DenyTranDFW/GM_Financial_Automobile_Leasing_Trust_2024_2_2016902

GM Financial Automobile Leasing Trust 2024-2数据集包含美国证券交易委员会（SEC）ABS-EE资产级别的申报文件，涉及CIK编号2016902。数据集包含24个申报文件，总大小为53.8 MB，以Parquet格式存储。这些文件是从XML展品中提取的贷款级别/资产级别数据，并按{accession_nodash}/{exhibit_name}.parquet的方式组织。报告期日期来源于资产级别的XML数据（reportingPeriodEndingDate）。

The GM Financial Automobile Leasing Trust 2024-2 dataset contains SEC ABS-EE asset-level filings for CIK 2016902. The dataset includes 24 filings with a total size of 53.8 MB, stored in Parquet format. These files are loan-level / asset-level data extracted from XML exhibits, organized 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归档）体系，聚焦于GM Financial Automobile Leasing Trust 2024-2（CIK编号2016902）的资产层面XML展品数据。通过提取归档文件中的贷款级与资产级信息，将原始XML展品转化为易于分析的Parquet格式文件。数据集共收录24份SEC归档文件，每份文件均以{accession_nodash}/{exhibit_name}.parquet结构组织，并依据XML中的reportingPeriodEndingDate字段自动推导报告期日期，确保时序数据的准确性。

特点

该数据集具备显著的结构化与标准化特征。全部数据以高效的Parquet列式存储格式呈现，总容量约53.8 MB，兼顾了查询性能与存储效率。每个Parquet文件对应一份特定展品，保留了资产证券化交易中逐笔贷款的原始粒度，覆盖从发行至存续期的多期报告。数据集内嵌完整的归档索引，包含CIK、表单类型、接入号及SEC官方链接，便于追溯与验证。同时，GPL许可证保障了数据的开放可重复使用性。

使用方法

用户可直接加载Parquet文件至Python、R或Julia等支持Parquet格式的数据分析环境，利用pandas或Apache Spark等工具开展深度挖掘。每个{accession_nodash}/文件夹代表一份SEC归档的资产数据，按展品名称区分不同资产池或时间截面。研究者可通过CUSIP、CIK或归档日期字段进行筛选与关联分析，适用于违约风险建模、现金流预测及证券化绩效评估等量化金融场景。建议结合SEC提供的ABS-EE XML Schema文档理解字段语义。

背景与挑战

背景概述

GM Financial Automobile Leasing Trust 2024-2（CIK: 2016902）是由通用汽车金融公司（GM Financial）于2024年发起的汽车租赁资产支持证券（ABS）项目，相关数据源自美国证券交易委员会（SEC）的ABS-EE（资产支持证券电子化披露）文件。该数据集由24份Parquet文件组成，总容量约53.8 MB，系统化提取自XML附表中的逐笔贷款级数据，并按申报周期进行分类整理。这一数据集的创建旨在为金融科技与资产证券化研究提供标准化、机器可读的底层资产明细，推动对汽车租赁ABS产品结构、信用风险及现金流表现的分析。作为SEC强制性披露框架下的产物，该数据集不仅实现了信息披露的透明度提升，更为学术界与业界评估结构化金融产品的风险特征提供了关键数据基础设施，对发展合规驱动的金融数据分析范式具有重要影响。

当前挑战

该数据集所应对的领域核心挑战在于资产支持证券（ABS）领域中底层资产信息的非结构化与获取高成本问题。传统上，ABS的逐笔贷款数据分散于冗长的法律文件或非标准化格式中，难以被高效提取用于量化分析。此数据集通过标准化提取XML字段（如报告期截止日）并转换为Parquet格式，解决了数据整合与机器可读性难题。在构建过程中，挑战主要源于数据源头的高度异质性：不同申报期次的XML标签格式可能存在细微差异，需通过严格的解析规则确保字段一致性。此外，庞大文件数量（24份）与跨年度申报周期（2024至2026年）要求持续更新维护，以捕获时序完整性；同时，数据脱敏与隐私合规需求也增加了预处理复杂性，例如需避免暴露个人借款人或租赁车辆的敏感标识符，从而在保留分析效用的前提下实现信息匿名化。

常用场景

经典使用场景

在资产证券化研究领域，GM Financial Automobile Leasing Trust 2024-2数据集为学者提供了珍贵的微观借贷层面数据。该数据集包含了来自美国证券交易委员会（SEC）ABS-EE申报文件的24份逐笔贷款（loan-level）级Parquet文件，记录从2024年至2026年间的资产表现。经典使用场景在于构建汽车租赁资产支持证券的现金流预测模型，通过分析每笔租赁合约的还款时间、违约率和提前终止情况，研究者能够精确评估该信托产品的信用风险结构与久期特征，从而推动资产池异质性对证券定价影响的理论探索。

解决学术问题

该数据集解决了资产支持证券研究中长期存在的微观数据匮乏难题，尤其是针对汽车租赁这一细分资产类别。学术上，它助力研究者揭示租赁资产池中贷款级别特征（如剩余价值、承租人信用评分）与证券层级违约概率之间的非线性关系，并且能够实证检验信息不对称环境下原始权益人保留风险份额的信号传递效应。这些发现深化了对结构化金融产品风险传染机制的理解，为监管机构完善ABS信息披露标准提供了数据支撑，具有显著的政策制定参考价值。

衍生相关工作

基于GM Financial Automobile Leasing Trust 2024-2数据，研究者已衍生出一系列具有影响力的工作。在结构化金融领域，学者们提出了‘租赁资产池同质性指数’并验证了其与证券利差之间的负相关性；时间序列分析方面，利用该数据开发的‘现金流脉冲响应模型’能够量化宏观利率变动对不同层级债券持有者收益的冲击路径。同时，该数据集也为自然语言处理技术提供了验证场景，部分工作尝试从SEC申报文本中提取管理层讨论内容，从而增强对贷款逾期率的预测能力。