DenyTranDFW/GM_Financial_Automobile_Leasing_Trust_2022_2_1919984

GM Financial Automobile Leasing Trust 2022-2的SEC ABS-EE资产级别备案数据集，包含CIK 1919984的相关文件。数据集包含29个备案文件，总大小为83.8 MB，数据以Parquet格式存储，从XML展品中提取并按特定结构组织。备案索引列出了所有备案的CIK、表格、accessionNumber和URL。数据集标签包括sec、abs-ee和asset-backed-securities，表明其与证券和资产支持证券数据相关。SEC ABS-EE asset-level filings dataset for GM Financial Automobile Leasing Trust 2022-2, related to CIK 1919984. The dataset includes 29 filings, totaling 83.8 MB in size, stored in Parquet format, extracted from XML exhibits and organized in a specific structure. The filing index lists all filings with their respective CIK, form, accessionNumber, and URL. The dataset is tagged with sec, abs-ee, and asset-backed-securities, indicating its relevance to securities and asset-backed securities data.

搜集汇总

数据集介绍

构建方式

该数据集聚焦于GM Financial Automobile Leasing Trust 2022-2这一资产支持证券（ABS）项目，系统性地收集了其在美国证券交易委员会（SEC）提交的ABS-EE表单中的资产层级数据。数据来源于29份XML附件，经提取后转化为Parquet格式文件，并以访问编号去连字符后的形式作为文件夹名称，每个文件夹内按附件名称存储对应的资产级别明细数据。报告周期结束日期（reportingPeriodEndingDate）直接从XML中解析得出，确保了时间维度的准确性，从而构建起一个结构化、标准化的汽车租赁贷款资产数据集。

特点

该数据集最显著的特点在于其资产级别的精细粒度，能够提供每笔贷款或租赁合约的微观信息，而非仅汇总统计数据。数据集覆盖了从2022年至2024年间的29个连续申报周期，形成了完整的时间序列，便于进行资产表现的纵向分析。此外，所有数据均来源于SEC官方EDGAR系统的XML结构化文档，具有法律合规性和高度可追溯性，总数据量约83.8 MB，适合开展深入的金融风险评估与资产定价研究。

使用方法

研究人员可直接通过HuggingFace数据集库加载该数据集，利用Python中的Pandas或PyArrow库读取Parquet文件进行数据分析。每个Parquet文件对应一次SEC申报的特定附件，用户可根据访问编号和附件名称定位所需资产数据。报告周期日期字段可作为时间索引，便于构建时间序列模型。数据集适用于金融科技领域的违约预测、提前偿还率建模以及资产组合风险分析等任务，同时也可用于验证ABS定价理论或训练机器学习模型。

背景与挑战

背景概述

GM Financial Automobile Leasing Trust 2022-2（简称GMFALT 2022-2）是由通用汽车金融公司（GM Financial）于2022年发起设立的资产支持证券（ABS）产品，原始权益人及服务机构均为GM Financial。该数据集依托美国证券交易委员会（SEC）的ABS-EE（Asset-Level Exhibit）电子化申报制度，专为CIK 1919984信托产品构建，包含29份申报文件及同等数量的Parquet格式资产级数据文件，总容量达83.8 MB。聚焦于汽车租赁贷款的逐笔资产信息，数据集旨在为金融领域研究人员提供标准化、透明化的底层资产颗粒度数据，以支撑对汽车ABS信用风险评估、现金流建模及违约预测的深度分析。作为SEC强制披露框架下的结构化数据资源，GMFALT 2022-2数据集显著提升了资产证券化市场的数据可获取性与可比性，对推动基于机器学习的结构化金融产品研究具有开创性价值。

当前挑战

该数据集所应对的核心领域挑战在于汽车ABS市场普遍存在的信息不对称问题——传统上，底层租赁贷款的逐笔逾期、回收及损失表现数据多碎片化且非标，导致投资者难以精准量化风险。同时，构建过程中面临多重技术障碍：SEC申报文件中的XML资产级数据需经复杂解析与清洗，以消除标签歧义和格式差异；报告期日期（reportingPeriodEndingDate）的提取与资产表现期间的对齐需严格验证，以防时间序列错位；29份文件的时间跨度覆盖2022至2024年，期间可能因监管规则调整或会计政策变更引发数据字段不一致，需人工校验与逻辑修复。此外，将庞大XML内容高效压缩为83.8 MB的Parquet格式，既需保障数据无损转换，又须维护字段间的业务关联性，方能服务于后续的量化建模需求。

常用场景

经典使用场景

GM Financial Automobile Leasing Trust 2022-2 数据集作为美国证券交易委员会（SEC）ABS-EE（资产支持证券电子化）强制性披露的标准化资产层面数据，为资产证券化领域的研究提供了极为精细的逐笔贷款级微观信息。该数据集收录了自2022年至2024年间共计29份定期申报文件，涵盖数十万笔汽车租赁贷款合约的持续表现数据，包括还款状态、逾期情况、提前结清等动态指标。研究者可藉此构建租赁贷款池的信用风险模型，精确追踪资产池在存续期内从起租到到期或违约的全生命周期行为，是剖析结构性金融产品内在风险与定价机制的宝贵资料库。

实际应用

在实际金融业务中，该数据集为评级机构、资产管理公司与监管机构提供了透明化的资产表现基准。评级分析师可基于历史申报序列验证初始评级假设的准确性，优化对类似汽车租赁资产池的评级模型参数；投资者能通过对比不同申报期的资产表现数据，动态评估所持证券化产品的信用质量变化，辅助交易与风险管理决策。此外，数据集中的规范性字段命名与结构化格式也为智能投顾系统和自动化估值工具的训练提供了高质量样本，帮助金融科技企业开发能够实时解析SEC申报文本并提取关键指标的算法工具，提升资产证券化二级市场的定价效率与流动性。

衍生相关工作

该数据集的公开释放催生了一系列围绕SEC ABS-EE强制披露规定效果的实证研究。相关经典工作包括利用该数据构建的汽车租赁ABS违约风险预警模型，该模型整合了贷款池层面的加权平均信用评分、剩余期限与地域集中度等指标，取得了较传统池级模型更优的预测精度。另有研究基于该时间序列数据评估了新冠疫情后汽车租赁贷款回收率的变化趋势，并探讨了宏观经济冲击对证券化资产池表现的非线性传导效应。这些衍生工作不仅拓展了行为金融学与契约理论在结构性产品中的应用边界，也为监管部门评估ABS-EE规则的透明化收益提供了量化证据。