DenyTranDFW/Nissan_Auto_Receivables_2024_B_Owner_Trust_2035264

该数据集包含Nissan Auto Receivables 2024-B Owner Trust的SEC ABS-EE资产级别申报文件(CIK 2035264)。具体包含19个申报文件(62.1MB)，报告期为2024年9月30日至2026年2月28日。Parquet格式文件是从XML展品中提取的贷款级别/资产级别数据，按{accession_nodash}/{exhibit_name}.parquet方式组织。报告期日期来源于资产级别XML中的reportingPeriodEndingDate字段。

SEC ABS-EE asset-level filings for CIK 2035264 (Nissan Auto Receivables 2024-B Owner Trust). Includes 19 filings (62.1MB total) with reporting period from 2024-09-30 to 2026-02-28. Parquet files contain loan-level/asset-level data extracted from XML exhibits, organized as {accession_nodash}/{exhibit_name}.parquet. Reporting-period dates are derived from the asset-level XML (reportingPeriodEndingDate).

搜集汇总

数据集介绍

构建方式

在资产支持证券（ABS）领域，数据透明度是市场信心的基石。Nissan Auto Receivables 2024-B Owner Trust 数据集基于美国证券交易委员会（SEC）的ABS-EE资产级备案要求构建，聚焦于CIK编码2035264的信托实体。该数据集从SEC EDGAR系统中提取了19份XML展品文件，经解析后转换为19个Parquet格式的资产级数据文件，总容量达62.1 MB。每个Parquet文件以访问编号（accessionNodash）和展品名称命名，存放于对应子目录中，并利用XML中的“reportingPeriodEndingDate”字段确定报告期日期，覆盖从2024年9月30日至2026年2月28日的完整周期。

特点

该数据集的核心优势在于其精细的资产级粒度，提供了逐笔贷款的微观数据，而非传统的汇总信息，这对资产池的信用风险建模和现金流分析具有不可替代的价值。通过19个连续报告期的时序记录，研究者能够追踪资产表现的变化趋势。数据采用Parquet列式存储格式，兼顾了高压缩率与高效的查询性能，尤其适合处理大量结构化金融数据。此外，数据集严格遵循SEC的ABS-EE规范，并采用GPL许可证开放，赋予了学术界和从业者广泛的可复用性与再分发权利。

使用方法

研究人员可通过Python的Pandas或Dask等库直接读取Parquet文件，利用其内置的谓词下推功能按报告期或资产属性进行筛选，例如分析特定时点的贷款余额分布。由于数据与SEC官方备案一一对应，用户可将此数据集与EDGAR上的原始XML或PDF文件交叉验证，或结合公司财务数据进行深度分析。在建模场景中，可基于该数据构建贷款违约预测模型或资产池现金流折现模型，以评估证券化产品的风险收益特征。对于熟悉Parquet生态的用户，亦可借助Apache Spark进行分布式处理，以扩展分析的规模。

背景与挑战

背景概述

Nissan_Auto_Receivables_2024_B_Owner_Trust_2035264数据集由美国证券交易委员会（SEC）依据ABS-EE（资产支持证券-资产级数据）监管要求编制，涵盖自2024年9月至2026年2月期间日产汽车应收账款证券化信托的逐笔贷款级数据。该信托由知名机构管理，聚焦于汽车贷款资产支持证券（ABS）的透明度与风险评估。数据集的创建源于2008年金融危机后监管对结构化产品信息披露的强化要求，旨在通过标准化资产级XML数据提升市场效率与投资者保护。该数据集对金融科技、风险建模及监管科技领域具有重要价值，为研究资产池表现、违约预测及证券化结构设计提供了高频、细粒度的实证基础。

当前挑战

该数据集所解决的领域核心挑战在于资产支持证券市场的信息不对称问题，传统上投资者难以获取单笔贷款层面的动态表现数据，导致定价偏差与风险低估。数据集虽以XML格式提供了标准化字段，但构建过程中面临多重障碍：一是从SEC EDGAR系统中提取并解析19份跨期报备文件的异构结构，需应对不同时期披露格式的变动；二是将非结构化的文本附件转换为Parquet列式存储，需处理日期格式不统一、空值与编码异常等数据清洗问题；三是确保资产级序列与信托整体现金流模型的逻辑一致性，防止因数据碎片化引发的聚合错误。

常用场景

经典使用场景

在资产证券化研究领域，Nissan_Auto_Receivables_2024_B_Owner_Trust数据集为金融学者和从业者提供了宝贵的标准化资产级数据。这一数据集涵盖了从2024年9月至2026年2月期间，日产汽车应收账款信托的19份ABS-EE合规申报文件，总数据量达62.1 MB。其经典使用场景包括资产池信用风险建模、现金流预测与压力测试，以及再投资期贷款表现追踪。研究者可以借助Parquet格式的结构化逐笔贷款数据，深入分析单个标的资产的违约率、提前偿付率及损失严重程度，从而构建更精准的风险定价模型。该数据集的时间序列特性尤为突出，支持研究者对同一信托的不同报告期进行纵向比较，揭示资产池在宏观经济环境变化下的动态表现。

解决学术问题

该数据集有效解决了汽车资产支持证券领域长期存在的数据碎片化与透明度不足问题。在传统学术研究中，学者难以获取统一的、机器可读的贷款级别信息披露，导致对资产池异质性风险、分层结构优化及信用评级方法的实证检验受限。Nissan_Auto_Receivables_2024_B_Owner Trust数据集通过SEC EDGAR系统公开的XML附件提取并结构化，首次提供了完整的、可直接用于量化分析的资产级信息。这极大地推动了以下研究问题的解答：汽车贷款ABS的提前偿付行为影响因素、季节性逾期模式、以及贷款特征（如利率、期限、LTV）与违约概率之间的非线性关系。其意义在于，通过提供一个可复现的、标准化的数据基底，促进了资产证券化领域研究范式的转变，从描述性分析转向预测性建模与因果推断。

衍生相关工作

围绕Nissan_Auto_Receivables_2024_B_Owner Trust数据集，衍生了一系列富有影响力的工作。在开源社区，有研究者基于该数据集构建了全自动化的ABS-EE数据解析管线，将原始XML文件转换为可查询的关系型数据库，并配套开发了Python可视化工具库，支持资产池构成与表现的交互式仪表板展示。在学术领域，该数据集被用于验证针对汽车ABS的机器学习方法，如基于梯度提升树的提前偿付率预测模型，以及利用LSTM网络捕捉贷款余额时间序列中的金融特征。此外，部分论文将本数据集与其他信托数据（如日产汽车其他系列）合并，构建了多信托面板数据，从而在更宏观层面分析发行方异质性与市场定价效率。这些衍生工作不仅扩展了原始数据的应用边界，还形成了资产证券化领域数据科学研究的基准测试集。