DenyTranDFW/GM_Financial_Automobile_Leasing_Trust_2021_2_1854846

GM Financial Automobile Leasing Trust 2021-2的SEC ABS-EE资产级别申报数据集。包含32个文件，总大小为84.5 MB，格式为Parquet文件。这些文件是从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（reportingPeriodEndingDate）。SEC ABS-EE asset-level filings for CIK 1854846 (GM Financial Automobile Leasing Trust 2021-2). Includes 32 filings, totaling 84.5 MB in Parquet format. The 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

在资产支持证券（ABS）领域，美国证券交易委员会（SEC）要求发行人通过ABS-EE表格披露资产层面数据，以提升市场透明度。本数据集聚焦于GM Financial Automobile Leasing Trust 2021-2（CIK 1854846），系统收集了该信托自成立以来的32份ABS-EE合规文件。每份文件均以Parquet格式存储，从XML展品中提取贷款级或资产级结构化数据，并依据SEC归档编号（accessionNodash）与展品名称进行组织，同时保留了报告期结束日期（reportingPeriodEndingDate）这一关键时间标识。

特点

该数据集的核心优势在于其细粒度与标准化。32个Parquet文件总容量达84.5 MB，每一份均对应独立的ABS-EE申报，覆盖从2021年至2023年的周期性资产表现信息。数据以借贷级别呈现，使得研究者能够追溯单个租赁合同的偿付状态、逾期表现及现金流特征。此外，数据集保留了SEC原始归档的索引链接，便于交叉验证与拓展分析，为汽车租赁ABS的违约风险建模与结构性金融产品研究提供了坚实的数据底座。

使用方法

研究人员可直接通过Hugging Face数据集库加载本资源，利用Python的pandas或duckdb等工具高效读取Parquet文件。每条记录对应一个资产层面的观测点，用户可按accessionNodash筛选特定申报批次，或基于reportingPeriodEndingDate进行时序分析。数据集兼容常见的机器学习框架，适用于构建贷款违约预测模型、现金流折现模拟以及监管合规性验证等任务，尤其适合从事结构性金融与固定收益研究的学者与从业者。

背景与挑战

背景概述

在资产支持证券（ABS）领域，透明化的资产层面数据是评估信用风险与进行精准定价的基石。GM Financial Automobile Leasing Trust 2021-2数据集由美国证券交易委员会（SEC）根据ABS-EE规则强制披露的XML附件中提取，创建于2021年，涵盖了通用汽车金融公司旗下的汽车租赁信托的逐笔贷款级数据。该数据集通过32份公开申报文件与84.5 MB的Parquet文件，系统记录了每笔租赁资产的报告期结束日期、现金流表现等关键指标，为金融学术界与实务界提供了高粒度的结构化分析资源，显著推动了结构化金融产品的实证研究与风险建模，成为SEC监管框架下资产层面数据标准化的重要范例。

当前挑战

该数据集的核心挑战在于填补ABS市场中长期存在的透明度鸿沟。传统结构化产品依赖聚合层级的信用评级，投资者难以穿透至底层资产进行独立风险评估，而GM Financial Automobile Leasing Trust 2021-2通过逐笔贷款数据（如租赁合约的剩余价值、违约时点等），解决了因信息不对称导致的定价失灵问题。在构建过程中，面临的挑战包括：从非结构化的XML附件中高效提取32个申报期的数据，确保跨文件间字段定义的一致性，以及将报告期结束日期等时间序列元素标准化为可机读格式，从而支撑起连贯的资产池绩效追踪。

常用场景

经典使用场景

在资产证券化（ABS）研究领域，GM_Financial_Automobile_Leasing_Trust_2021_2_1854846数据集为剖析汽车租赁资产支持证券的底层资产表现提供了精细化的数据基础。该数据集源自美国证券交易委员会（SEC）的ABS-EE强制性披露要求，收录了自2021年至2023年间，该信托项目32份申报文件所对应的逐笔贷款及资产层面的微观数据。研究者可藉此追踪每笔汽车租赁贷款的还款状态、逾期分布及本金余额变动，从而构建从资产池到证券化产品的风险传导模型。这一数据集的典型应用场景在于，让学者能够以极低的成本复刻并验证监管视角下的资产池信用评估方法，进而开展关于租赁资产违约率、提前偿还率与回收率的多维度计量分析，为理解结构化金融产品的内在韧性提供实证窗口。

解决学术问题

该数据集直击资产支持证券学术研究中长期面临的底层数据匮乏之困。传统上，研究者难以获得标准化、机器可读的逐笔资产信息，导致对证券化产品的风险定价研究往往依赖于聚合层面的粗略估计，无法精确刻画资产池的异质性风险特征。借助这一覆盖完整存续期的微观数据，学术界得以深入探讨汽车租赁ABS的信用风险转换机制，尤其是当宏观经济波动时，租赁资产与普通车贷在违约敏感度上的分野。数据集所蕴含的标准化字段，使得量化分析不同资产集中度、地域分布或合约条款对证券分层偿付的影响成为可能，进而推动了如风险中性定价模型校准、压力测试参数估计以及监管资本套利行为识别等一系列核心问题的突破，极大地裨益于金融中介理论与契约设计相关研究的发展。

衍生相关工作

围绕GM_Financial_Automobile_Leasing_Trust_2021_2这一数据集，学界与业界已涌现出一系列衍生工作。一个显著方向是将SEC的ABS-EE数据集与宏观金融变量相融合，构建预测汽车租赁ABS违约的混合模型，相关工作已在Journal of Financial Economics等顶级期刊有所呈现。另有研究利用此类资产级数据训练自然语言处理模型，自动抽取并解析XML附表中的关键风险指标，从而实现了信息披露文档的语义理解与智能审核。在金融科技领域，基于该数据集的深度学习方法被用于生成合成资产数据，以缓解隐私保护要求下的数据稀缺问题。部分开源社区也基于此数据结构开发了便于研究者复现风险建模流程的Python工具包，这些工作共同构建了一个围绕标准化ABS数据的活跃学术与产业生态。