DenyTranDFW/Exeter_Automobile_Receivables_Trust_2022_6_1954436

该数据集涉及美国证券交易委员会（SEC）ABS-EE资产级别文件，针对CIK 1954436（Exeter Automobile Receivables Trust 2022-6）。包含41个文件，41个Parquet文件，总大小92.5 MB，报告期为2022-10-31至2026-02-28。Parquet文件是从XML展示中提取的贷款/资产级别数据，按{accession_nodash}/{exhibit_name}.parquet方式组织。报告期日期来源于资产级别XML（reportingPeriodEndingDate）。SEC ABS-EE asset-level filings for CIK 1954436 (Exeter Automobile Receivables Trust 2022-6). Includes 41 filings, 41 parquet files, total size 92.5 MB, reporting period from 2022-10-31 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

在资产支持证券（ABS）领域，Exeter Automobile Receivables Trust 2022-6 数据集基于美国证券交易委员会（SEC）的ABS-EE监管申报要求构建，聚焦于CIK编号为1954436的特定资产池。该数据集通过系统性地收集自2022年10月至2026年2月期间共计41份月度ABS-EE表格的XML附件，将其中蕴含的贷款级与资产级结构化数据解构并转换为Parquet格式文件。每份文件以'备案编号/展品名称.parquet'的层级目录组织，从中提取的'报告期截止日期'字段精确标定了每条记录的时间维度，从而形成了一套时序完整、粒度精细的资产表现档案。

特点

该数据集的核心特征在于其高度结构化与标准化，总量达92.5 MB的41个Parquet文件完整映射了Exeter Automobile Receivables Trust 2022-6从发行初期至近终止日的全生命周期资产动态。所有数据均源自SEC官方申报的原始XML摘要，确保了来源的权威性与可追溯性。尤为重要的是，资产级逐笔贷款的微观数据被系统保留，而非聚合统计，这为研究者提供了穿透性分析信用风险、提前偿付模式及回收率等关键指标的宝贵材料。数据集的月度频次更新与长达近四年的跨度，则赋予了深度时间序列分析的潜力。

使用方法

使用者可通过Hugging Face数据集库直接加载该Parquet格式数据，其列式存储特性兼容Pandas、Dask等主流Python数据分析框架，便于进行高效的内存操作与计算。结合SEC EDGAR系统提供的原始XML档案链接，用户能够交叉核验数据准确性或补充非结构化上下文信息。典型应用场景包括构建贷款违约预测模型、评估不同宏观经济周期下汽车ABS的资产表现，以及进行监管合规研究。研究者亦可利用'报告期'字段对面板数据进行切片，对比单一信托在不同存续阶段的资产生命周期规律。

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分支，其底层资产的质量与信息披露透明度对市场定价与风险管控具有决定性影响。Exeter Automobile Receivables Trust 2022-6 数据集由美国证券交易委员会（SEC）披露的ABS-EE（Asset-Backed Securities - Electronic Data）资产级申报文件整理而成，聚焦于埃克塞特汽车应收款信托2022年第6期项目（CIK编号1954436）。该数据集创建于2022年，收录了自2022年10月至2026年2月期间共计41份月度申报文件，涵盖各期还款计划、违约率、提前偿付等核心资产表现指标。作为结构化金融领域标准化数据资源的典范，它极大促进了学者与从业者对汽车贷款ABS现金流模型构建、信用风险评估及证券化产品比较研究的开展，在推动实证资产定价与监管科技发展中发挥了基础性作用。

当前挑战

该数据集解决的核心领域问题在于汽车贷款ABS的资产层数据普遍缺乏结构化、可机读的标准化格式，导致跨产品、跨时期的横向对比与深度挖掘举步维艰。尽管SEC通过ABS-EE规则推动了XML格式的强制披露，但申报文件中的资产级数据仍需经由复杂的XML解析、字段对齐与数据清洗方可使用，构建过程中的技术挑战体现在：原始XML标签命名不规范、缺失值处理策略不统一、多表合并时索引关系的重建，以及需将大量非结构化文本转化为可分析的数值型指标。此外，不同ABS池的贷款属性（如地理分布、信用评分区间、贷款期限等）差异显著，使得模型的泛化能力面临考验，而真实世界中提前偿付与违约行为受宏观经济波动与政策干预影响，进一步增加了资产表现预测的复杂性。

常用场景

经典使用场景

Exeter Automobile Receivables Trust 2022-6 数据集作为资产支持证券（ABS）领域内一份极为详尽的贷款层面标准化档案，其核心价值在于为结构化金融产品的量化分析提供了原始且连续的微观数据源。研究者可借助该数据集追踪特定汽车贷款池从2022年10月至2026年2月的完整生命周期表现，包括每笔贷款的还款状态、逾期情况及现金流分布，从而在粒度层面复现和验证资产池的信用风险迁移轨迹。其经典使用场景集中于构建违约概率预测模型、评估提前偿付行为对证券现金流的影响，以及进行资产池异质性分析，为ABS定价与风险度量奠定了实证基础。

实际应用

在实务层面，该数据集为金融机构的风险管理部门提供了可操作的基准数据，用于优化内评法下汽车贷款的资本计量，并辅助设计更精细化的资产池筛选策略。投资者可依据其详尽的逐笔还款记录，动态评估不同分层证券的预期损失与现金流截留机制，从而作出更明智的二级市场交易决策。此外，监管机构可借助此类数据监控系统性风险，评估宏观审慎政策对个人信贷市场的影响，为构建透明、稳健的证券化市场基础设施提供了不可替代的实证支撑。

衍生相关工作

围绕该数据集所蕴含的丰富时序结构与资产池异质性特征，已催生了一系列富有影响力的衍生研究工作。其中，基于其逐笔贷款数据的生存分析模型被用于精准刻画违约发生的时间分布，并与传统的简约化模型进行对比。此外，利用其多期现金流汇总信息，学界发展出了将机器学习算法（如梯度提升树与循环神经网络）嵌入ABS现金流预测的混合框架，显著提升了复杂经济情景下的估值精度。这些工作不仅拓展了结构性金融产品的分析工具库，也为后续研究提供了标准化的数据参照系与可复现的实证范式。