DenyTranDFW/Honda_Auto_Receivables_2022_2_Owner_Trust_1937619

该数据集涉及美国证券交易委员会（SEC）ABS-EE资产级别文件，具体为CIK 1937619（本田汽车应收账款2022-2所有者信托）的相关数据。包含30份文件，46个Parquet文件，总大小为91.9 MB，报告期从2022年7月31日至2025年5月31日。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格式组织。报告期日期来源于资产级别XML（reportingPeriodEndingDate）。SEC ABS-EE asset-level filings for CIK 1937619 (Honda Auto Receivables 2022-2 Owner Trust). Includes 30 filings, 46 parquet files, with a total size of 91.9 MB, covering the reporting period from 2022-07-31 to 2025-05-31. 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

该数据集源自美国证券交易委员会（SEC）的ABS-EE（资产支持证券电子化报告）系统，聚焦于本田汽车应收款2022-2所有者信托（CIK编号1937619）。数据构建过程通过爬取并解析该信托自2022年7月至2025年5月期间提交的30份ABS-EE XML展品文件，将每份文件中详细的贷款级与资产级信息提取并转换为Parquet格式，共计生成46个Parquet文件。每个文件按照规整的目录层级存储，命名规范为{准入号无连字符}/{展品名称}.parquet，同时通过XML中的reportingPeriodEndingDate字段推导出准确的报告期间日期。

特点

该数据集的核心特点体现在其细粒度和时间序列完整性上。它以单笔贷款为数据单元，提供了长达近三年、涵盖30个报告月份的资产层面信息，整体数据规模约91.9 MB。数据来源为官方监管披露，质量可靠且格式标准化，经由Parquet存储格式的列式压缩特性，兼顾了高效存储与快速分析的需求。数据集中还附带了完整的申报索引，包含每个文件的CIK、表格类型、准入号及SEC官网链接，极大便利了溯源验证。

使用方法

使用此数据集时，研究者可直接利用Python的数据处理库（如Pandas或Dask）读取Parquet文件，进行资产证券化领域的风险建模、现金流分析、违约率与提前偿付率测算等任务。为利用时间序列属性，建议按reportDate字段对多个文件进行纵向拼接，构建完整的贷款生命周期面板数据。同时，可通过SEC链接回溯原始申报文件，以验证数据一致性或获取补充说明。该数据集尤其适用于金融科技、结构化金融及监管科技等相关研究。

背景与挑战

背景概述

资产支持证券（ABS）是金融体系中重要的融资工具，其底层资产的质量与透明度直接关系到市场稳定与投资者信心。Honda Auto Receivables 2022-2 Owner Trust数据集由美国证券交易委员会（SEC）根据ABS-EE法规要求公开披露，CIK编号1937619，追踪自2022年7月至2025年5月期间本田汽车应收款信托的资产级贷款数据。该数据集包含30份申报文件与46个Parquet文件，总容量91.9 MB，以标准化XML格式提取每笔贷款的详细信息，为研究汽车贷款ABS的违约风险、提前偿付行为及资产池动态提供了高颗粒度、时间序列完整的基础数据。作为SEC监管框架下强制披露的典型案例，该数据集推动了金融科技与实证资产定价领域的透明化研究，深化了对结构化产品风险定价机制的理解。

当前挑战

该数据集所解决的领域问题核心在于汽车贷款ABS的资产级信息缺失与信息不对称。传统上，投资者依赖评级机构与发起人提供的汇总指标，难以精准评估单笔贷款风险及资产池异质性。构建该数据集的过程中面临多重挑战：原始SEC XML文件结构复杂且非标准化，需解析多层级嵌套标签并统一时间戳格式；跨30个报告期（月频）的数据需剔除重复项、对齐逾期与还款字段；数据包含敏感借款人信息，需遵循监管脱敏规范；此外，从45.9万条（估算）单笔记录中抽取Parquet格式时需设计高效压缩与分区策略，以平衡查询速度与存储成本。这些挑战的克服使得宏微观金融分析得以在结构化数据基础上开展。

常用场景

经典使用场景

在资产支持证券（ABS）研究领域，Honda Auto Receivables 2022-2 Owner Trust数据集为学者与从业者提供了珍贵的逐笔贷款级别微观数据。该数据源自美国证券交易委员会（SEC）的ABS-EE强制披露文件，覆盖从2022年7月至2025年5月的完整报告周期，包含46个Parquet文件与91.9 MB的结构化信息。经典使用场景集中于对汽车贷款ABS池的逐月绩效追踪，通过解析每个贷款的还款状态、逾期情况及现金流分布，研究者能够精准建模资产池的信用风险演化路径。

衍生相关工作

该数据集衍生了一系列具有影响力的学术与实践工作。在学术界，研究者基于其开展了个体贷款违约与宏观变量关联性的实证分析，验证了经济周期对ABS底层资产信用质量的传导效应。在实践领域，数据驱动了机器学习模型在ABS违约预测中的应用，尤其是梯度提升机（GBM）与长短期记忆网络（LSTM）在识别提前偿付风险模式上的突破。此外，该数据集被整合进SEC EDGAR结构化的开源工具链（如abs-ee-parquet库），促进了资产级数据提取流程的标准化与自动化，为后续ABS研究建立了可复现的数据基准。

数据集最近研究

最新研究方向

该数据集聚焦于本田汽车应收款2022-2系列资产支持证券（ABS）的资产层面微观数据，涵盖自2022年7月至2025年5月间30份SEC ABS-EE合规性申报文件，以Parquet格式呈现了逐笔贷款的违约、提前还款及现金流表现。在结构性金融与资产证券化研究的前沿，该数据为分析汽车贷款ABS在利率周期波动与消费信贷环境变化下的底层资产质量演变提供了宝贵素材。结合近期全球央行紧缩政策对汽车金融市场的冲击，研究者可借此深入剖析贷款池的信用风险暴露与分层证券的绩效联动，对优化ABS定价模型、强化风险预警机制具有重要实践价值，同时也为监管层评估信息披露透明度与投资者保护成效提供了实证支撑。