DenyTranDFW/GM_Financial_Consumer_Automobile_Receivables_Trust_2022_2_1916232

该数据集涉及GM Financial Consumer Automobile Receivables Trust 2022-2的SEC ABS-EE资产级别备案。包含50个备案文件，50个Parquet文件，总大小为144.4 MB，报告期为2022-02-28至2026-02-28。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。报告期日期来源于资产级别XML（reportingPeriodEndingDate）。SEC ABS-EE asset-level filings for CIK **1916232** (GM Financial Consumer Automobile Receivables Trust 2022-2). Includes 50 filings, 50 parquet files, total size of 144.4 MB, reporting period from 2022-02-28 to 2026-02-28. 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`).

搜集汇总

数据集介绍

构建方式

该数据集源自美国证券交易委员会（SEC）的ABS-EE强制性资产级披露要求，聚焦于GM Financial Consumer Automobile Receivables Trust 2022-2（CIK编号1916232）。数据构建方式为从SEC EDGAR系统中提取该信托在2022年2月至2026年2月期间提交的全部50份ABS-EE申报文件，并解析其中的XML附件以获取每一笔汽车贷款或租赁合约的逐笔资产级数据。每份申报文件对应一个Parquet格式文件，以访问编号去连字符后作为文件夹名称，附件的XML展品名作为文件名进行存储，从而形成结构化、可机读的资产池数据集合。

使用方法

研究人员可通过加载Parquet文件进行多维度分析。每个文件均以SQL或Pandas等工具读取后，可利用报告日期字段串联生成时间序列，追踪资产池的现金流、提前还款率、违约率等关键指标的演化。结合SEC申报文件中的其他结构化数据（如交易结构、信用增级水平），可构建完整的风控模型。此外，通过对比同一信托不同系列的发行数据，还能探究宏观经济周期对汽车贷款组合表现的异质性影响。

背景与挑战

背景概述

该数据集“GM_Financial_Consumer_Automobile_Receivables_Trust_2022_2_1916232”专注于美国证券交易委员会（SEC）的ABS-EE（资产支持证券增强型电子化）资产级申报数据，由数据平台从SEC的EDGAR系统提取，涵盖2022年2月至2026年2月的50份申报文件，以Parquet格式存储并公开于HuggingFace。其核心研究问题在于为资产支持证券（ABS）领域提供细粒度、结构化的贷款级数据，以支持金融风险分析、证券化产品定价及监管合规研究。作为通用汽车金融公司消费者汽车应收账款信托的专项数据集，它填补了汽车ABS市场中标准化、可机读资产级数据的空白，对促进金融科技领域的数据驱动研究具有重要影响力，尤其有助于提升资产池透明度和违约预测模型的准确性。

当前挑战

该数据集所解决的领域问题在于，资产支持证券市场长期面临资产级数据分散、格式不统一且获取成本高的挑战，传统上依赖发行方提供的摘要统计，难以支撑深层次的信用风险评估和动态池分析。构建过程中，核心挑战包括从SEC浩繁的XML附件中准确解析并提取异质化的资产级字段，确保日期格式与数据一致性（如从XML字段推导报告期），同时管理跨50个申报文件、长达四年的时间序列数据，并保持对EDGAR系统频繁更新的兼容性。此外，将非标准化文本转换为结构化Parquet格式，亦需应对数据缺失与字段歧义等问题，从而保障下游分析的稳健性。

常用场景

经典使用场景

在资产支持证券（ABS）研究领域，GM Financial Consumer Automobile Receivables Trust 2022-2数据集为学者和从业者提供了自2022年2月至2026年2月期间，基于SEC ABS-EE规则披露的逐笔贷款级数据。该数据集经典的使用场景聚焦于汽车贷款支持证券的信用风险评估与结构化分析，依托50份Parquet格式的资产级XML附件信息，研究人员能够对汽车贷款池的违约率、提前偿付行为及现金流分布进行精细建模，从而深入剖析该信托产品的内在风险与收益特征。

解决学术问题

该数据集有效解决了汽车ABS领域长期存在的微观数据匮乏问题，使学术界能够从个体贷款层面探究贷款人信用资质、贷款条款与证券化产品表现之间的因果关联。通过利用这些高频、标准化的资产级信息，研究者可以检验信息不对称理论在结构化金融中的适用性，量化评级机构的评估偏差，并评估宏观经济周期对底层资产池质量的动态冲击，显著拓展了资产定价与金融中介理论的经验证据基础。

实际应用

在实际应用中，该数据集可赋能金融机构与监管机构构建汽车ABS的实时监测与预警系统。投资者可借由贷款层面的逾期与损失数据动态调整投资组合头寸，优化信用增级方案配置；评级机构则能基于更精细的历史表现统计，校准其现金流模型与压力测试参数。此外，该数据为监管科技（RegTech）的发展提供了范本，助力SEC等监管主体自动化审查信息披露的完整性与一致性，提升市场透明度与系统稳定性。

数据集最近研究

最新研究方向

在资产支持证券（ABS）领域，GM Financial Consumer Automobile Receivables Trust 2022-2数据集提供了自2022年至2026年间详尽的贷款级资产层面披露信息，成为研究汽车贷款ABS结构化金融产品表现与风险分析的宝贵资源。当前前沿研究方向聚焦于利用这些细颗粒度的时序数据，结合机器学习模型对提前还款率、违约概率及损失分布进行动态预测，并深入探讨宏观经济波动如利率变化对资产池信用质量的传导效应。此外，该数据集因源自SEC强制要求的ABS-EE申报，正推动金融科技领域关于监管数据标准化与透明度提升的讨论，有助于构建更稳健的风险评估框架，对理解后疫情时代消费信贷市场的演变具有里程碑意义。