DenyTranDFW/Nissan_Auto_Lease_Trust_2024_B_2029406

SEC ABS-EE资产级别文件，涉及CIK 2029406（Nissan Auto Lease Trust 2024-B）。包含18个文件，总大小为37.9 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{accession_nodash}/{exhibit_name}.parquet组织。报告期日期来自资产级别XML（reportingPeriodEndingDate）。

SEC ABS-EE asset-level filings for CIK 2029406 (Nissan Auto Lease Trust 2024-B). Includes 18 filings with a total size of 37.9 MB in Parquet format, which 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

在资产证券化（ABS）领域，美国证券交易委员会（SEC）要求发行人通过ABS-EE表格提交资产层面的详细数据，以提升市场透明度。Nissan Auto Lease Trust 2024_B数据集正是基于这一监管框架构建而成。该数据集从SEC的EDGAR系统共采集了18份ABS-EE申报文件，所有数据源自XML格式的资产级展品，经过解析后转换为结构化Parquet文件。每份文件按照「登录编号/展品名称」的层级目录进行组织，其中报告周期结束日期亦直接从XML中提取，确保了时间维度的准确标识。最终形成的18个Parquet文件总大小约37.9MB，集中反映了日产汽车租赁信托2024-B系列的各期资产表现。

特点

该数据集的核心特色在于其高度结构化的资产级粒度与完整的时间序列覆盖。每一份Parquet文件均对应一次独立的ABS-EE申报，内容涵盖从首次发行至后续各报告周期的逐笔贷款数据。由于采用Parquet列式存储格式，数据在压缩比与查询效率上表现优异，尤其适合进行大规模资产池的量化分析。此外，数据集严格对齐SEC官方披露日程，报告日期由底层XML中的reportingPeriodEndingDate字段唯一确定，保证了金融时序分析的统一基准。对于研究汽车租赁ABS资产池的信用风险、提前偿付行为及现金流建模等议题，这一数据集提供了可靠且标准化的数据源。

使用方法

使用者可通过数据集的Parquet文件直接开展资产层面的数据分析。每个文件以accession_nodash作为文件夹名称，内部存放对应申报的可展品数据，用户只需按需选取特定报告周期的文件加载至Python、R或SQL环境即可。推荐使用pandas或Dask等工具读取Parquet格式，利用列式索引快速筛选资产特征字段。此外，数据集的Filing索引表格清晰列出了每份申报的CIK编号、表格类型、登录号及SEC官方网站链接，便于数据溯源及与其它公开信息进行交叉验证。对于进行横向比较的研究者，亦可整合多期Parquet文件构建连续的面板数据集，以支持更复杂的金融计量建模。

背景与挑战

背景概述

在资产支持证券（ABS）领域，标准化、细颗粒度的底层资产数据对风险定价与市场监管至关重要。Nissan Auto Lease Trust 2024-B 数据集由SEC ABS-EE项目披露，聚焦于日产汽车租赁信托2024-B系列，其创建旨在提供符合监管要求的贷款级资产数据。该数据集由美国证券交易委员会（SEC）依据结构化金融数据规则编制，共包含18份备案文件（Parquet格式，总容量37.9 MB），涵盖从XML附录中提取的逐笔贷款信息，并附有报告期截止日期字段。作为汽车租赁ABS领域公开可用数据的重要补充，该数据集为量化分析租赁贷款的信用表现、偿付结构及期限分布提供了高透明度基准，推动了结构化产品信息披露标准的演进。

当前挑战

该数据集的核心挑战在于解决汽车租赁ABS领域底层资产信息不对称与建模复杂性。领域问题方面，汽车租赁贷款具有提前偿付、残值风险及季节性违约特征，传统汇总级数据难以捕捉个体贷款的动态异质性，而该数据集通过资产级粒度实现了风险分解，但仍需应对残值波动与借款人行为建模的非线性挑战。构建过程中，挑战来自对18份XML附录的自动化解析与字段对齐，需处理不同备案文件中命名规范差异及缺失值填补，同时确保`reportingPeriodEndingDate`时间戳在各财报周期的归一化一致性。此外，数据量达37.9 MB并持续更新，对存储效率与增量整合算法提出了实时性要求。

常用场景

经典使用场景

Nissan_Auto_Lease_Trust_2024_B_2029406数据集作为美国证券交易委员会（SEC）强制性披露的资产支持证券（ABS）逐笔贷款级数据，其经典使用场景聚焦于汽车租赁资产证券化领域的微观结构研究。该数据集收录了日产汽车租赁信托2024-B系列从发行至存续期间的全部18份ABS-EE备案文件，涵盖37.9 MB的逐笔贷款级帕奎特文件，为研究者提供了每一笔租赁贷款的还款状态、逾期情况、提前终止等动态行为数据。借助这些颗粒度信息，学术工作可对贷款池的信用质量进行时序追踪，构建违约概率与损失分布模型，从而深入剖析汽车租赁ABS的定价机制与风险分层逻辑。

实际应用

在实际金融场景中，该数据集为市场参与者提供了关键的决策支持。投资者可运用其中的逐笔贷款逾期与违约记录，动态评估所持ABS证券的信用质量，优化投资组合的风险调整后收益。评级机构则能通过分析租赁贷款池的迁徙率和回收率，更为精准地设定证券化产品的信用评级。此外，汽车金融公司可利用这些历史数据校准内部风控模型，改进贷款发放标准与残值预测算法，从而降低资产池的整体违约风险。监管层面，数据集的存在使得SEC等机构能够高效监测市场中的异常预警信号，强化对ABS产品信息披露的合规审查。

衍生相关工作

基于Nissan_Auto_Lease_Trust_2024_B数据集的逐笔贷款特征，已衍生出多项具有影响力的研究工作。部分学者通过构建机器学习模型，从贷款池的逾期模式中识别违约前兆，开发出针对汽车租赁ABS的早期预警指标。另有研究将资产池的现金流结构建模为有向无环图，利用该数据集验证了不同信用增级机制下的现金流瀑布分配规则，揭示了次级档债券吸收损失的时序特征。此外，自然语言处理技术的介入使研究者能够从SEC备案文件的文本描述中抽取定性风险信号，与定量贷款数据融合，形成多模态风险评估框架。这些衍生工作共同推动了资产证券化分析从静态统计向动态智能预判的范式演进。