DenyTranDFW/Exeter_Automobile_Receivables_Trust_2025_1_2049379

该数据集包含美国证券交易委员会(SEC)关于Exeter Automobile Receivables Trust 2025-1(CIK 2049379)的资产支持证券(ABS)资产级别申报文件(ABS-EE)。数据集包含16个Parquet格式文件(总计65.9MB)，这些文件是从XML展示文件中提取的贷款/资产级别数据，按{accession_nodash}/{exhibit_name}.parquet方式组织。报告期从2024年12月31日至2026年2月28日。

SEC ABS-EE asset-level filings for CIK 2049379 (Exeter Automobile Receivables Trust 2025-1). The dataset contains 16 Parquet files (total 65.9 MB) of loan-level/asset-level data extracted from XML exhibits, organized as `{accession_nodash}/{exhibit_name}.parquet`. The reporting period spans from 2024-12-31 to 2026-02-28.

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申报）系统，聚焦于Exeter Automobile Receivables Trust 2025-1（CIK编号2049379）的资产层面披露信息。数据集构建过程中，从SEC EDGAR数据库中提取了该信托自2024年12月31日至2026年2月28日期间的16份ABS-EE申报文件，并将每份文件中的XML展品转化为Parquet格式的逐笔贷款/资产级数据。每个Parquet文件按照申报编号（accession number）和展品名称的层级结构进行组织，确保数据的可追溯性与结构化程度。数据集总计包含16个Parquet文件，总体积约为65.9 MB，覆盖了该资产支持证券存续期内的完整资产表现信息。

使用方法

用户可通过HuggingFace Datasets库或直接使用Pandas等数据分析工具加载Parquet文件进行探索。典型分析流程包括：利用Python的`pandas.read_parquet()`函数读取特定申报期的资产级数据，结合`reportingPeriodEndingDate`字段进行时间序列切片；或通过合并多个月份的Parquet文件构建完整的资产池面板数据。该数据集适用于汽车贷款ABS的信用风险建模、提前偿付率估算、违约概率预测等实证研究任务。用户亦可借助Parquet文件的列式存储特性，高效筛选特定变量（如贷款余额、剩余期限、地理分布）进行定向分析，从而深入理解底层资产的绩效演变规律。

背景与挑战

背景概述

资产支持证券（ABS）作为结构化金融产品，其透明度和风险定价依赖于底层资产池的详尽披露。Exeter Automobile Receivables Trust 2025-1 数据集由美国证券交易委员会（SEC）根据ABS-EE规则强制要求提交，涵盖了CIK 2049379所对应的汽车贷款资产池信息，数据时间跨度从2024年12月31日至2026年2月28日，包含16份XML展品提取的Parquet文件，总容量约65.9 MB。该数据集的核心研究问题在于提供逐笔贷款的标准化微观数据，以支持对汽车ABS的信用风险、提前偿付行为及资产池异质性的实证分析。作为SEC推动结构化金融信息披露倡议的产物，该数据集为金融监管、信用评级模型验证以及资产定价理论的发展提供了宝贵的高频粒度的凭证，显著提升了二级市场参与者的风险判别能力。

当前挑战

该数据集面临的核心领域挑战在于汽车ABS市场的复杂结构化风险特性：资产池包含数千笔个体贷款，其违约与偿付行为高度依赖于借款人信用状况、车辆残值及宏观经济变量，传统聚合披露无法揭示尾部风险与相关性结构。具体而言，如何从这16个时间节点的逐笔数据中精确刻画贷款生命周期的动态风险，例如在2025年2月至2026年2月期间识别提前偿付速度的突变模式，是一大难题。构建过程中的挑战则体现在数据异构性与标准化上：XML展品中字段命名与编码格式在不同申报周期可能存在细微差异，需通过细致的解析与校验逻辑将其统一为Parquet列式存储，同时确保报告日期（reportingPeriodEndingDate）与14个申报时间点的无缝对齐，避免因数据缺失或匹配错误导致的样本偏差。

常用场景

经典使用场景

在资产证券化（ABS）研究领域，该数据集作为Exeter Automobile Receivables Trust 2025-1的逐笔贷款级数据，广泛应用于结构化金融产品的信用风险建模与现金流分析。研究者可依据SEC ABS-EE标准格式的资产层面信息，评估汽车贷款池的违约概率、提前偿付行为及损失分布，进而模拟不同经济情景下的证券化产品评级表现。其按月更新的高频粒度特性，为动态风险因子识别和池内异质性研究提供了坚实基础。

解决学术问题

该数据集精准回应了资产证券化研究中底层资产透明度不足的长期痛点，使学者能够从单笔贷款层面解构信用风险传染机制，实证检验贷款特征（如本金余额、剩余期限、地域分布）与违约关联性的假设。它推动了关于信息不对称对ABS定价影响的计量分析，并支持了监管层对结构化产品数据标准化披露效果的评估，显著提升了市场效率与学术严谨性。

实际应用

在实际金融场景中，该数据集可被金融机构用于构建内部压力测试模型，优化汽车贷款证券化产品的定价策略与资本配置。评级机构可利用其月度时序数据校准评级模型中的违约概率与损失严重性参数，提升评级结果的时效性与准确性。此外，资产管理公司能基于该数据动态监控持仓ABS的风险敞口，辅助制定交易与对冲决策。

数据集最近研究

最新研究方向

在资产证券化领域，Exeter Automobile Receivables Trust 2025-1 数据集以SEC ABS-EE标准格式提供了自2024年12月至2026年2月间逐笔汽车贷款层面的结构化数据，共含16份Parquet文件。该数据集为研究汽车金融ABS底层资产信用表现、早偿与违约风险建模、以及证券化产品的现金流预测提供了高颗粒度的实证素材。其规范的XML提取流程与时间序列覆盖特性，契合了当前金融科技背景下对透明度提升与风险动态监测的前沿需求，尤其在资产分层定价与监管合规自动化分析方面具有显著应用价值。