерел, дизайну матриці та фінансових визначень фірми.

Найкраще підходить для: команд зі складними колекціями документів та потребою створювати користувацькі дослідницькі робочі процеси без побудови внутрішньої системи отримання даних.

9. S&P Capital IQ Pro та ChatIQ

Найкраще підходить для стандартизованих фінансових даних, оцінок та порівняльного аналізу компаній.

S&P Capital IQ Pro поєднує стандартизовані фінансові звіти, ринкові дані, консенсус-прогнози, дані про власність, транзакції, дослідження компаній та функції штучного інтелекту, включаючи ChatIQ, Document Intelligence та Chart Explainer. S&P заявляє, що платформа охоплює понад 100 000 публічних компаній та включає оцінки Visible Alpha з понад 200 мільйонами точок даних та понад одним мільйоном консенсусних позицій від сотень брокерів. (spglobal.com)

Платформа особливо корисна для порівняльного аналізу компаній, оцінки, скринінгу, консенсус-аналізу та узагальнення документів. Вона також підтримує пов'язані робочі процеси Excel та запити природною мовою до фінансових та текстових даних.

Сильні сторони

• Велика структурована база даних компаній та оцінок.
• Потужні робочі процеси для порівняння компаній та оцінки.
• Широке покриття консенсус-прогнозів.
• Document Intelligence для звітів, стенограм, презентацій та досліджень.
• Корисно для інвестиційних банків та команд з аналізу акцій.

Обмеження

Публічна інформація про продукт більше наголошує на доступі до даних, аналізі документів та розмовних дослідженнях, ніж на повністю автономному, пов'язаному з джерелами агенті для моделювання трьох звітів. Ймовірно, він найкраще працюватиме як частина існуючого робочого процесу Capital IQ Pro та Excel, а не як окремий дослідницький співробітник.

Найкраще підходить для: команд, які надають пріоритет оцінкам, аналізу аналогів, скринінгу та стандартизованим фінансовим даним.

10. Fiscal.ai та Fiscal Model Context Protocol Skills

Найкраще підходить для розробників та дослідницьких команд, які створюють користувацьких фінансових агентів.

Fiscal.ai надає структуровані фінансові звіти, співвідношення, ключові показники ефективності, звіти, події щодо прибутків, стенограми, аудіо, дані про власність, листи фондів та інтерфейси прикладного програмування (API). Її документація зазначає, що користувачі можуть отримувати дані безпосередньо зі звітів та отримувати структуровані стенограми дзвінків щодо прибутків з мапінгом доповідачів, мітками часу та розділами запитань і відповідей. (docs.fiscal.ai)

Сервер Model Context Protocol та попередньо створені навички Fiscal підтримують фінансові моделі, знімки компаній, нотатки інвестиційних досліджень, порівняння аналогів, оцінки, скрінери, пошук звітів та моніторинг списків спостереження. Її навичка фінансового моделювання включає каркас прогнозу, пов'язаний з припущеннями про рушії, тоді як її навичка інвестиційних досліджень створює структуровану нотатку у стилі buy-side з даними, пов'язаними з джерелами. (docs.fiscal.ai)

Сильні сторони

• Зручний для розробників доступ до API та Model Context Protocol.
• Фінансові дані та звіти, пов'язані з джерелами.
• Попередньо створені навички для моделей, нотаток, оцінок та порівнянних компаній.
• Корисно для створення користувацьких агентів у Claude, ChatGPT, Microsoft Copilot або внутрішніх системах.
• Чітке розрізнення між фінансовими показниками «як подано» та скоригованими метриками.

Обмеження

Документація Fiscal перераховує кілька поточних обмежень щодо покриття, включаючи події щодо прибутків лише англійською мовою, часткове географічне покриття для ключових показників ефективності та історію, що ще розвивається, для деяких подій та наборів даних новин. Її функціональність консенсус-прогнозів також менш центральна, ніж у Bloomberg, LSEG, FactSet або S&P.

Найкраще підходить для: розробників фінтех-рішень, внутрішніх команд з обробки даних та дослідницьких фірм, які хочуть зібрати власного агента, пов'язаного з доказами, замість того, щоб купувати повністю інтегрований термінал.

Порівняльний бенчмарк: Що мають вимірювати покупці?

Публічні заяви, зроблені постачальниками, не є безпосередньо порівнянними. Наприклад, один постачальник може повідомляти про частоту помилок у словах стенограм, інший — про середню точність даних, а ще інший — про заощаджений час. Ці показники можуть використовувати різні набори даних, визначення та процеси перевірки.

Правильна оцінка має використовувати однакові компанії, вихідні документи, знімки даних, запити та критерії прийняття для кожної платформи.

1. Точність отримання даних

Створіть тестовий набір, що охоплює щонайменше:

• Десять річних звітів.
• Десять квартальних звітів.
• Поточні звіти та прес-релізи про прибутки.
• Презентації для інвесторів.
• Стенограми дзвінків щодо прибутків.
• Сегментні розкриття.
• Примітки.
• Узгодження не-GAAP показників.
• Перегляди.
• Компанії з різних секторів.

Оцініть кожну витягнуту точку даних за:

1. Правильна компанія.
2. Правильний період.
3. Правильна валюта та одиниця.
4. Правильний знак.
5. Правильне бухгалтерське визначення.
6. Правильний сегмент або географічне розташування.
7. Правильний статус «як подано» або переглянутий.
8. Правильне посилання на джерело.
9. Правильна сторінка, таблиця, абзац або рядок.
10. Правильний розрахунок.

Система не повинна отримувати повний бал за знаходження правильного документа, якщо вона витягує неправильний квартал або плутає скоригований прибуток з прибутком за загальноприйнятими принципами бухгалтерського обліку.

Публічно розкриті докази

• Daloopa повідомляє про середній показник точності понад 99 відсотків для мільйонів точок даних, але це показник, наданий постачальником. (daloopa.com)
• Quartr повідомляє про показники частоти помилок у словах стенограм для живих та історичних стенограм, з окремими вимірюваннями для кожного етапу обробки стенограм. (quartr.com)
• Kepler та Daloopa наголошують на числах, пов'язаних з джерелами, та детермінованих або структурованих робочих процесах даних. (kepler.ai)
• FactSet додає ручну перевірку до певних резюме стенограм звітів про прибутки. (factset.com)

Ці розкриття є корисними, але їх не слід розглядати як незалежний рейтинг.

2. Відхилення від консенсусу

Бенчмаркінг консенсусу часто неправильно обробляється, оскільки аналітик порівнює різні визначення або різні часові рамки інформації.

Для кожної компанії та звітного періоду зберігайте:

• Знімок консенсусу, доступний безпосередньо перед випуском.
• Кількість аналітиків, що зробили внесок.
• Середнє, медіана, максимум та мінімум консенсусу.
• Визначення метрики.
• Валюту.
• Фінансовий період.
• Чи є оцінка за загальноприйнятими принципами бухгалтерського обліку, скоригованою, заявленою або змодельованою.
• Прогноз компанії, доступний до випуску.

Корисні показники включають:

text Сюрприз по доходу = (фактичний дохід - консенсусний дохід) / абсолют(консенсусний дохід)

Сюрприз по прибутку на акцію = (фактичний прибуток на акцію - консенсусний прибуток на акцію) / абсолют(консенсусний прибуток на акцію)

Відхилення маржі = фактична маржа - консенсусна маржа

Для негативних значень прибутку на акцію або значень, близьких до нуля, процентні сюрпризи можуть бути оманливими. Замість цього використовуйте абсолютні різниці та відхилення в базисних пунктах.

Найкращими платформами для цього тесту, ймовірно, будуть Bloomberg, LSEG, FactSet, S&P Capital IQ Pro та AlphaSense, оскільки вони пропонують структуровані оцінки або дані, пов'язані з консенсусом. Система Institutional Brokers’ Estimate System від LSEG, наприклад, включає консенсус, порівнянні фактичні дані та аналітику, орієнтовану на сюрпризи. (lseg.com)

3. Час створення нотатки

Виміряйте час від публічного випуску до готової до перегляду нотатки.

Не вимірюйте лише затримку машини. Запишіть:

• Час до першої відповіді.
• Час до першого оновлення моделі.
• Час до першого чорнового варіанта нотатки.
• Час на виправлення аналітиком.
• Час на виправлення рецензентом.
• Кількість змінених цифр.
• Кількість необґрунтованих тверджень.
• Кількість відсутніх посилань.
• Час остаточного затвердження.

Корисний бенчмарк має три робочих процеси:

Експрес-звіт про прибутки

• Заявлений дохід та прибуток на акцію.
• Перевиконання або недовиконання порівняно з консенсусом.
• Зміни в прогнозах.
• Зміни ключових показників ефективності.
• Тон керівництва.
• Початкова реакція ціни акцій.

Оновлення моделі прибутків

• Оновлення історичного періоду.
• Зміни оцінок.
• Зміни маржі та операційних факторів.
• Сценарії "биків", "бази" та "ведмедів".
• Переглянута цільова ціна або діапазон оцінки.

Дослідницька нотатка після виходу звітів про прибутки

• Інвестиційна теза.
• Що змінилося.
• Що не змінилося.
• Ключові позитивні моменти.
• Ключові ризики.
• Наслідки для моделі.
• Довіра до керівництва.
• Висновок, підкріплений доказами.

Rogo та AlphaSense є сильними кандидатами для вимірювання швидкості створення нотаток від початку до кінця. Daloopa, Kepler та Fiscal.ai особливо актуальні для частини, що стосується оновлення моделі. Заяви постачальників про економію часу слід розглядати обережно, оскільки вони часто виключають час на перегляд та виправлення. Daloopa, наприклад, публікує заяви про скорочення часу на ініціацію моделі та оновлення звітів про прибутки, тоді як матеріали для клієнтів Kepler описують надходження цитованих відповідей менш ніж за хвилину; жодне з них не є заміною для контрольованого тесту покупця. (daloopa.com)

4. Виявлення помилок у звітності

Корисний бенчмарк для виявлення помилок має містити як природні, так і навмисно внесені проблеми:

• Переглянутий показник доходу.
• Зміна знаку в грошовому потоці.
• Зміна одиниці виміру з мільйонів на тисячі.
• Невідповідність фінансового періоду.
• Загальний показник сегмента, що не узгоджується.
• Непослідовність розведеної кількості акцій.
• Показник, що не відповідає GAAP, без повного узгодження.
• Зміна у визначенні ключового показника ефективності.
• Графік погашення боргу, що суперечить балансу.
• Коментарі керівництва, що суперечать заявленим даним.

Виміряйте:

• Точність: Скільки сповіщень є реальними?
• Повнота: Скільки реальних помилок виявлено?
• Повнота з урахуванням серйозності: Чи виявляються суттєві проблеми до косметичних?
• Навантаження хибних спрацьовувань: Скільки часу аналітика витрачається даремно?
• Час на сортування: Як швидко аналітик може перевірити сповіщення?
• Якість доказів: Чи система показує обидва суперечливих джерела?

Kepler є найбільш чітким щодо відстеження переглядів, походження джерел, детермінованих розрахунків та доказів на рівні звітності. Daloopa сильний у структурованих даних, пов'язаних з джерелами. Hebbia може бути ефективною для пошуку суперечностей між документами, коли аналітик налаштовує відповідну матрицю. FactSet додає ручну перевірку для обраних продуктів стенограм. Однак жодне публічне, незалежне порівняння точності та повноти наразі не встановлює переможця серед цих платформ.

Аудитовність, твердження, що базуються на доказах, та версіонування

Посилання – це не те саме, що аудиторський слід.

Високоякісне дослідницьке твердження повинно зберігати пакет доказів, що містить:

text Твердження: "Дохід від підписки збільшився на 18 відсотків у річному вимірі."

Джерело: Звіт компанії, номер доступу, сторінка, таблиця, абзац та рядок.

Стан джерела: Як подано або згодом переглянуто.

Отримано: Мітка часу та версія постачальника даних.

Визначення: Заявлений дохід від підписки, консолідований, квартальний.

Розрахунок: Поточний період / попередній період - 1.

Стан агента: Назва моделі, версія моделі, запит, версія робочого процесу та виклики інструментів.

Перевірка: Аналітик, рецензент, мітка часу затвердження та рішення.

Найважливішою вимогою до версіонування є збереження обох:

1. Історії «як подано», що показує, що компанія спочатку повідомила.
2. Поточної переглянутої історії, що показує останні виправлені дані.

Без обох модель може здаватися точною сьогодні, але її буде неможливо відтворити в тому вигляді, в якому вона існувала, коли приймалося інвестиційне рішення.

Поточний ринковий пробіл

Багато платформ пропонують посилання, лінки на джерела, історію розмов або версії документів. Набагато менше публічно документують повний журнал версій на рівні тверджень, який пов'язує:

подання → витягнутий факт → клітинка моделі → припущення → результат оцінки → дослідницька нотатка → погодження рецензента.

Це значна відмінність між «пов'язаним з джерелом» та по-справжньому готовим до аудиту.

Контроль над матеріальною непублічною інформацією

Контроль над матеріальною непублічною інформацією має бути вимогою закупівель, а не доповненням.

Розділ 204A Закону про інвестиційних консультантів вимагає від інвестиційних консультантів встановлювати, підтримувати та дотримуватися письмових політик і процедур, обґрунтовано розроблених для запобігання неправомірному використанню матеріальної непублічної інформації. Правило 204A-1 також вимагає кодексу етики та процедур звітності для осіб, що мають доступ. (sec.gov)

FINRA також наголошує, що звичайні правила, що регулюють нагляд, комунікації, ведення обліку та чесну торгівлю, продовжують застосовуватися, коли фірми використовують генеративний штучний інтелект. Фірми, які покладаються на штучний інтелект у наглядових процесах, повинні враховувати цілісність, надійність та точність системи. (finra.org)

Необхідні засоби контролю для агента з аналізу акцій

Відповідне впровадження має включати:

• Класифікація джерел: публічний звіт, публічний дзвінок, ліцензоване дослідження, матеріали експертної мережі, внутрішнє дослідження або обмежені дані.
• Отримання з урахуванням прав доступу: агент повинен отримувати лише той контент, до якого користувач має право доступу.
• Фільтрація публічних виводів: внутрішня або обмежена інформація не повинна автоматично потрапляти до клієнтських або публічних нотаток.
• Інтеграція обмеженого списку: результати досліджень повинні перевірятися на відповідність обмеженим цінним паперам та спискам спостереження.
• Ведення журналу запитів та виводів: збереження інформації про те, хто що запитував, до яких джерел зверталися та що було згенеровано.
• Людське погодження: вимагати погодження перед розповсюдженням, використанням у торгівлі або зовнішньою комунікацією.
• Контроль без навчання: підтвердити, чи використовуються запити, документи та виводи для навчання зовнішніх моделей.
• Зберігання та видалення: визначити, як довго зберігаються документи, запити та згенеровані виводи.
• Контроль постачальників моделей: ідентифікувати кожну зовнішню модель та задіяний підпроцес.
• Перегляд доступу: періодично перевіряти, чи користувачі зберігають лише необхідні дозволи.

FactSet публічно описує конфіденційність та контроль без некерованого навчання для своїх продуктів штучного інтелекту, тоді як Hebbia та Kepler також наголошують на обробці приватних даних та відстеженні походження запитів. Це позитивні показники, але вони самі по собі не встановлюють відповідність фірми її юридичним та наглядовим зобов'язанням. (factset.com)

Рекомендована стратегія покупки

Дослідницька команда не повинна обирати платформу лише на основі демонстрації. Проведіть контрольований пілотний проект з:

• Двадцятьма компаніями.
• Щонайменше п'ятьма секторами.
• Двома річними звітами та чотирма квартальними звітами на компанію.
• Останнім дзвінком щодо прибутків та презентацією для інвесторів.
• Одним історичним переглядом або зміною обліку.
• Фіксованим знімком консенсусу.
• Трьома стандартними робочими процесами аналітиків.

Запропоновані критерії приймання

Встановіть внутрішні порогові значення, такі як:

• Кожне жорстке число в остаточній нотатці повинно мати джерело.
• Кожен вхідний параметр моделі повинен ідентифікувати своє джерело та визначення.
• Жодних критичних помилок у періоді, одиниці чи ідентифікації компанії.
• Всі зміни в моделі повинні бути видимими у звіті про відмінності.
• Всі необґрунтовані твердження повинні бути позначені.
• Аналітик повинен мати можливість відтворити нотатку в тому вигляді, в якому вона існувала на момент затвердження.
• Обмежені або внутрішні джерела повинні бути чітко позначені.
• Платформа повинна експортувати запити, джерела, розрахунки та погодження для перевірки відповідності.

Практичний вибір платформи

• Оберіть AlphaSense для широких досліджень, дзвінків експертів, контенту sell-side та якісної розвідки.
• Оберіть Rogo для комплексних моделей, нотаток, презентацій та користувацьких робочих процесів.
• Оберіть Bloomberg або LSEG для ринкових даних, оцінок, глобального покриття та аналізу консенсусу.
• Оберіть FactSet для робочих процесів звітності про прибутки, внутрішніх досліджень та інтелектуального аналізу стенограм, перевірених людьми.
• Оберіть Kepler для детермінованого, орієнтованого на докази фінансового аналізу.
• Оберіть Daloopa для моделей Excel, пов'язаних з джерелами, та регулярних оновлень.
• Оберіть Hebbia для великих колекцій документів та користувацьких дослідницьких матриць.
• Оберіть S&P Capital IQ Pro для стандартизованих даних, оцінок, транзакцій та порівняльного аналізу компаній.
• Оберіть Fiscal.ai, якщо створюєте користувацький API або агент на основі Model Context Protocol.

Прогалини на ринку та краще рішення для розробки

Ринку не потрібен ще один загальний фінансовий чат-бот. Більш цінною можливістю є операційна система для аналізу акцій, що базується на доказах.

Сильніший продукт поєднав би найкращі функції вищезазначених платформ в один нейтральний рівень:

1. Граф фінансових доказів

Прив'язати кожну компанію, звіт, стенограму, презентацію, метрику, сегмент, оцінку та припущення до стабільних ідентифікаторів.

2. Подвійний фінансовий реєстр

Зберігати як первинні, так і переглянуті значення з видимою різницею між ними.

3. Детермінований компілятор моделей

Перетворювати факти, пов'язані з джерелами, на моделі Excel або хмарні моделі, використовуючи явні формули, замість того, щоб дозволяти мовній моделі вигадувати числові результати.

4. Реєстр тверджень

Зберігати кожне твердження з його доказами, визначенням, міткою часу, розрахунком, впевненістю та статусом рецензента.

5. Машина часу консенсусу

Зберігати знімки консенсусу в тому вигляді, в якому вони існували до кожного оголошення, включаючи кількість учасників, дисперсію та перегляди оцінок.

6. Рушій виявлення суперечностей у звітності

Автоматично порівнювати звіти за періодами та позначати зміни у:

• Визначеннях.
• Одиницях виміру.
• Структурі сегментів.
• Ключових показниках ефективності.
• Узгодженнях не-GAAP показників.
• Розкриттях боргу.
• Кількість акцій.
• Коментарях керівництва.

7. Походження припущень

Кожне прогнозне припущення повинно показувати, чи походить воно з:

• Прогнозу компанії.
• Історичної тенденції.
• Консенсусу.
• Аналітичного судження.
• Порівнянної компанії.
• Параметра сценарію.

8. Рушій політики відповідності

Відокремлювати публічну, ліцензовану, внутрішню, експертно-мережеву та обмежену інформацію. Запобігати потраплянню несанкціонованих даних у зовнішні нотатки.

9. Генерування версіонованих нотаток

Коли аналітик змінює припущення про дохід, система повинна показувати, які клітинки моделі, виводи оцінки, тези, діаграми та нотатки змінилися в результаті.

10. Незалежний набір бенчмарків

Публікувати результати отримання даних, консенсусу, часу створення нотаток та виявлення помилок у звітності, використовуючи фіксовану публічну методологію. Галузі потрібен нейтральний бенчмарк, який вимірює якість робочого процесу, а не лише точність відповідей на короткі запитання.

Найсильнішою підприємницькою нішею була б платформа для оновлення моделей після виходу звітів про прибутки та створення нотаток, що базуються на доказах. Вона могла б почати з фокусованого всесвіту публічних компаній, інтегруватися з існуючими постачальниками даних та спеціалізуватися на обґрунтуванні кожної зміни оцінки та дослідницького твердження. З часом вона могла б стати рівнем аудиту та управління, що поєднує Bloomberg, LSEG, FactSet, AlphaSense, Daloopa, внутрішні дані та користувацьких агентів штучного інтелекту.

Висновок

Провідні агенти з аналізу акцій сходяться на одній архітектурі: ліцензовані фінансові дані, структуроване отримання даних, міркування мовної моделі, детерміновані розрахунки, автоматизація робочих процесів та результати, пов'язані з доказами.

Жодна платформа наразі не домінує у всіх вимогах.

• AlphaSense лідирує за широтою якісних досліджень.
• Rogo лідирує в генерації комплексних робочих продуктів.
• Bloomberg та LSEG лідирують у підключених ринкових даних та робочих процесах консенсусу.
• Kepler та Daloopa є найсильнішими у чисельному аналізі, пов'язаному з джерелами, та цілісності моделей.
• FactSet та S&P Capital IQ Pro отримують переваги від зрілих екосистем даних та інституційних робочих процесів.
• Hebbia відмінно справляється з гнучким аналізом багатьох документів.
• Fiscal.ai є привабливим для команд, що створюють користувацьких фінансових агентів.

Правильний вибір залежить від того, чи є основною перешкодою знаходження інформації, оновлення моделей, написання нотаток, порівняння консенсусу, виявлення помилок або доведення того, як було досягнуто висновку. Для регульованої та високоризикової інвестиційної роботи вирішальною особливістю є не те, наскільки вражаючою виглядає перша відповідь. Це те, чи може аналітик, портфельний менеджер, комплаєнс-офіцер або регулятор точно відтворити, звідки взялася відповідь, які припущення змінилися та хто затвердив результат.