DenyTranDFW/Exeter_Automobile_Receivables_Trust_2021_4_1891012

该数据集涉及美国证券交易委员会（SEC）ABS-EE资产级别文件，针对CIK 1891012（Exeter Automobile Receivables Trust 2021-4）。包含54个文件，总大小为195.3 MB，报告期从2021年10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{accession_nodash}/{exhibit_name}.parquet格式组织。报告期日期来源于资产级别XML（reportingPeriodEndingDate）。

SEC ABS-EE asset-level filings for CIK 1891012 (Exeter Automobile Receivables Trust 2021-4). Includes 54 filings, 54 parquet files, with a total size of 195.3 MB. The reporting period spans from 2021-10-31 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

Exeter Automobile Receivables Trust 2021-4 数据集的构建源于美国证券交易委员会（SEC）的ABS-EE（资产支持证券-电子化提交）监管要求。该数据集系统性地收集了CIK编号1891012对应信托实体自2021年10月至2026年2月期间提交的全部54份ABS-EE资产级申报文件。原始数据源自XML展品中的贷款级明细信息，经过解析后转化为Parquet格式存储。每个文件以‘{accession_nodash}/{exhibit_name}.parquet’的目录结构组织，并通过提取XML中的‘reportingPeriodEndingDate’字段来标注报告期时间节点，从而形成一份结构化、时序连贯的资产池数据库。

特点

该数据集在时间跨度与数据规模上展现出显著优势，覆盖从2021年10月31日至2026年2月28日的完整报告周期，包含54个Parquet文件，总容量达195.3 MB。其核心特征在于提供了汽车贷款资产支持证券在逐笔贷款层面上的微观数据，为研究资产池信用表现、现金流生成机制及违约分布等提供了精细颗粒度的信息。数据以月度报告频率更新，确保了时间序列的连续性与动态追踪能力，是分析资产证券化产品生命周期行为的理想数据源。

使用方法

研究人员可通过访问SEC EDGAR系统或直接利用HuggingFace数据集仓库获取本数据集。每个Parquet文件对应一个独立的申报事件，用户可根据报告日期或Accession Number索引筛选特定时段的数据。借助Pandas等数据科学工具，可加载Parquet文件进行联合分析，例如计算资产池的加权平均利率、追踪逾期率演变或构建违约预测模型。建议将54个文件按时间顺序拼接，形成面板数据结构，以支持更复杂的纵向计量经济学研究。

背景与挑战

背景概述

Exeter Automobile Receivables Trust 2021-4数据集由美国证券交易委员会（SEC）依据ABS-EE规则编制，汇集了Exeter Automobile Receivables Trust 2021-4自2021年10月至2026年2月期间的资产层面申报文件。该数据集由SEC EDGAR系统维护，涵盖54份XML附件，以Parquet格式存储，总容量达195.3 MB，旨在为资产支持证券（ABS）市场提供透明、标准化的贷款级数据。作为结构化金融领域的重要资源，该数据集推动了汽车应收账款证券化产品的精细化管理与风险分析，促进了学术界与业界对资产池信用表现、提前偿付行为及违约模式的深入理解，对金融市场监管和投资决策具有显著影响力。

当前挑战

该数据集所解决的领域问题在于，传统ABS市场因信息披露碎片化与格式不统一，导致投资者难以进行标准化比较和风险量化。Exeter_Automobile_Receivables_Trust_2021_4通过整理SEC强制披露的资产级数据，克服了数据可得性障碍，但构建过程中面临多重挑战：XML附件结构复杂，需跨54份文件提取一致的贷款级字段；时间跨度长达五年，需确保数据序列的完整性与时效性；同时，不同申报期间的数据口径差异需要细致的对齐与清洗。这些挑战考验着数据标准化能力和大规模金融数据处理的鲁棒性。

常用场景

经典使用场景

Exeter Automobile Receivables Trust 2021-4 数据集源自美国证券交易委员会（SEC）的ABS-EE资产级备案，收录了由Exeter Automobile Receivables Trust 2021-4发行的资产支持证券（ABS）的贷款级数据。在结构化金融领域，该数据集的核心应用在于为汽车贷款资产池的信用风险评估、现金流建模以及证券化产品的定价分析提供微观层面的颗粒化数据支持。研究者能够利用这些逐笔贷款数据，模拟不同宏观经济情景下的资产池违约率与回收率，从而开展压力测试与投资组合优化研究。

衍生相关工作

基于该数据集，衍生出了一系列聚焦于ABS市场微观结构与机器学习应用的经典工作。研究者利用贷款级数据训练违约预测模型，对比逻辑回归、随机森林与深度神经网络在资产池信用风险评估中的表现差异。另有一些工作侧重于构建动态现金流模拟框架，结合自然语言处理技术解析ABS发行文件中的法律条款，进而自动化生成压力测试报告。这些工作不仅推动了计算金融学的发展，也为金融科技在结构化金融产品分析中的落地提供了实证基础。

数据集最近研究

最新研究方向

在资产支持证券（ABS）领域，Exeter Automobile Receivables Trust 2021-4数据集为研究汽车贷款证券化的底层资产表现提供了宝贵的细粒度数据。该数据集涵盖2021年至2026年长达五年的月度贷款级信息，使研究者能够深入追踪每笔贷款的还款、违约和提前偿付等动态行为，进而评估不同经济周期下汽车ABS产品的信用风险与现金流稳定性。当前，面对利率波动与消费者信用环境变化，利用此类数据集开展机器学习驱动的违约预测模型构建、压力测试情景分析以及结构化产品定价优化，已成为学界与业界关注的前沿热点。该数据集的公开可获取性显著促进了ABS市场透明度，为金融监管机构、投资者与风险管理从业者提供了实证研究基石，有助于深化对证券化市场微观运行机制的理解，并推动智能风控体系在结构性金融产品中的创新应用。