DenyTranDFW/Mercedes_Benz_Auto_Lease_Trust_2021_A_1835747

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 1835747（梅赛德斯-奔驰汽车租赁信托2021-A）。数据集包括32份文件，64个Parquet文件，总大小为87.4 MB。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。报告期日期来自资产级别XML（reportingPeriodEndingDate）。数据集还包含一个文件索引，列出了每份文件的CIK、表格类型、登记号和URL。SEC ABS-EE asset-level filings for CIK 1835747 (Mercedes-Benz Auto Lease Trust 2021-A). The dataset includes 32 filings, 64 parquet files, with a total size of 87.4 MB. 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). The dataset also includes a filing index with details such as CIK, form type, accession number, and URL for each filing.

搜集汇总

数据集介绍

构建方式

该数据集聚焦于梅赛德斯-奔驰汽车租赁信托2021-A（Mercedes-Benz Auto Lease Trust 2021-A）的资产支持证券（ABS-EE）底层资产层面披露信息。数据源自美国证券交易委员会（SEC）的EDGAR系统，通过提取CIK编号1835747对应的ABS-EE表格中的XML展品，将贷款级别或资产级别的数据解析并组织为Parquet格式文件。每个文件以`{accession_nodash}/{exhibit_name}.parquet`结构存储，报告期间日期从资产级别XML中的`reportingPeriodEndingDate`字段派生。该数据集共包含32份申报文件、64个Parquet文件，总大小达87.4 MB，系统化收录了该信托从发行至存续期间的资产披露信息。

特点

该数据集的核心特点在于其高度结构化、标准化与细粒度的资产层面数据，覆盖梅赛德斯-奔驰汽车租赁信托2021-A在2021年至2023年间的全部ABS-EE申报记录。每个Parquet文件对应特定的展品，保留了原始XML中贷款级别的详细信息，便于进行资产池组成、信用表现及现金流分析。数据集附有完整的申报索引，包含表单类型、接入编号及SEC官方链接，确保了数据的可追溯性和权威性。这种组织方式显著降低了研究者从冗长SEC文档中手动提取信息的门槛。

使用方法

该数据集可直接通过Parquet文件格式加载并分析，适用于Python（如pandas库）或R等数据分析环境。使用者可按`accession_nodash`文件夹浏览不同申报周期，或通过展品名称定位特定资产信息。借助报告期间日期字段，可对资产池表现进行时间序列分析；结合SEC官方链接，能交叉验证原始披露内容。此外，数据集可用于构建资产支持证券信用风险评估模型、现金流预测模型，或作为金融科技与资产证券化领域的教学研究材料。

背景与挑战

背景概述

Mercedes-Benz Auto Lease Trust 2021-A 数据集由美国证券交易委员会（SEC）根据ABS-EE规则披露的资产层级数据整理而成，聚焦于梅赛德斯-奔驰汽车租赁信托的资产支持证券。该数据集创建于2021年，收录了32份申报文件、64个Parquet文件，总容量达87.4 MB，覆盖了从2021年至2023年的定期报告。核心研究问题在于提供高颗粒度的贷款级和资产级信息，以支持对汽车租赁资产池的信用风险分析与证券化产品定价。作为SEC强制披露的标准化数据源，该数据集对金融科技、资产证券化研究以及监管合规领域具有显著影响力，为量化模型和风险预测提供了坚实的数据基础。

当前挑战

该数据集面临的挑战首先来自资产支持证券（ABS）领域固有的复杂性：汽车租赁贷款的提前还款、违约与回收行为难以建模，且资产池的异质性要求精细化的风险分层。此外，数据集构建过程中需从非结构化的XML附件中提取并解析标准化字段，如报告期截止日期，这面临格式不一致与数据缺失的难题。32份申报文件的时间跨度大，维护数据的一致性与可追溯性亦构成关键挑战。最后，公开数据的学术应用需克服隐私与竞争敏感性，确保在不泄露个体借款人信息的前提下实现有意义的信息挖掘。

常用场景

经典使用场景

在资产证券化研究领域，Mercedes-Benz Auto Lease Trust 2021-A 数据集作为典型的汽车租赁ABS（资产支持证券）案例，被广泛用于分析租赁资产池的现金流结构、信用风险分层以及资产池的异质性特征。研究者通过提取每笔贷款的还款期限、租赁利率、车辆残值等微观层面数据，能够构建精细化的违约概率模型和提前偿付模型，进而评估不同优先级证券的信用利差与风险溢价。该数据集提供的32份SEC ABS-EE申报文件及64个Parquet文件，为从时序维度追踪资产池表现提供了坚实的数据基础。

衍生相关工作

围绕该数据集衍生出一系列关键学术成果，包括基于机器学习方法的汽车租赁ABS提前偿付风险预测模型，以及融合图神经网络的资产池关联性分析框架。部分研究将该数据与彭博终端ABS定价数据交叉验证，揭示了信息披露频率与证券二级市场流动性之间的正向关联。另一些工作则通过对比该数据集与其他汽车制造商（如福特、宝马）的ABS-EE申报文件，构建了跨品牌的租赁资产风险基准数据库，为比较分析不同汽车金融公司的承销标准差异提供了方法论基础。

数据集最近研究

最新研究方向

在资产证券化（ABS）领域，Mercedes_Benz_Auto_Lease_Trust_2021_A数据集为解析汽车租赁贷款支持证券的微观结构提供了珍贵窗口。该数据源于美国证券交易委员会（SEC）的ABS-EE强制性披露文件，包含32份申报与64个Parquet文件，细致揭露了每笔贷款的逐层特征与报告期动态。前沿研究借助此数据，深度剖析次级汽车ABS的违约风险传染路径，并探究利率波动对租赁资产池现金流的影响机制。特别是在后疫情时代，汽车贷款违约率攀升的背景下，该数据集成为量化模型校准与压力测试的核心资源，推动了对结构化金融产品透明度的重新审视，亦为监管科技（RegTech）发展注入了数据驱动的实证基础。