DenyTranDFW/GM_Financial_Consumer_Automobile_Receivables_Trust_2025_2_2060535

该数据集包含GM Financial Consumer Automobile Receivables Trust 2025-2的SEC ABS-EE资产级别申报文件。数据集包括16个Parquet格式文件，总大小为37.4 MB，覆盖的报告期从2025年2月28日至2026年2月28日。这些文件是从XML展品中提取的贷款级别/资产级别数据，按照{accession_nodash}/{exhibit_name}.parquet的格式组织。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 **2060535** (GM Financial Consumer Automobile Receivables Trust 2025-2). The dataset includes 16 filings, 16 parquet files, with a total size of 37.4 MB. The reporting period starts from 2025-02-28 to 2026-02-28. Parquet files are loan-level / asset-level data extracted from XML exhibits, organised 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

该数据集源于美国证券交易委员会（SEC）的ABS-EE（Asset-Backed Securities Electronic Exhibit）监管报送体系，专门收录了GM Financial Consumer Automobile Receivables Trust 2025-2（CIK编号2060535）自2025年2月28日至2026年2月28日期间提交的共计16份资产层面XML附件。数据以Parquet格式存储，每个文件对应一个包含具体贷款层面信息的XML展品，并按访问号与展品名称进行分层组织。报告期结束日期源自底层XML数据中的`reportingPeriodEndingDate`字段，确保了时间戳的精确性与可溯源性。

特点

该数据集具有高度的结构化与标准化特性，所有数据均来自SEC官方要求的ABS-EE强制披露，涵盖整年的月度资产表现信息。共16个Parquet文件，总大小约37.4 MB，兼顾了信息的完备性与存储的轻量化。数据以贷款级（loan-level）粒度呈现，适用于深入分析汽车贷款资产池的信用表现、提前偿付行为及现金流分布。报告周期完整覆盖了从起始日至终结日的13个月份，为时序建模与资产池动态评估提供了坚实的数据基础。

使用方法

研究人员可通过主流数据处理框架（如Pandas、DuckDB或Apache Spark）直接读取Parquet文件，无需额外格式转换。数据集以`{accession_nodash}/{exhibit_name}.parquet`的目录结构组织，便于按时间或展品类型进行筛选。结合SEC EDGAR系统提供的原始XML及EDGAR Filer Management API，可进一步交叉验证数据完整性。该数据适用于构建ABS评级模型、进行资产池压力测试或训练时序预测算法，尤其适合金融科技与结构化金融领域的定量分析工作。

背景与挑战

背景概述

GM Financial Consumer Automobile Receivables Trust 2025-2 数据集聚焦于资产支持证券（ABS）领域的底层资产信息披露。该数据集由SEC的ABS-EE（Asset-Backed Securities Electronic Exchange）系统生成，专门针对CIK 2060535所对应的通用汽车金融公司（GM Financial）旗下汽车应收账款信托2025-2期。数据集创建于2025年，包含16份备案文件，时间跨度从2025年2月28日至2026年2月28日，涵盖贷款层面的逐笔资产数据。核心研究问题在于为金融监管机构、投资者及学术界提供标准化的资产级数据，以增强ABS市场的透明度。该数据集对于理解汽车金融资产池的信用风险、违约率及提前偿付行为具有重要价值，填补了传统汇总数据无法揭示的微观结构信息空白，促进了资产定价与风险管理模型的优化。

当前挑战

该数据集所解决的领域挑战在于克服ABS市场信息不对称问题。传统ABS信息披露多以信托层面汇总数据为主，隐藏了底层资产的个体差异，导致投资者难以精确评估资产池的信用质量与现金流稳定性。GM Financial数据集通过提供逐笔贷款记录，使得模型能够捕捉借款人的还款行为、车辆价值波动及地域分布等微观特征，从而提升违约预测与损失分布的建模精度。构建过程中面临的挑战包括：从SEC XML格式的附件中高效提取标准化字段，确保不同报告期内数据模式的一致性；处理16份备案文件之间可能因会计调整或数据修正产生的时间序列断裂问题；以及将庞杂的资产级数据压缩为37.4 MB的Parquet文件，同时保留关键字段的解析完整性。

常用场景

经典使用场景

在资产支持证券（ABS）研究领域，GM Financial Consumer Automobile Receivables Trust 2025-2 数据集以其详尽的贷款级颗粒度信息，成为剖析汽车贷款证券化资产池内在机理的宝贵资源。该数据集收录了自2025年2月至2026年2月期间共16份SEC ABS-EE申报文件，每一份均拆解为可解析的Parquet格式，精准反映了每笔应收账款的动态表现。研究者常借此构建资产池信用风险评估模型，深入探究借款人还款行为、提前偿付率及违约模式等微观特征。通过整合时间序列数据，该数据集有力支撑了资产池现金流预测与压力测试分析，为理解汽车ABS产品的风险收益特征奠定了坚实基础。

解决学术问题

该数据集有效解决了学术领域中关于结构化金融产品信息透明度不足的长期困局。传统研究往往受限于汇总层面的财务数据，难以触及底层资产的异质性及其风险传导机制。借助这一详尽的贷款级记录，学者们可以量化分析汽车贷款资产池的集中度风险、借款人信用评分分布与贷款价值比率等关键指标，从而揭示证券化产品设计与实际信用表现之间的内在关联。该数据集还推动了关于信息不对称、道德风险以及监管政策效果等经典理论问题的实证检验，为提升ABS市场定价效率与风险监管提供了扎实的数据基础，具有深远的学术意义。

衍生相关工作

围绕该数据集，学术界与业界已衍生出多项具有里程碑意义的研究工作。其中，利用贷款级数据训练机器学习模型以预测汽车贷款违约风险的工作尤为突出，相关研究不仅验证了集成学习方法在高维时序金融数据上的有效性，还为自动化信用评估提供了新范式。另一些工作则聚焦于构建ABS资产池的现金流模拟系统，通过蒙特卡洛模拟实现不同经济情景下的收益分布预测，显著提升了结构化产品的风险评估维度。此外，基于该数据集的信息披露与市场定价效率研究亦屡见不鲜，深化了学界对SEC ABS-EE规则实施效果的理解，推动了信息披露标准化与资产支持证券二级市场流动性改善的相关探讨。