DenyTranDFW/GM_Financial_Automobile_Leasing_Trust_2022_3_1935132

该数据集涉及GM Financial Automobile Leasing Trust 2022-3的SEC ABS-EE资产级别申报文件，CIK为1935132。包含31个申报文件，格式为Parquet文件，总大小为85.2 MB。数据从XML展品中提取，并按无破折号的accession编号和展品名称组织。申报索引列出了CIK、表格类型、accession编号和URL。数据集标签包括sec、abs-ee和asset-backed-securities，采用GPL许可证。SEC ABS-EE asset-level filings for CIK 1935132 (GM Financial Automobile Leasing Trust 2022-3). Includes 31 filings, Parquet files totaling 85.2 MB, extracted from XML exhibits and organized by accession numbers and exhibit names. The filing index lists CIK, form type, accession numbers, and URLs. Dataset is tagged with sec, abs-ee, and asset-backed-securities, licensed under GPL.

搜集汇总

数据集介绍

构建方式

在资产支持证券（ABS）领域，精细化的底层资产数据是风险分析与定价模型的关键基石。该数据集聚焦于GM Financial Automobile Leasing Trust 2022-3（SEC CIK编号1935132），系统性地收录了其向美国证券交易委员会（SEC）提交的ABS-EE格式资产层面申报文件。数据构建的核心逻辑在于从XML展品文件中提取贷款级或资产级颗粒度信息，并转化为高效的Parquet格式文件。所有文件按照申报文件编号与展品名称的双重索引进行组织，同时从原始XML中解析并标注报告期末日期，确保了数据时序性的准确还原，最终形成了包含31份申报文件、总计85.2 MB的结构化数据仓库。

特点

该数据集呈现出高度的结构化与标准化特性。首先，其Parquet格式天然具备列式存储与压缩优势，极大地提升了大规模金融数据的读写与查询效率。其次，数据集明确标识了每份文件的来源（accessionNumber）与SEC官方链接，赋予数据追溯性与可验证性。尤为重要的是，数据涵盖了从2022年至2024年连续31个报告期的资产表现信息，构成了一个跨越多个年度的密集型时间序列，这种丰富的时间维度为分析汽车租赁贷款池的信用表现、早偿率及违约演化等动态特征提供了不可或缺的素材。

使用方法

研究人员可直接利用Pandas、Dask或PySpark等数据处理工具加载Parquet文件进行探索性分析。每份Parquet文件对应一个特定报告期的资产池快照，用户可通过'accession_nodash'字段区分不同申报批次，并依据'reportingPeriodEndingDate'字段筛选所需的时间窗口。对于需要关联多个存续期数据的研究，可以按贷款唯一标识对各文件进行纵向拼接，构建完整的贷款生命周期面板数据。访问数据时，可直接通过HuggingFace数据集平台下载整个仓库，或利用提供的SEC官网链接逐份核验原始XML文件，实现数据溯源与交叉验证。

背景与挑战

背景概述

资产支持证券（ABS）作为结构化金融产品的重要组成部分，其基础资产的透明度和信息披露质量直接影响市场定价与风险管理的有效性。美国证券交易委员会（SEC）自推行结构化金融数据标准化（ABS-EE）规则以来，要求发行人提供细粒度的资产层级数据，旨在提升市场透明度并降低信息不对称。GM Financial Automobile Leasing Trust 2022-3数据集正是在此监管框架下应运而生，由汽车金融巨头GM Financial于2022年发起设立，围绕其2022年第三期汽车租赁资产支持证券信托产品构建。该数据集以Parquet格式收录了31份SEC ABS-EE备案文件，涵盖从2022年至2024年的资产层级数据，总规模达85.2 MB，为研究汽车租赁ABS的信用风险、现金流特征以及监管合规性提供了标准化、可复用的结构化数据资源。数据集的出现填补了公开领域缺乏细粒度汽车租赁ABS资产级数据库的空白，对于推动金融科技与结构性融资领域的实证研究具有深远影响。

当前挑战

该数据集所解决的领域核心问题在于应对汽车租赁ABS市场中资产层级数据获取难、格式不统一以及分析效率低下的挑战。传统上，研究者或从业人员难以从SEC的EDGAR系统中批量解析XML格式的资产级文档，导致跨时间的多期数据整合与对比分析极为耗时。构建过程中，数据集面临着从非结构化XML展品中精准提取loan-level字段并确保Reporting Period End Date等关键时间标签完整性的技术难题。此外，由于SEC备案文件的命名规则与版本迭代复杂，数据清洗与跨期对齐成为规模化处理的瓶颈。数据集通过将31份原始文件转化为标准化Parquet格式，不仅解决了数据抽取与压缩存储的效率问题，还为后续的时序分析、违约预测模型提供了可扩展的底层架构，推动领域从定性判断向量化实证的范式转变。

常用场景

经典使用场景

GM Financial Automobile Leasing Trust 2022-3数据集以资产支持证券（ABS）领域的资产级数据为核心，专注于汽车租赁贷款的证券化交易。该数据集收录了从SEC ABS-EE备案文件中提取的31个Parquet文件，涵盖逐笔贷款的详细信息，如贷款余额、逾期状态、还款历史等。研究者常将其用于构建信用风险模型，评估汽车租赁贷款池的违约概率和损失分布，从而量化证券化产品的风险敞口。此外，该数据集支持对资产池的现金流进行模拟分析，助力理解不同经济情境下的证券表现，为结构化金融产品的定价和评级提供数据基础。

实际应用

在实际应用中，该数据集为金融机构和评级机构提供了关键决策支持。投资者可借助资产级数据构建定制化的投资组合，实时监控底层贷款的逾期和违约动态，从而动态调整风险敞口。评级机构则能基于历史绩效数据校准评级模型，更精确地划分证券化产品的信用等级。同时，监管机构利用此类数据评估系统性风险，例如监测汽车租赁资产证券化市场中对经济周期敏感的潜在脆弱点，并推动更透明的信息披露标准，最终增强金融市场的稳定性。

衍生相关工作

依托该数据集，衍生出一系列具有影响力的研究工作。经典应用包括开发基于机器学习的违约预测模型，例如利用梯度提升树或神经网络捕捉贷款绩效的非线性模式，并与其他ABS数据集（如信用卡或住房抵押贷款）进行横向对比。此外，部分研究通过整合时序资产级数据，构建了动态风险传染网络，模拟单一贷款违约对整体资产池的级联效应。还有工作聚焦于自然语言处理领域，将SEC备案文本中的定性披露与定量数据结合，分析管理层讨论对资产质量的预测能力，开创了多模态金融分析的新方向。