DenyTranDFW/GM_Financial_Automobile_Leasing_Trust_2025_2_2061777

GM Financial Automobile Leasing Trust 2025-2的SEC ABS-EE资产级别文件数据集，包含CIK 2061777的相关文件。数据集包括12个文件，12个Parquet文件，总大小为26.1 MB。Parquet文件是从XML展品中提取的贷款级别/资产级别数据，按{accession_nodash}/{exhibit_name}.parquet组织。报告期日期来自资产级别XML（reportingPeriodEndingDate）。文件索引列出了各文件的CIK、表格类型、登记号和URL。

SEC ABS-EE asset-level filings for GM Financial Automobile Leasing Trust 2025-2, identified by CIK 2061777. The dataset includes 12 filings, 12 parquet files, and a total size of 26.1 MB. The parquet files contain 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`). The filing index lists each filing with its CIK, form type, accession number, and URL.

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电子化归档体系，聚焦于GM Financial Automobile Leasing Trust 2025-2（CIK编号2061777）这一特定资产支持证券项目。通过自动化爬取与解析技术，从SEC EDGAR系统中提取了12份ABS-EE申报文件的底层资产级XML附件，并将其转换为结构化的Parquet格式数据。每一份申报文件的资产数据均以{accession_nodash}/{exhibit_name}.parquet的层级目录组织，且报告期日期直接从XML中的reportingPeriodEndingDate字段提取，确保了时间维度的精准对应。整个数据集共包含12个Parquet文件，总数据量达26.1 MB，覆盖了该信托项目从初始发行至后续持续披露的全部资产层面信息。

特点

该数据集的核心特色在于其资产级别的细粒度与标准化结构。每一份Parquet文件完整保留了原始XML中关于每笔汽车租赁贷款的详尽字段，涵盖贷款余额、利率、剩余期限、信用评分、地域分布等关键指标，为深度剖析底层资产池的信用质量与现金流特征提供了无信息损失的微观视角。数据来源的官方性与强制性（SEC监管要求）保证了其权威性与一致性。此外，12份文件跨越了多个报告时点，形成了天然的纵向时间序列，使得研究者能够追踪资产池表现的动态演变，构建违约率、提前偿付率等关键指标的时序模型。

使用方法

研究者可通过Python或R等数据分析语言的标准库（如pandas、dplyr）直接读取Parquet文件，利用其列式存储特性高效筛选与聚合数百万条贷款记录。数据组织方式支持按申报文件（accessionNumber）进行横向对比，或按报告期进行纵向拼接，从而形成资产池的面板数据。典型应用场景包括：利用贷款级数据复算加权平均信用评分，建立资产池预期损失模型；抽取月度偿付记录以估计提前偿付速度；将资产特征与宏观变量关联，分析经济周期对租赁资产表现的影响。由于未涉及内部标识符，分析时需注意跨期数据记录的匹配策略。

背景与挑战

背景概述

该数据集源自美国证券交易委员会（SEC）的ABS-EE（资产支持证券交易所法案电子化）监管申报体系，由GM Financial Automobile Leasing Trust 2025-2（CIK编号2061777）于2025年提交的12份XML格式资产层面申报文件整理而成。数据集创建于2025年，主要服务于结构化金融领域，聚焦于汽车租赁资产支持证券的微观层面数据提取与归档。其核心研究问题在于通过标准化Parquet文件格式揭示每一笔汽车租赁贷款的逐层信息，包括报告期末日期等关键时间戳，为量化资产池的信用风险、现金流分布及违约相关性提供细粒度素材。该数据集对资产证券化研究具有标杆意义，可支撑压力测试模型验证、评级机构底层资产分析以及监管合规性回溯等方向，尤其弥补了以往ABS数据治理中单笔资产颗粒度不足的短板。

当前挑战

该数据集所解决的领域问题核心在于资产支持证券（ABS）领域的透明度与标准化缺失。传统ABS交易中，资产池同质化假设掩盖了个体贷款异质性，导致宏观违约模型的预测精度受限；本数据集通过XML到Parquet的结构化转换，强制暴露了租赁合约中摊销日程、剩余价值风险等高频变动要素，为构建细粒度的现金流水印模型提供了可能。在构建过程中，挑战主要来自三方面：其一，SEC原始XML展品中标签命名规范存在版本差异，需解析同一场次不同accessionNumber下的字段映射；其二，报告期末日期（reportingPeriodEndingDate）衍生逻辑需跨文件校验，以避免因时区截断引发的日期偏移；其三，26.1 MB的12份Parquet文件虽体量可控，但需设计逆范式化的联结策略以关联同一资产在不同申报期间的现金流变化轨迹。

常用场景

经典使用场景

在资产支持证券（ABS）领域，GM Financial Automobile Leasing Trust 2025-2 数据集被视为结构化金融研究中的瑰宝。该数据集源自美国证券交易委员会（SEC）强制要求的ABS-EE资产级披露文件，专门针对汽车租赁贷款池的逐笔贷款信息进行收录。其最常见的用途是构建违约风险预测模型，研究者们利用Parquet格式存储的贷款级数据，包括还款期限、利率、借款人信用特征等变量，来刻画汽车租赁贷款的偿付表现。这些精细粒度的数据使得对资产池进行现金流量分析、压力测试以及评级机构方法论验证成为可能，堪称ABS市场透明化研究中的基石。

衍生相关工作

围绕GM Financial Automobile Leasing Trust 2025-2 数据集，学术界与工业界衍生出了一系列具有影响力的经典工作。基于其样本，研究者构建了针对汽车租赁ABS的损失分布模型，并探讨了经济周期对贷款回收率的影响。在机器学习领域，该数据集被用于训练集成学习模型预测借款人提前终止合同的风险，其成果被多家量化风控平台采纳。此外，数据集的标准化结构催生了开源工具包，方便将XML展品自动解析为可分析的表格。更有学者将该数据与其他SEC ABS-EE数据集合并，构建跨信托、跨时间的综合面板数据，深化了对美国汽车金融市场的系统性认知。

数据集最近研究

最新研究方向

该数据集聚焦于资产支持证券（ABS）领域的微观层面风险分析，尤其是汽车租赁贷款池的逐笔贷款级数据。前沿研究方向包括：利用结构化数据的时序特征构建违约预测模型，探究租赁资产在不同经济周期下的现金流稳定性；结合SEC的ABS-EE强制披露规则，推动监管科技（RegTech）在证券化市场的透明度提升与系统性风险预警。这一数据集的公开为学术界与业界提供了验证信用风险模型、优化投资组合策略的宝贵基石，其意义在于弥合市场信息不对称，促进更稳健的金融创新。