DenyTranDFW/Exeter_Automobile_Receivables_Trust_2021_1_1837985

该数据集包含美国证券交易委员会（SEC）ABS-EE资产级别文件，涉及CIK 1837985（Exeter Automobile Receivables Trust 2021-1）。数据集包含60个文件，均转换为parquet格式，总大小为288.3 MB。报告期从2020年12月31日至2025年9月30日。parquet文件包含从XML展品中提取的贷款级别/资产级别数据，按accession number和exhibit名称组织。文件索引列出了所有文件的CIK、表格类型、accession number、报告日期和URL。SEC ABS-EE asset-level filings for CIK 1837985 (Exeter Automobile Receivables Trust 2021-1). The dataset includes 60 filings, converted into parquet files, totaling 288.3 MB. The reporting period spans from December 31, 2020, to September 30, 2025. The parquet files contain loan-level/asset-level data extracted from XML exhibits, organized by accession number and exhibit name. The filing index lists all filings with their respective CIK, form type, accession number, report date, and URL.

搜集汇总

数据集介绍

构建方式

该数据集聚焦于Exeter Automobile Receivables Trust 2021-1这一资产支持证券（ABS）项目，系统采集自美国证券交易委员会（SEC）EDGAR系统中CIK代码为1837985的实体所提交的ABS-EE表格。数据提取工作围绕XML格式的展品附件展开，将其中蕴含的逐笔贷款或逐笔资产级别的结构化信息转化为Parquet格式文件。每一份文件均以`{accession_nodash}/{exhibit_name}.parquet`的路径进行组织，并依据资产级XML中的`reportingPeriodEndingDate`字段精准标注对应的报告期日期。数据集共包含60份申报文件，对应60个Parquet文件，总数据量达288.3 MB，覆盖从2020年12月31日至2025年9月30日的完整报告周期。

特点

这一数据集最为显著的特征在于其高度的结构化和标准化。所有数据均源自SEC监管框架下ABS-EE表格的强制性披露，确保了信息的一致性和可比性。数据以Parquet列式存储格式提供，兼顾了高效的压缩性能与快速的查询读取能力，尤其适合处理金融领域的大规模数值型与类别型混合数据。数据集的时间跨度长达近五年，提供了丰富的时序维度，能够支持对汽车贷款资产池在不同经济周期下的表现进行深度追踪。此外，通过将原始XML中的资产级信息解构为可直接分析的表格形态，研究人员得以绕过繁琐的解析流程，直接聚焦于信贷风险、提前偿付模型以及资产池结构性特征等核心议题。

使用方法

用户可以通过标准的Parquet读取工具，如Python环境中的`pandas`或`polars`库，便捷地加载这些文件进行分析。使用时，建议首先遍历所有Parquet文件，利用其天然的结构化特征整合出一份横跨所有报告期的统一数据框。基于此，可针对每个报告期内各笔贷款的逾期状态、本金余额、利率及剩余期限等关键字段展开统计建模。数据集的时间戳字段为`reportingPeriodEndingDate`，用户可据此进行纵向切片与滚动时间窗口分析。对于需要复现SEC原始监管信息披露的场景，每个文件对应的`accessionNumber`能直接映射回EDGAR数据库中的原始申报文档，便于交叉验证与细节溯源。

背景与挑战

背景概述

Exeter Automobile Receivables Trust 2021-1 数据集由美国证券交易委员会（SEC）根据ABS-EE规则发布，旨在提供资产支持证券（ABS）领域的资产层级详细数据。该数据集创建于2021年，涵盖Exeter Automobile Receivables Trust 2021-1（CIK 1837985）的60份申报文件，以Parquet格式存储，总容量达288.3 MB，报告周期自2020年12月31日至2025年9月30日。在结构化金融领域，资产支持证券的透明度和标准化数据披露一直是核心研究议题，该数据集通过解析XML展品中的逐笔贷款数据，为分析汽车贷款ABS的资产池表现、信用风险及现金流动态提供了关键资源，显著推动了金融实证研究和监管科技的发展。

当前挑战

该数据集所解决的领域问题在于，传统ABS市场存在信息不对称和资产层级数据碎片化，难以支持精细化的风险评估与定价模型。构建过程中，挑战包括从SEC EDGAR系统中提取60份ABS-EE XML展品并解析为结构化Parquet文件，需处理跨年度（2020-2025）的复杂嵌套数据结构与格式一致性。此外，确保每一文件（如`0000929638-21-000060`至`0000929638-25-004008`）的报告日期（`reportingPeriodEndingDate`）准确映射到资产层级，并维持288.3 MB数据的完整性与无冗余，对数据清洗与标准化流程提出了高要求。

常用场景

经典使用场景

该数据集是Exeter Automobile Receivables Trust 2021-1资产支持证券项目的资产级数据，来源于美国证券交易委员会（SEC）的ABS-EE（Asset-Backed Securities Exchange Electronic）监管申报文件。其经典使用场景聚焦于证券化金融产品的底层资产行为分析，特别是汽车贷款池的逐笔贷款表现追踪。研究人员通过解析Parquet格式的XML附件，能够获取每笔贷款的还款状态、逾期情况、提前偿还等动态指标，从而构建贷款组合的信用风险模型。这在资产证券化研究中占据核心地位，因为它为验证基础资产现金流的稳定性与分层结构设计的合理性提供了第一手的微观证据。

衍生相关工作

基于Exeter Automobile Receivables Trust 2021-1数据集，衍生出一系列聚焦于资产证券化建模与机器学习交叉的经典工作。研究团队构建了基于梯度提升树和深度循环神经网络的贷款违约预测框架，将传统信用评分与动态还款序列结合，显著提升了风险预警的时效性。另一些工作则致力于开发可解释性强的分层现金流模型，利用变分自编码器捕捉资产池中的隐性风险模式。这些衍生研究不仅拓展了结构化金融分析的边界，还催生了针对证券化信息不对称问题的自然语言处理技术，通过解析文本披露来补全定量数据的盲区，重塑了资产支持证券研究的方法论体系。

数据集最近研究

最新研究方向

在资产证券化领域，Exeter Automobile Receivables Trust 2021-1数据集凭借详尽的贷款级ABS-EE备案数据，正推动着结构化金融产品透明化与风险建模的前沿探索。该数据集覆盖2020年至2025年间的60份监管申报文件，以Parquet格式呈现底层汽车贷款资产的逐笔表现信息，为研究资产池信用质量演变、提前偿付行为及违约关联性提供了高颗粒度的时间序列素材。随着后疫情时代汽车贷款市场波动加剧，研究者可借助这些标准化XML衍生数据，结合机器学习和统计归因方法，深入剖析证券化结构中不同层级债券的现金流特征与压力情景下的表现差异，从而更精准地评估分层结构与信用增级机制的有效性。此外，该数据集也为金融监管科技领域中的自动化数据提取与合规性分析奠定了基石，有望推动ABS二级市场定价逻辑的实证研究，并助力投资者在复杂信用环境中做出更审慎的决策。