DenyTranDFW/GM_Financial_Automobile_Leasing_Trust_2024_1_2006652

GM Financial Automobile Leasing Trust 2024-1数据集包含SEC ABS-EE资产级别文件，针对CIK 2006652。数据集包含26个文件，每个文件都转换为parquet格式，总大小为64.6 MB。parquet文件按accession number和exhibit名称组织，包含从XML展品中提取的贷款级别或资产级别数据。报告期日期从资产级别XML中派生。文件索引列出了每个文件的CIK、表格类型、accession number和URL。

The GM Financial Automobile Leasing Trust 2024-1 dataset contains SEC ABS-EE asset-level filings for CIK 2006652. The dataset includes 26 filings, each converted into parquet files, totaling 64.6 MB. The parquet files are organized by accession number and exhibit name, and they contain loan-level or asset-level data extracted from XML exhibits. The reporting-period dates are derived from the asset-level XML. The filing index lists the CIK, form type, accession number, and URL for each filing.

搜集汇总

数据集介绍

构建方式

GM Financial Automobile Leasing Trust 2024-1数据集专为资产支持证券（ABS）领域设计，其构建源自美国证券交易委员会（SEC）ABS-EE强制性备案的资产层XML展品文件。该数据集以Parquet格式存储，共包含26份备案文件，总容量为64.6 MB。每一份Parquet文件对应一个特定的备案号（accession_nodash）及展品名称，并依据资产层XML中的reportingPeriodEndingDate字段提取报告周期日期，从而形成标准化的逐笔贷款或资产级数据。

特点

该数据集的核心特点在于其高度结构化的资产级粒度，覆盖了GM Financial Automobile Leasing Trust 2024-1自2024年至2026年的26次定期备案，提供了丰富的证券化汽车租赁贷款底层明细。数据以Parquet格式存储，兼具高效的压缩性能与快速的列式读取能力，而报告周期日期的统一派生则确保了时间序列分析的一致性。此外，数据集遵循GPL许可证，开放可访问，便于学术研究与量化分析。

使用方法

用户可通过HuggingFace数据集库直接加载并使用该数据集，其中每个Parquet文件按{accession_nodash}/{exhibit_name}.parquet的路径组织。建议结合Pandas、DuckDB或PyArrow等工具进行数据查询与转换，以分析汽车租赁ABS的资产表现、违约模式及现金流分布。数据集适用于金融风险评估、证券化建模以及机器学习训练等场景，用户亦可根据备案索引中的URL链接回溯至SEC EDGAR原始档案，实现数据溯源与验证。

背景与挑战

背景概述

在资产支持证券（ABS）领域，其底层资产池的透明度和标准化程度直接影响着金融市场的定价效率与风险管控能力。通用汽车金融公司于2024年推出的“GM Financial Automobile Leasing Trust 2024-1”数据集，聚焦于汽车租赁贷款的证券化项目，由美国证券交易委员会（SEC）依据ABS-EE规则披露。该数据集包含26份资产层级申报文件，涵盖从2024年至2026年的多期贷款绩效数据，以Parquet格式结构化存储，旨在为投研机构、监管者及量化分析专家提供细粒度、可机读的资产级信息。作为SEC推动结构化金融数据标准化的重要实践，该数据集为汽车ABS领域的现金流建模、违约预测与证券化产品定价提供了高价值的实证基础，对提升二级市场信息对称性具有里程碑意义。

当前挑战

该数据集所应对的核心领域挑战在于汽车租赁ABS市场长期存在的资产信息黑箱问题，即传统发行文件多为非结构化PDF，导致投资者难以高效提取贷款层面的关键指标（如剩余价值、租约到期分布），从而制约了动态风险对冲与次级债评级准确性。在构建过程中，数据集面临双重技术难题：一是需从26份XML展品中精准解析“reportingPeriodEndingDate”等时间标签，确保跨报告期数据的时序一致性；二是将非标准化的文本字段（如车辆型号、租赁条款）转化为结构化Parquet文件时，需处理字段命名歧义与缺失值填充问题，以维持资产池的完整可溯性。此外，不同受理案号间的数据格式波动与SEC申报规则的细微变更，进一步增加了数据清洗与比对的工作量。

常用场景

经典使用场景

在资产支持证券（ABS）研究领域，GM Financial Automobile Leasing Trust 2024-1 数据集为学者与从业者提供了极具价值的资产级细粒度信息。该数据集源自美国证券交易委员会（SEC）的ABS-EE（Asset-Backed Securities Electronic Data）强制性披露要求，汇集了GM Financial Automobile Leasing Trust 2024-1的26份资产层面申报文件，并以Parquet格式高效存储每笔贷款的详尽数据。其经典使用场景在于构建资产池的微观画像，通过解析XML展品中的逐笔贷款信息，研究者能够精确追溯资产组合的动态变化，从而深入剖析租赁贷款的违约风险、提前偿付行为及现金流分布特征，为结构化金融产品的量化分析奠定坚实的数据基石。

衍生相关工作

围绕GM Financial Automobile Leasing Trust 2024-1数据集，学术界与业界已衍生出一系列经典工作，推动了结构化金融研究方法的演进。例如，部分学者利用该数据集的逐笔贷款信息，构建了基于机器学习的违约预测框架，通过特征工程提取租赁期限、初始估值与地域分布等变量，显著提升了风险识别精度。另有研究专注于现金流瀑布模型的重构，将资产级数据与信托契约条款相结合，模拟不同偿付顺序下的证券收益分布。此外，该数据集也被用作验证点估计与区间估计方法的基准，为ABS领域的实证研究提供了可重复的对照标准，促进了方法论范式的革新。

数据集最近研究

最新研究方向

在资产支持证券（ABS）领域，GM Financial Automobile Leasing Trust 2024-1数据集为租赁型汽车ABS的微观结构剖析提供了前所未有的数据视角。该数据集收录了自2024年起26份SEC ABS-EE合规申报的逐笔贷款级Parquet文件，总计逾64 MB，覆盖从发行至近期摊还的完整生命周期。前沿研究方向聚焦于利用这些高颗粒度资产级信息，构建机器学习模型以预测租赁池的提前终止率与残值风险，并探索在通胀与利率波动背景下，借款人群体的信用迁徙路径。该数据集的价值在于填补了公开ABS-EE标准化解析数据的空白，使研究者得以脱离传统评级机构视角，独立验证证券化产品的现金流瀑布模型与风险分层机制。其以XML附件结构递归提取的reportingPeriodEndingDate字段，更支持动态面板分析，为监管科技（RegTech）下的自动化风险监控与压力测试框架的迭代提供了实证基础。