DenyTranDFW/Ford_Credit_Auto_Owner_Trust_2024_B_2023756

该数据集包含美国证券交易委员会（SEC）ABS-EE（资产支持证券）关于福特信贷汽车所有者信托2024-B的资产级别申报文件。数据集包括从XML展品中提取的贷款级别/资产级别数据，以Parquet文件格式组织，并按登录号和无破折号展品名称进行排列。报告期为2024年6月30日至2026年3月31日。数据集包含22个申报文件，总大小为64.3 MB。申报索引列出了每个文件的CIK、表格类型、登录号、报告日期和URL。

SEC ABS-EE asset-level filings for CIK 2023756 (Ford Credit Auto Owner Trust 2024-B). The dataset includes loan-level / asset-level data extracted from XML exhibits, organised as Parquet files by accession numbers and exhibit names. The reporting period spans from 2024-06-30 to 2026-03-31. There are 22 filings in total, with a combined size of 64.3 MB. The filing index provides details such as CIK, form type, accession number, report date, and URL for each filing.

搜集汇总

数据集介绍

构建方式

在资产支持证券（ABS）领域，Ford Credit Auto Owner Trust 2024-B数据集通过系统化采集美国证券交易委员会（SEC）ABS-EE强制性资产层级申报文件构建而成。该数据集围绕中央索引键（CIK）2023756对应的信托实体，提取了自2024年6月30日至2026年3月31日期间的全部22份XML格式资产层级数据，并将其逐一转化为Parquet列式存储格式。每个Parquet文件均以‘{访问编号}/{展品名称}.parquet’的结构化路径组织，其中报告期终止日期直接源自XML文档中的‘reportingPeriodEndingDate’字段，从而实现了原始监管数据向可计算、可分析的高效格式的稳健映射。

特点

该数据集的核心特点在于其细粒度的资产层级属性与透明的时间序列覆盖。22份Parquet文件总计64.3 MB，完整记录了福特汽车信贷旗下特定信托组合中每笔贷款的逐月表现，涵盖从发行之初至到期日止的连续22个报告期间。这种由XML展品直接转换而来的数据结构，保留了原始申报文件的精确性与权威性，且Parquet格式支持高效的列裁剪与压缩，极大便利了大规模金融数据分析场景中的存储与读取。同时，每份申报均可通过提供的EDGAR访问链接进行追溯核验，确保了数据的可验证性与合规性。

使用方法

用户可通过加载各Parquet文件直接开展深入研究，例如使用Python的Pandas库结合PyArrow或FastParquet引擎读取‘./0002023756-24-000002/{exhibit_name}.parquet’等路径下的数据。典型应用包括对逐笔贷款的违约率、提前偿付率及现金流分布进行月度统计分析，或结合报告日期构建面板数据以评估信托资产的信用表现趋势。此外，该数据集还可与SEC EDGAR数据库中其他结构化文件（如交易文件、招股书）进行关联分析，用于验证ABS定价模型或构建自动化监管报告系统，极大拓展了金融分析工作的广度与精度。

背景与挑战

背景概述

资产支持证券（ABS）作为结构化金融产品的核心组成部分，其透明度和风险定价依赖于底层资产的详尽信息披露。Ford_Credit_Auto_Owner_Trust_2024_B_2023756数据集由SEC ABS-EE项目创建，聚焦于福特汽车信贷旗下2024-B系列汽车贷款支持证券的资产级数据。该数据集涵盖自2024年6月至2026年3月的22份监管备案文件，以Parquet格式存储，总容量64.3 MB，由美国证券交易委员会（SEC）依照ABS-EE规则强制要求披露。数据集的核心研究问题在于通过标准化的逐笔贷款信息（如贷款余额、信用评分、还款状态等），推动金融领域对汽车ABS产品信用风险、提前偿付行为及资产池异质性的量化分析，为投资者和监管者提供高精度的风险评估工具，在金融科技与结构化金融交叉研究中具有范式意义。

当前挑战

该数据集所解决的领域问题源于ABS市场长期存在的透明度不足与信息不对称困境：传统披露多限于汇总统计，难以支撑细粒度风险建模，而汽车贷款池内借款人的还款行为受宏观经济、地域分布及车辆残值波动等多因素交织影响，亟需标准化资产级数据以驱动更精准的违约概率预测与现金流折现分析。构建过程中面临的挑战包括：从SEC EDGAR系统28种异构XML模板中解析并统一字段定义，克服披露周期内不同报告日期的数据对齐与缺失值插补难题；同时，将22份备案中累计数百万条贷款记录处理为紧凑的Parquet格式时，需保留时间序列的纵向连贯性，并确保跨月数据的语义一致性，这要求对原始金融语法进行深度清洗与规范化转换。

常用场景

经典使用场景

在资产证券化（ABS）研究领域，Ford_Credit_Auto_Owner_Trust_2024_B数据集以其精细的贷款级资产层面数据，成为剖析汽车贷款支持证券表现的核心资源。该数据集覆盖2024年至2026年间多个报告周期的结构化披露信息，研究人员常用其开展资产池的信用风险建模、违约率预测以及提前偿还行为分析。借助从SEC ABS-EE备案中提取的XML摘要数据，该数据集为理解借款人特征、贷款条款与现金流动态之间复杂关联提供了实证基础，是评估证券化产品内部异质性与系统性风险的重要工具。

实际应用

在实际应用中，该数据集服务于金融机构的风险管理与投资决策流程。评级机构可借助其中详尽的资产表现数据，校准自动化估值模型，提升对福特汽车信用信托系列产品的信用评级精度。投资经理则能通过分析不同时段贷款的逾期与违约模式，优化资产组合配置策略并动态调整个券持仓。同时，监管机构可利用该数据集监测证券化市场的系统性脆弱性，评估信息披露合规性，进而为修订ABS信息披露框架提供数据驱动的政策建议。

衍生相关工作

基于该数据集，学界与业界已衍生出一系列经典工作。在学术前沿，研究者开发了基于机器学习的贷款违约概率预测模型，将数据集中的借款申请日期、贷款条款等特征融入梯度提升树与深度神经网络架构。另有工作构建了现金流模拟平台，利用数据集内的实际偿付记录校准提前偿付与违约率参数，进而模拟不同利率环境下的资产池收益情景。在工程领域，围绕该数据集的自动化数据清洗与特征工程工具被广泛共享，推动了ABS数据标准化分析与开源基准数据集建设进程。