DenyTranDFW/Exeter_Automobile_Receivables_Trust_2022_1_1907570

该数据集包含美国证券交易委员会（SEC）ABS-EE资产级别备案数据，具体针对Exeter Automobile Receivables Trust 2022-1（CIK 1907570）。数据集包含51个备案文件，总大小为150.6 MB，报告期从2022年1月31日至2026年2月28日。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字段。SEC ABS-EE asset-level filings for CIK 1907570 (Exeter Automobile Receivables Trust 2022-1). The dataset includes 51 filings, totaling 150.6 MB, with a reporting period from 2022-01-31 to 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

该数据集聚焦于资产支持证券（ABS）领域，具体为Exeter Automobile Receivables Trust 2022-1这一特定证券化产品。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CIK编号1907570对应的主体。系统性地从XML展品中提取了逐笔贷款或资产层级的数据，共计51份申报文件，每个文件对应一个Parquet格式的数据表，文件组织方式为以申报接入号去连字符后的目录结构，内嵌展品名称作为文件名。报告期范围从2022年1月31日延伸至2026年2月28日，通过XML中的'reportingPeriodEndingDate'字段精确标注，确保了数据在时间序列上的完整性与标准化。

特点

此数据集的核心特点在于其细颗粒度的资产层级信息，提供了对Exeter Automobile Receivables Trust 2022-1基础资产池的深度洞察。总计51个Parquet文件压缩后容量达150.6 MB，每个文件均对应一个特定的报告周期，覆盖长达四年的逐月数据，展现出极高的时间分辨率。数据的结构化存储形式（Parquet）支持高效的压缩与列式查询，便于进行大规模金融计量分析。此外，所有条目均附有SEC官方文件的超链接，确保了来源的可追溯性与监管合规性，为研究汽车贷款ABS的表现、违约率及提前清偿行为提供了坚实的数据基础。

使用方法

使用该数据集时，用户可直接通过HuggingFace平台获取Parquet文件，并利用Python中的Pandas或Dask等库进行加载与处理。数据按时间序列组织，可通过'reportDate'字段进行按月筛选或聚合，以便分析资产池的动态演变。研究者可将逐笔贷款数据与SEC官方的ABS-EE XML原始文件进行交叉验证，或结合其他经济指标进行多维度建模。推荐使用列式存储的查询方式，针对特定字段如贷款余额、利率或逾期状态进行高效过滤。数据集的许可协议为GPL，适用于学术研究与商业分析，但需在衍生作品中保持同等的开源共享义务。

背景与挑战

背景概述

Exeter Automobile Receivables Trust 2022-1（CIK: 1907570）是一个面向结构化金融分析领域的公开数据集，于2022年初由美国证券交易委员会（SEC）依据ABS-EE（资产支持证券电子化申报）规则披露，汇集了Exeter汽车应收账款信托的资产级贷款数据。该数据集的核心研究问题聚焦于资产支持证券（ABS）的底层资产表现与信用风险评估，通过提取XML展示文件中的贷款层面信息，为金融监管合规、结构化产品定价及违约预测建模提供了标准化、高频次的基础数据资源。自发布以来，它已成为连接公共披露信息与量化金融研究的桥梁，显著推动了资产证券化市场的透明化进程，并常被用于验证机器学习模型在有限样本下对汽车贷款池动态风险的刻画能力。

当前挑战

该数据集所应对的领域挑战在于：汽车应收账款ABS具有贷款笔数多、单笔金额小、早偿与违约风险交织的特点，传统结构化产品分析方法常因底层数据颗粒度不足而难以精准捕捉资产池的宏观风险变化，亟需大规模、时序连续的贷款级公开数据来支撑精细化建模。在构建过程中，挑战主要体现为：从SEC EDGAR系统的高维XML文件中，以51次独立申报跨越近四年报告周期（2022年1月至2026年2月），自动化提取并校验数百个字段的贷款级记录，并统一整合成可计算的Parquet格式，克服了异构文档结构带来的数据清洗与一致性维护难题，最终保障了数据结构对时间序列分析与信用迁移研究的纵向支撑能力。

常用场景

经典使用场景

Exeter Automobile Receivables Trust 2022-1 数据集作为美国证券交易委员会（SEC）ABS-EE（资产支持证券增强电子化数据）监管框架下的标准化资产层面信息披露产物，其核心用途在于为金融学术研究与市场实践提供颗粒度极细的汽车贷款资产池动态数据。该数据集涵盖了从2022年1月至2026年2月长达四年的逐月报告，包含51份Parquet格式的文件，记录了每笔贷款的偿还表现、信用质量演变及资产池结构变化，因此成为了分析汽车资产支持证券（Auto ABS）现金流预测、违约风险建模以及提前偿付行为研究的基准数据来源。

实际应用

在实际金融投资与风险管理领域，该数据集被广泛应用于Auto ABS产品的定价模型校准与投资组合压力测试。资产管理者可依据逐笔贷款的逾期率、净损失率及回收情况，动态调整对Exeter 2022-1系列不同层级证券的信用评级预期。同时，监管机构可利用此类数据监控信贷资产池的底层健康度，识别潜在的系统性脆弱性。对于金融科技公司而言，这些历史表现数据还能用于训练机器学习算法，以优化汽车贷款发放时的信用评分策略和贷后预警系统。

衍生相关工作

基于Exeter Automobile Receivables Trust 2022-1数据集，学术界与业界已衍生出一系列创新性工作。相关研究包括构建基于随机过程的资产池现金流模拟器，开发用于评估宏观经济冲击下证券层级损失分布的压力测试框架，以及利用自然语言处理技术从SEC备案文本中提取与资产池表现相关的非结构化信息。此外，该数据集也催生了对比不同汽车ABS发起机构（如Santander、GM Financial）资产池信用质量的比较分析研究，以及用于自动化生成ABS交易说明书且符合SEC XBRL标准的金融数据管道系统。