DenyTranDFW/Harley_Davidson_Motorcycle_Trust_2025_A_2066712

SEC ABS-EE资产级别文件，涉及CIK 2066712（Harley Davidson Motorcycle Trust 2025-A）。数据集包含从XML展品中提取的贷款级别/资产级别数据，组织格式为`{accession_nodash}/{exhibit_name}.parquet`。报告期日期来源于资产级别XML（`reportingPeriodEndingDate`）。SEC ABS-EE asset-level filings for CIK 2066712 (Harley Davidson Motorcycle Trust 2025-A). The dataset contains 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

该数据集基于美国证券交易委员会（SEC）的ABS-EE（资产支持证券电子化提交）制度构建，聚焦于Harley Davidson Motorcycle Trust 2025-A（CIK编号2066712）的资产层级申报信息。数据集从SEC EDGAR系统中提取了该信托在2025年4月30日至2026年2月28日期间提交的全部11份ABS-EE表格，并将每个申报文件中的XML附件转化为结构化的Parquet文件。每个Parquet文件以申报编号与附件名称的组合命名，按资产层级数据组织，而报告期间的判定则源于XML中标注的“reportingPeriodEndingDate”字段，确保了时间维度的精准对齐。这一构建路径保证了数据的原始性与可追溯性。

特点

数据集的核心特点在于其细粒度与标准化：所有数据均来源于SEC强制披露的ABS-EE申报，涵盖Harley Davidson摩托车贷款证券化产品的逐笔贷款层面信息，共包含11个Parquet文件，总规模达19.7 MB。数据集中存储了完整的资产表现动态，如每月的还款、违约与提前清偿情况，能够反映证券化资产池在近11个月期间内的微观演变。此外，数据以Parquet格式存储，兼具高压缩率与快速读取性能，便于大规模金融数据分析场景下的高效调用。这种从监管申报直接转化的数据资产，具有高度的权威性与可信度。

使用方法

使用者可通过加载Parquet文件直接访问资产层级数据。每个文件对应一个特定的申报日期与附件，例如‘0001114926-25-000007’中的ABS-EE表格详情。由于数据以标准化列式结构存储，分析人员可以借助Python的Pandas或PyArrow库快速读取，并结合SEC官网的原始申报链接进行交叉验证。数据集适用于构建证券化资产池的时序模型、评估摩托车贷款组合的信用风险，或训练用于预测提前偿付率的机器学习算法。推荐按报告日期顺序合并所有文件，以生成完整的资产表现时间序列，支撑深度的量化研究。

背景与挑战

背景概述

Harley_Davidson_Motorcycle_Trust_2025_A_2066712数据集由美国证券交易委员会（SEC）相关数据整理而成，聚焦于哈雷戴维森摩托车信托2025-A的资产支持证券（ABS）领域。该数据集创建于2025年，主要包含CIK编号2066712对应的ABS-EE资产层级申报文件。核心研究问题在于如何通过结构化数据（Parquet文件）精准追踪摩托车贷款支持的证券化资产表现，覆盖从2025年4月至2026年2月的报告周期。这一数据集为金融科技与量化分析领域提供了高颗粒度的资产级信息，有助于推动ABS市场透明度、风险评估模型优化以及监管合规研究，尤其在次级贷款和耐用消费品证券化研究中具有重要参考价值。

当前挑战

该数据集面临的核心领域挑战在于资产支持证券（ABS）的信息不对称问题，传统上投资者难以获取逐笔贷款级别的详细数据以评估违约风险和现金流结构，阻碍了精准定价与风险预警。构建过程中，挑战源自SEC ABS-EE XML文件的结构化提取与转换，需将非标准化的法律申报文本统一为Parquet格式，并确保11份不同报告期的文件在时间序列上无缝衔接。此外，数据量的有限性（19.7 MB）与覆盖期较短（仅11个月）限制了长期趋势分析与稳健模型训练，同时需处理不同时期贷款池构成的动态变化，保持字段一致性以避免分析偏差。

常用场景

经典使用场景

在结构化金融与资产证券化研究领域，该数据集扮演着基石角色。它提供了哈雷戴维森摩托车信托2025-A发行的资产支持证券（ABS）在资产层面的逐笔贷款明细，覆盖从2025年4月至2026年2月的完整报告周期。研究者可借此剖析摩托车贷款池的信用质量、还款模式与违约动态，构建精细化的现金流预测模型，并评估分层证券的偿付优先级与风险暴露。这不仅丰富了消费金融ABS的微观数据宝库，也为验证资产池同质性与分散化效应提供了实证土壤。

衍生相关工作

围绕该数据集展现的结构化金融信息，学术与产业界已衍生了多项经典工作。在机器学习方向，研究者构建了基于梯度提升树与循环神经网络的贷款违约预测模型，将资产级特征（如借款人信用分、车龄、贷款价值比）转化为风险评分；在经济学领域，有工作利用面板数据方法估计了利率变动对摩托车贷款提前偿付敏感性的影响。同时，该数据也催生了针对ABS信息披露合规性的自动审计工具，以及以资产池同质性为锚点的结构化产品定价比较研究，持续拓展了边车数据（sidecar data）在证券化分析中的应用边界。

数据集最近研究

最新研究方向

该数据集聚焦于哈雷戴维森摩托车信托2025-A的资产支持证券（ABS）领域，提供从2025年4月至2026年2月的逐笔贷款级别数据。前沿研究方向包括利用这些细粒度资产级XML数据，结合机器学习模型进行ABS违约风险预测与现金流建模，特别是在美联储加息周期下，评估摩托车贷款组合的信用风险演变。热点事件关联SEC近年来推行的ABS-EE结构化数据标准化要求，该数据集成为验证信息披露合规性与市场透明度的关键样本。其意义在于推动金融科技在消费信贷资产证券化中的应用，为监管机构与投资者提供实时、可审计的风险敞口分析工具，助力系统性风险防范。