Exeter_Automobile_Receivables_Trust_2025_4_2078220

该数据集包含美国证券交易委员会（SEC）ABS-EE资产级别备案文件，针对CIK 2078220（Exeter Automobile Receivables Trust 2025-4）。数据集包含8个备案文件，总大小为30.2 MB，以Parquet格式存储，涵盖2025年7月31日至2026年2月28日的报告期。这些Parquet文件是从XML展品中提取的贷款级别/资产级别数据，并按`{accession_nodash}/{exhibit_name}.parquet`的方式组织。报告期日期来源于资产级别XML中的`reportingPeriodEndingDate`。数据集适用于资产支持证券（Asset-Backed Securities）的研究和分析任务。

This dataset contains U.S. Securities and Exchange Commission (SEC) ABS-EE asset-level filing documents targeting CIK 2078220 (Exeter Automobile Receivables Trust 2025-4). It includes 8 filing documents with a total size of 30.2 MB, stored in Parquet format, covering the reporting periods from July 31, 2025 to February 28, 2026. These Parquet files are loan-level and asset-level data extracted from XML exhibits, and are organized in the structure of `{accession_nodash}/{exhibit_name}.parquet`. The reporting period dates are sourced from the `reportingPeriodEndingDate` field in the asset-level XML files. This dataset is suitable for research and analysis tasks related to Asset-Backed Securities (ABS).

原始信息汇总

数据集概述

该数据集包含 Exeter Automobile Receivables Trust 2025-4 的 SEC ABS-EE 资产级备案信息，CIK 编号为 2078220。

基本信息

• 许可证：GPL
• 标签：sec, abs-ee, asset-backed-securities

数据规模

• 备案文件数：8 份
• Parquet 文件数：8 个
• 总大小：30.2 MB

时间范围

• 报告期起始：2025-07-31
• 报告期截止：2026-02-28

数据结构

• Parquet 文件为从 XML 展品中提取的贷款级/资产级数据
• 文件组织方式：{accession_nodash}/{exhibit_name}.parquet
• 报告期日期源自资产级 XML 中的 reportingPeriodEndingDate

备案文件索引

CIK	表格	受理号	报告日期	SEC 链接
2078220	ABS-EE	0000929638-25-002990	2025-07-31	https://sec.gov/Archives/edgar/data/2078220/000092963825002990
2078220	ABS-EE	0000929638-25-003603	2025-08-31	https://sec.gov/Archives/edgar/data/2078220/000092963825003603
2078220	ABS-EE	0000929638-25-004024	2025-09-30	https://sec.gov/Archives/edgar/data/2078220/000092963825004024
2078220	ABS-EE	0000929638-25-004418	2025-10-31	https://sec.gov/Archives/edgar/data/2078220/000092963825004418
2078220	ABS-EE	0000929638-25-004716	2025-11-30	https://sec.gov/Archives/edgar/data/2078220/000092963825004716
2078220	ABS-EE	0000929638-26-000295	2025-12-31	https://sec.gov/Archives/edgar/data/2078220/000092963826000295
2078220	ABS-EE	0000929638-26-000799	2026-01-31	https://sec.gov/Archives/edgar/data/2078220/000092963826000799
2078220	ABS-EE	0000929638-26-001281	2026-02-28	https://sec.gov/Archives/edgar/data/2078220/000092963826001281

搜集汇总

数据集介绍

构建方式

该数据集聚焦于资产支持证券领域，源自美国证券交易委员会（SEC）的ABS-EE资产级申报文件。针对Exeter Automobile Receivables Trust 2025-4（CIK 2078220），系统性地收集了从2025年7月31日至2026年2月28日期间的8份申报材料。每份文件均通过提取XML展品中的贷款级或资产级数据，转化为Parquet格式进行存储，并以`{accession_nodash}/{exhibit_name}.parquet`的命名结构加以组织，确保了数据的高效压缩与结构化访问。

特点

数据集共计包含8个Parquet文件，总大小约30.2 MB，覆盖了连续的8个月报告周期，时间跨度从2025年7月至2026年2月。其核心特点在于以资产级微观数据为基础，精确对应每个报告期末的资产表现情况，报告日期直接取自XML中的`reportingPeriodEndingDate`字段。这种精细化的粒度使得研究者能够深入剖析每笔贷款的动态变化，为量化分析和模型构建提供了坚实的数据支撑。

使用方法

使用时，可通过HuggingFace平台直接下载整个数据集，并借助Python的pandas库读取Parquet文件。例如，使用`pd.read_parquet('路径/文件名.parquet')`即可加载数据。由于文件已按申报日期和展品名有序排列，研究者能够轻松按时间序列或资产类别进行筛选与分析。此外，数据集中附带的申报索引表提供了SEC官方链接，便于交叉验证原始文件，确保数据溯源的可信度。

背景与挑战

背景概述

Exeter_Automobile_Receivables_Trust_2025_4_2078220数据集源于美国证券交易委员会（SEC）的ABS-EE（资产支持证券电子化）强制披露制度，由Exeter Automobile Receivables Trust于2025年发起创建，旨在提供汽车贷款资产支持证券的逐笔贷款级数据。该数据集涵盖了从2025年7月至2026年2月的8份资产层级XML申报文件，经解析转换为Parquet格式，总容量约30.2 MB。作为结构化金融领域的重要数据资源，它致力于提升资产支持证券市场的透明度，推动基于标准化数据的研究与风险评估。该数据集的出现为学术界和业界深入理解汽车贷款ABS的资产质量、现金流表现及违约模式提供了坚实的数据基础，在金融科技与监管科技交叉领域具有显著影响力。

当前挑战

该数据集所解决的领域核心挑战在于，长期以来资产支持证券市场因数据非公开或非结构化而导致的信息不对称问题，通过提供统一的逐笔贷款级数据，降低了投资者和监管机构评估资产池风险的门槛。构建过程中面临的技术挑战主要包括：从SEC EDGAR系统中提取的非结构化工XML数据需进行复杂解析与标准化，确保字段映射的一致性；不同申报期间可能存在的格式变体或缺失值需通过清洗和校验算法妥善处理；此外，将XML数据转化为高效存储和查询的Parquet格式时，需兼顾数据完整性与压缩性能，以保障近30 MB数据量的可操作性。

常用场景

经典使用场景

在资产证券化（ABS）研究领域，Exeter Automobile Receivables Trust 2025-4数据集为剖析汽车贷款支持证券的微观结构提供了宝贵素材。其核心用途在于对每笔基础资产的逐笔贷款级数据进行深入挖掘，涵盖还款表现、违约率及提前偿还等关键指标。研究者可借助该数据集构建信用风险模型，追踪资产池的现金流动态，从而评估证券化产品的内在风险与评级合理性。该数据源自SEC的ABS-EE强制披露制度，确保了信息的权威性与标准化，为实证分析奠定了坚实基础。

实际应用

在实际应用中，Exeter Automobile Receivables Trust 2025-4数据集对金融机构、评级机构和监管实体具有多重价值。投资银行可基于该资产级数据优化证券化产品的设计与定价策略，提升资本配置效率；信用评级公司能通过历史还款轨迹校准评级模型，增强对分层债券的评估准确性；监管机构则得以监控系统性风险，例如识别贷款发放标准的变化或集中度隐患。此外，该数据集还可服务于金融科技领域，用于开发智能风控算法或自动化ABS估值工具。

衍生相关工作

该数据集已催生了一系列衍生研究工作，主要集中在资产支持证券的实证建模与政策分析方面。例如，有学者利用其贷款级数据构建了基于机器学习的违约预测框架，显著提升了风险分层精度；另一些研究聚焦于现金流剥离技术，探讨提前偿还行为对证券化产品久期和收益率的影响。此外，部分工作将其与历史ABS-EE数据进行对比，以刻画汽车贷款信用周期的演变规律。这些成果不仅深化了对证券化机制的理解，也为监管改革提供了数据驱动的决策依据。