DenyTranDFW/Exeter_Automobile_Receivables_Trust_2022_2_1920761

该数据集涉及美国证券交易委员会（SEC）ABS-EE资产级别文件，针对CIK 1920761（Exeter Automobile Receivables Trust 2022-2）。包含49个文件，49个Parquet文件，总大小为185.1 MB，报告期为2022-03-31至2026-02-28。Parquet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组织。数据集还包括一个文件索引，包含CIK、表格类型、登记号、报告日期和每个文件的URL。SEC ABS-EE asset-level filings for CIK 1920761 (Exeter Automobile Receivables Trust 2022-2). Includes 49 filings, 49 parquet files, total size 185.1 MB, reporting period from 2022-03-31 to 2026-02-28. Parquet files are loan-level / asset-level data extracted from XML exhibits, organised as {accession_nodash}/{exhibit_name}.parquet. The dataset also includes a filing index with details like 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

该数据集由美国证券交易委员会（SEC）EDGAR系统中的ABS-EE资产层级申报文件整理而成，聚焦于Exeter Automobile Receivables Trust 2022-2（CIK 1920761）。原始数据源于XML格式的资产层级披露材料，经结构化提取后转化为Parquet格式文件，并依据申报编号和附件名称进行组织，以`{accession_nodash}/{exhibit_name}.parquet`的目录结构存储，同时利用XML中的`reportingPeriodEndingDate`字段衍生出报告周期日期，从而构建出体系化的资产层面信息集合。

使用方法

用户可通过Python的Pandas库直接读取Parquet文件，例如使用`pd.read_parquet('0000929638-22-000731/exhibit_name.parquet')`加载特定申报期的资产数据。文件索引中提供了每份申报的EDGAR访问链接，便于交叉验证。该数据集适用于资产支持证券的现金流建模、违约风险分析、贷款池表现回溯等量化研究任务，亦可作为金融科技领域中结构化产品数据清洗与处理的基准样本。

背景与挑战

背景概述

Exeter Automobile Receivables Trust 2022-2数据集由美国证券交易委员会（SEC）根据ABS-EE（Asset-Backed Securities - Exhibit Enhanced）法规要求编制，旨在提供资产支持证券（ABS）领域的透明化数据。该数据集创建于2022年，聚焦于Exeter Automobile Receivables Trust 2022-2这一特定的汽车贷款证券化产品，由SEC监管框架下的EDGAR系统收录并公开。其核心研究问题在于通过细粒度的贷款层面数据，解析汽车应收款证券化的期限结构、违约风险及现金流表现，为资产定价与风险管理提供实证基础。数据集涵盖2022年3月至2026年2月的49份监管备案文件，总容量达185.1 MB，以Parquet格式高效存储，便于机器学习与金融分析。该数据集因其结构化、标准化及时间序列完整性，在结构化金融、信用风险建模及监管科技领域产生了显著影响力，推动了基于多期资产级数据的研究范式革新。

当前挑战

该数据集所解决的领域问题源于资产支持证券市场中信息不对称的长期挑战。传统模式下，投资者与评级机构难以获取单笔贷款的实时表现细节，导致对汽车贷款池的信用质量、提前偿还率及违约依赖结构评估不足。Exeter Automobile Receivables Trust 2022-2通过提供每个报告周期内的贷款级数据，使得风险分层与压力测试得以从宏观发起机构信用向微观个体贷款行为转变。在构建过程中，数据集面临多重技术挑战：从非标准化的SEC XML附件中解析并对齐49份涵盖动态报告期（每月末）的贷款层级数据，需处理不同时间跨度下的异构字段；将庞大且嵌套的XML结构转化为列式Parquet文件，同时确保数据一致性并规避时间戳漂移问题；此外，维护长达四年的连续报告链，需在版本控制中应对文件缺失或修正回溯的复杂情形，这些均对数据工程师的数据清洗与ETL管线设计提出了极高要求。

常用场景

经典使用场景

Exeter Automobile Receivables Trust 2022-2数据集收录了Exeter汽车贷款证券化项目的逐笔贷款级资产数据，覆盖从2022年3月至2026年2月的完整报告周期。该数据集最经典的应用在于资产支持证券（ABS）的信用风险评估与现金流建模，研究者可基于每笔贷款的还款表现、逾期状态及损失分布，构建精细化的违约概率与损失强度模型，深入剖析汽车贷款池的信用质量演变轨迹。

解决学术问题

在学术研究领域，该数据集有效破解了资产证券化市场中微观数据匮乏的困局，使得学者得以从贷款层面追溯ABS的业绩驱动因素。它助力解决信息不对称与道德风险等经典问题，通过揭示贷款特征与违约行为的深层关联，为资产定价、结构化金融产品设计及监管政策评估提供了坚实的实证基础，推动了金融中介理论的量化验证。

实际应用

实际应用中，该数据集是金融机构与监管机构进行压力测试与投资组合管理的核心工具。资产管理公司可据此动态监控底层资产池的信用波动，优化ABS的交易策略；评级机构则能通过逐笔贷款的时序表现校准评级模型，提升对汽车贷款证券化产品的风险识别精度，从而为市场参与者提供更审慎的决策参考。

数据集最近研究

最新研究方向

在资产证券化（ABS）领域，Exeter Automobile Receivables Trust 2022-2数据集为汽车贷款支持证券的微观结构分析提供了宝贵的高频资产级数据。当前前沿研究方向聚焦于利用其覆盖2022年至2026年间的49份ABS-EE备案文件，结合机器学习与时间序列建模，揭示还款模式、违约风险动态及利率敏感性的演变规律。该数据集与SEC强制披露的标准化XML资产数据紧密关联，推动了透明化监管下的信用风险量化研究，尤其在评估通胀与货币政策收紧对次级汽车贷款池表现的影响方面具有重要意义，为投资者与监管机构提供了从单笔贷款到整体证券化结构的穿透式分析框架。