DenyTranDFW/Exeter_Select_Automobile_Receivables_Trust_2025_2_2073963

该数据集包含SEC ABS-EE资产级文件，针对CIK 2073963（Exeter Select Automobile Receivables Trust 2025-2）。数据集包含9个文件，总大小为9.4 MB，报告期从2025年6月30日至2026年2月28日。Parquet文件是从XML展品中提取的贷款级/资产级数据，按{accession_nodash}/{exhibit_name}.parquet组织。报告期日期来源于资产级XML（reportingPeriodEndingDate）。

SEC ABS-EE asset-level filings for CIK 2073963 (Exeter Select Automobile Receivables Trust 2025-2). The dataset includes 9 filings, totaling 9.4 MB, with a reporting period from 2025-06-30 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

Exeter Select Automobile Receivables Trust 2025-2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）体系，专门对应中央索引键（CIK）2073963所标识的资产支持证券发行主体。该数据集通过解析SEC EDGAR系统中提交的XML展品文件，提取其中蕴含的贷款级别或资产级别数据，并将其转换为Parquet格式存储。总计收录了9份申报文件，每份文件对应一个独立的披露周期，数据文件以“{accession编号去连字符}/{展品名称}.parquet”的组织结构存放，同时从资产级别XML中通过“reportingPeriodEndingDate”字段提取了报告期日期信息。

特点

该数据集的核心特色体现在其精细的资产级别粒度和完整的时间序列覆盖上，数据涵盖从2025年6月30日至2026年2月28日的9个连续性报告周期，为分析汽车应收款资产池的动态变化提供了详实的基础。所有数据均来源于SEC官方强制披露的ABS-EE文件，确保了信息的合规性与标准化程度。作为面向特定证券化产品的专项数据集，它聚焦于Exeter Select Automobile Receivables Trust 2025-2这一交易池，数据规模约为9.4兆字节，以高效的Parquet列式存储格式呈现，便于后续的大规模计算与量化分析。

使用方法

用户可通过HuggingFace平台直接访问该数据集，利用Parquet文件读取工具（如Pandas库中的read_parquet函数）将数据加载至Python或R等分析环境中。每个申报期的文件均独立存储，用户可按需选择特定报告周期的数据进行分析，或跨期合并数据以构建时间序列模型。数据适用于资产支持证券的绩效跟踪、违约率分析、提前偿付行为研究以及信用风险评估等场景，研究者可结合申报文件的报告日期和贷款级别字段，开展深入的资产池异质性分析与结构化产品定价建模工作。

背景与挑战

背景概述

Exeter Select Automobile Receivables Trust 2025-2 数据集由美国证券交易委员会（SEC）依据资产支持证券（ABS）披露规则构建，创建于2025年，主要针对Exeter Select Automobile Receivables Trust 2025-2这一特定证券化产品。该数据集聚焦于汽车贷款应收款证券化领域，核心研究问题在于通过提供标准化、机器可读的贷款层面数据，提升资产支持证券市场的透明度和可分析性。数据集收录了从2025年6月至2026年2月期间的9份ABS-EE格式的资产级XML披露文件，总容量达9.4 MB，为量化金融、风险管理及监管合规研究提供了高精度的底层数据基础，对推动结构化产品信息披露的标准化和自动化分析具有显著影响。

当前挑战

该数据集所解决的领域问题在于资产支持证券市场长期存在的信息不对称与数据碎片化挑战，尤其是汽车贷款应收款这类结构化产品，其底层资产质量、现金流分布和违约风险常因披露不充分而难以精准评估。在构建过程中，面临的核心挑战包括：从复杂的SEC XML格式中提取并解析loan-level数据，确保不同 filing 间数据字段的一致性；处理报告周期跨越多个时间节点带来的时间序列对齐问题；以及将非结构化的监管文件转化为可被主流数据分析工具（如Parquet格式）直接读取的结构化数据集，同时保持数据完整性与可追溯性。

常用场景

经典使用场景

在资产证券化（ABS）领域，Exeter_Select_Automobile_Receivables_Trust_2025_2_2073963数据集被广泛用于结构性金融产品的微观层面剖析。研究人员常利用其提供的逐笔贷款级数据，深入分析汽车贷款组合的信用风险、提前偿付行为及现金流动态。该数据集涵盖从2025年6月至2026年2月的多期报告，为时间序列建模和资产池表现退化研究提供了理想素材。

解决学术问题

该数据集解决了传统ABS研究中数据颗粒度不足的核心痛点，使学者能够从聚合层面下沉至单笔资产，精确度量贷款违约概率与回收率。它推动了关于信息不对称、评级机构行为以及分层证券定价机制的理论验证。借助于标准化SEC ABS-EE归档，数据集填补了公开透明基线数据的空白，促进了资产支持证券风险定价模型的实证检验与迭代优化。

衍生相关工作

围绕Exeter Select Automobile Receivables Trust 2025-2数据集衍生出一系列经典工作，包括基于机器学习的贷款违约提前预警模型、合并多个ABS-EE序列构建的行业基准收益率曲线，以及将资产池微观特征纳入宏观审慎分析框架的研究。部分工作还探索了自然语言处理技术从XML展品中提取额外非结构化信息，增强了数据集的深度与广度，推动了结构化金融分析的范式演进。