Von Marcus Carter, Senior Equity Research Analyst
Es ist wieder soweit: Earnings Season.
Für die meisten Menschen sind das nur Schlagzeilen. Für uns im Investment Management bedeutet es Schlafmangel. Ich beobachte 15 Unternehmen im Technologiesektor. Das heißt: 15 verschiedene Earnings Calls, jeweils 90 bis 120 Minuten lang.
Das Problem ist nicht nur die Menge, sondern das Signal-Rausch-Verhältnis. Ich muss 20 Minuten lang höflichen Einleitungen und „strategischen Säulen“ zuhören, nur um einen flüchtigen Satz über Margendruck oder die Anpassung des Ausblicks zu erwischen.
Wenn ich eine Zahl verpasse, ist mein Modell falsch. Bin ich zu langsam, bewegt sich der Markt ohne mich.
Ich brauchte eine Möglichkeit, mich selbst zu klonen. Da das illegal ist, habe ich angefangen, SubEasy zu nutzen. Es hat meinen Research-Workflow von einem Ausdauertest in einen chirurgischen Datenextraktionsprozess verwandelt.
Das Problem: Generische KI spricht kein „Finanzisch“
Ich habe vorher einfache Transkriptionstools ausprobiert. Eine Katastrophe. Aus „EBITDA“ wurde „a bit of“. „CapEx“ wurde zu „caps“.
Im Finanzbereich zählt Genauigkeit über alles. Ein Transkriptionsfehler bei einer Umsatzkennzahl ist kein Tippfehler – es ist ein Haftungsrisiko.
Schritt 1: Präzision durch ein individuelles Vokabular (Das „Glossar“-Feature)
Das ist das Feature, das SubEasy für mich „institutionstauglich“ macht.
Bevor ich die Aufnahme des Earnings Calls hochlade, erstelle ich meine Custom Vocabulary (Glossar)-Liste. Ich lade sie mit branchenspezifischen Begriffen vor:
- EBITDA
- CAGR
- Non-GAAP
- Forex Headwinds
- Ticker-Symbole (z.B. NVDA, MSFT)
Da ich diese Begriffe vorher definieren kann, kommt die Transkription sauber zurück. SubEasy kennt den Unterschied zwischen „gross“ (das allgemeine Wort) und „Gross Margin“. So stelle ich sicher, dass die Daten, mit denen ich meine Modelle füttere, einwandfrei sind.
Schritt 2: Das Wesentliche extrahieren mit „Ask ChatGPT“
Sobald die Transkription fertig ist (das dauert nur wenige Minuten), lese ich sie nicht komplett durch. Dafür habe ich keine Zeit.
Ich nutze die geteilte Ansicht mit dem „Ask ChatGPT“-Feature, um das Dokument gezielt abzufragen. Ich behandle das Transkript wie eine Datenbank.
Das war mein exakter Prompt beim letzten Big-Tech-Earnings Call:
„Liste alle konkreten Zahlen auf, die das Management zu ‚Erwartungen für das Wachstum im nächsten Quartal‘ und zur ‚Jahresprognose‘ genannt hat. Fasse außerdem stichpunktartig alle spezifischen ‚Risikofaktoren‘ oder ‚Gegenwinde‘ aus der Q&A-Session zusammen.“
Schritt 3: Sofort verwertbares Research-Material
In weniger als 60 Sekunden erzeugt SubEasy eine strukturierte Antwort:
- Guidance: „Umsatz soll um 12–15 % gegenüber dem Vorjahr wachsen.“
- Margen: „Die operative Marge soll stabil bei 25 % bleiben.“
- Risiken: „Engpässe in der Lieferkette im Halbleiterbereich.“
Diese Stichpunkte kopiere ich direkt in meinen Research-Entwurf. Ich habe die zukunftsgerichteten Aussagen – den wertvollsten Teil des Calls – erfasst, ohne auch nur eine Sekunde der „Safe Harbor“-Statements oder Operator-Anweisungen anzuhören.
Der ROI: Geschwindigkeit ist Alpha
In diesem Geschäft ist Informationsvorsprung oft einfach nur Geschwindigkeitsvorteil. SubEasy ermöglicht es mir, mehr Unternehmen in kürzerer Zeit und mit höherer Präzision abzudecken.
Am Ende der Earnings Week bin ich nicht mehr ausgebrannt. Stattdessen habe ich klare, umsetzbare Daten, bevor die Konkurrenz überhaupt die Einleitung gehört hat.
Für alle Analysten, die ihre Zeit zurückgewinnen und ihren Vorsprung ausbauen wollen: Hören Sie auf zu zuhören, fangen Sie an zu verarbeiten.