DenyTranDFW/Exeter_Automobile_Receivables_Trust_2024_4_2026417

该数据集包含SEC ABS-EE资产级别文件，具体为CIK 2026417（Exeter Automobile Receivables Trust 2024-4）的相关文件。数据集包含20个文件，格式为Parquet，总大小为53.5 MB。报告期从2024年7月31日开始，到2026年2月28日结束。Parquet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的方式组织。报告期日期来源于资产级别XML中的reportingPeriodEndingDate。

SEC ABS-EE asset-level filings for CIK 2026417 (Exeter Automobile Receivables Trust 2024-4). The dataset includes 20 filings in Parquet format, totaling 53.5 MB. The reporting period starts on 2024-07-31 and ends on 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

在资产证券化（ABS）领域，Exeter Automobile Receivables Trust 2024-4数据集通过系统抓取美国证券交易委员会（SEC）EDGAR系统中CIK编号2026417对应的ABS-EE资产级申报文件构建而成。具体而言，该数据集从20份XML展品中提取贷款级/资产级数据，并按照{accession_nodash}/{exhibit_name}.parquet的目录结构组织为Parquet格式文件，其中报告期日期直接来源于XML元数据中的reportingPeriodEndingDate字段。

特点

本数据集覆盖了2024年7月31日至2026年2月28日的完整报告期，共包含20个Parquet文件，总容量约为53.5 MB，呈现出时间跨度长、数据粒度精细的特点。每个文件忠实保留了SEC官方申报中的原始资产级信息，且数据格式采用高效的列式存储Parquet，便于大规模金融时序分析、ABS风险评估及机器学习建模等研究场景的快速加载与处理。

使用方法

用户可通过Hugging Face Datasets库直接加载该数据集，或利用Pandas等工具读取Parquet文件进行探索。具体操作时，可依据报告日期筛选特定窗口期的资产表现数据，也可结合多种Transformer模型对贷款还款行为、违约率等指标进行时序预测。此外，数据集支持与SEC原始申报元数据（如form、accessionNumber）进行关联，便于追溯数据源头及合规校验。

背景与挑战

背景概述

Exeter Automobile Receivables Trust 2024-4数据集由美国证券交易委员会（SEC）按照ABS-EE规则发布，旨在提供资产支持证券（ABS）中汽车贷款层面的精细数据，覆盖2024年7月至2026年2月的20个报告期。该数据集的核心研究问题在于通过标准化、机器可读的XML格式，揭示汽车贷款ABS产品的逐笔资产表现，从而推动结构化金融市场的透明度和可分析性。作为SEC监管现代化的重要成果，它为学者、投资者与监管机构提供了评估信用风险、违约模式及现金流结构的宝贵素材，对金融实证研究和风险管理实践产生了深远影响。

当前挑战

该数据集致力于解决资产支持证券领域的信息不对称问题，传统上投资者难以获取贷款层面的详细数据，导致对底层资产质量与违约风险的评估受限，而数据集通过标准化披露提升了透明度。构建过程中面临的挑战包括：从复杂、格式多样的XML展品中准确解析并转化为结构化Parquet文件，确保数据一致性和完整性；同时需要严格对应SEC的合规要求，处理大量数据的时效性与版本控制，以及跨20个报告期的月度更新，维护数据治理的高标准。

常用场景

经典使用场景

在资产证券化（ABS）研究领域，Exeter Automobile Receivables Trust 2024-4 数据集为学者与从业者提供了详尽的贷款层面资产级数据，覆盖自2024年7月至2026年2月的20份SEC ABS-EE备案文件。该数据集的经典使用场景聚焦于剖析汽车贷款抵押池的信用表现与结构设计，研究者可借此追踪每笔贷款的偿付历史、逾期状态及提前还款行为，从而构建贷款违约与损失模型，评估资产池的现金流波动与风险分层特征。

衍生相关工作

围绕Exeter Automobile Receivables Trust 2024-4数据集，衍生出一系列经典研究与应用工作，例如构建机器学习模型预测贷款逾期风险并生成动态评分卡，或开发基于时间序列的现金流瀑布模拟框架以评估优先级债券的久期风险。部分工作聚焦于利用该数据训练可解释性AI系统，自动识别贷款特征与违约因素的因果路径，另一些则将其与宏观经济指标融合，分析利率变动对汽车ABS整体信用利差的影响，这些探索极大丰富了结构性金融数据科学的方法论体系。

数据集最近研究

最新研究方向

该数据集聚焦于资产支持证券（ABS）领域中的汽车贷款应收款证券化，以Exeter Automobile Receivables Trust 2024-4为对象，提供了从2024年7月至2026年2月期间共20份SEC ABS-EE监管备案文件，涵盖逐笔贷款级别的资产数据。在金融科技与结构化产品透明度需求日益高涨的背景下，该数据集为研究汽车ABS的信用风险演化、提前偿付行为建模及资产池异质性分析提供了精细化的时序素材。结合近期监管层对证券化市场数据标准化和可追溯性的强调，这一资源可支撑前沿的机器学习预测模型，如基于图神经网络的违约传染路径挖掘，或利用Transformer架构对逐月资产表现进行动态归因，从而推动ABS定价与风险管理从静态池分析向动态、微观层面的智能评估范式转变。