DenyTranDFW/GM_Financial_Automobile_Leasing_Trust_2025_3_2074129

GM Financial Automobile Leasing Trust 2025-3的SEC ABS-EE资产级别备案数据集。该数据集包含9个备案文件，总大小为15.7 MB，这些文件是从XML展示中提取的贷款级别/资产级别数据，并以Parquet格式组织。数据按{accession_nodash}/{exhibit_name}.parquet的方式组织，报告期日期从资产级别XML（reportingPeriodEndingDate）中提取。

SEC ABS-EE asset-level filings for CIK 2074129 (GM Financial Automobile Leasing Trust 2025-3). The dataset includes 9 filings with a total size of 15.7 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).

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归档）体系构建，聚焦于GM Financial Automobile Leasing Trust 2025-3这一特定资产支持证券产品。数据源自SEC EDGAR系统中CIK编号为2074129的9份ABS-EE申报文件，通过解析XML附件中的贷款级与资产级数据，提取并整理为Parquet格式文件。每份申报文件的资产级数据按accession编号去连字符后的目录存储，并以附件名称命名Parquet文件。数据集中所有记录均依据资产级XML中的reportingPeriodEndingDate字段衍生出报告期日期，确保了时间维度的精确性与可追溯性。

特点

该数据集具有鲜明的结构化与专业化特征。首先，数据以Parquet列式存储格式呈现，总容量为15.7MB，包含9个Parquet文件，兼顾了查询效率与存储紧凑性。其次，内容完全聚焦于汽车租赁资产支持证券的底层资产表现，覆盖了从发行到存续期的多期申报数据，呈现出完整的资产池动态。此外，数据集严格遵循SEC ABS-EE规范，每一份Parquet文件均对应特定的申报事件，提供了高透明度的资产级明细，为深度量化分析提供了坚实的数据基础。

使用方法

使用该数据集时，可直接通过Hugging Face Datasets库加载Parquet文件，或利用Pandas等数据处理工具读取本地存储的Parquet文件。用户可根据CIK编号、申报表类型（ABS-EE）或accessionNumber对文件进行索引与筛选，结合数据集附带的Filing index表格定位所需申报记录。在分析过程中，可依托reportingPeriodEndingDate字段按时间序列聚合资产级指标，辅以SEC官网链接核实原始XML文档，从而实现对汽车租赁ABS产品逐笔资产的跟踪、建模与风险评估。

背景与挑战

背景概述

GM_Financial_Automobile_Leasing_Trust_2025_3_2074129数据集由通用汽车金融服务公司（GM Financial）主导创建，发布于2025年，旨在系统化收集并标准化其旗下汽车租赁信托的资产支持证券（ABS）资产级数据。该数据集依托美国证券交易委员会（SEC）的ABS-EE（Asset-Backed Securities Electronic Exhibits）框架，提取自XML格式的展品文件，并以Parquet格式存储，共收录9份申报文件，总规模达15.7 MB。数据集的核心研究议题聚焦于汽车租赁ABS市场的微观结构，为投资者、监管机构及学术研究者提供了高颗粒度的贷款级信息，涵盖各报告期末的资产表现数据。其在结构化金融领域具有里程碑意义，推动了ABS市场透明化与数据驱动分析的发展，尤其为信用风险建模、现金流预测及资产组合绩效评估提供了可靠基础。

当前挑战

该数据集面临的挑战多维且复杂。在领域问题层面，汽车租赁ABS市场长期受困于信息不对称与定价难题，尤其是资产池中租赁合同的违约风险、提前终止行为及残值波动难以精准刻画，而数据集的资产级细节虽缓解了部分透明度问题，却仍需应对残余异质性带来的建模难度。在构建过程中，挑战源于SEC ABS-EE XML文档的复杂嵌套结构与不一致的标注范式，使得提取过程需大量解析与对齐工作；此外，不同报告期数据之间的时点可比性及跨文件关联性维护也是显著障碍，加之数据规模虽不大却包含多维度时序信息，对存储效率与查询性能提出了优化要求。

常用场景

经典使用场景

在资产支持证券（ABS）研究领域，GM Financial Automobile Leasing Trust 2025-3 数据集以其精细的贷款级别数据，成为分析汽车租赁ABS结构的核心资源。该数据集来源于美国证券交易委员会（SEC）的ABS-EE强制性披露文件，包含了9份Parquet格式的资产级XML展品信息，覆盖了从2025年至2026年的多个报告周期。研究者可借助这些数据，深入探究资产池的构成特征、逐笔贷款的还款表现以及现金流分配机制，从而构建风险评估模型或进行证券化产品的定价分析。

衍生相关工作

该数据集衍生了一系列经典工作，例如基于机器学习的贷款违约预测模型构建，以及用于检验证券化交易中存在的信息不对称问题研究。部分学者利用此数据验证了不同类型现金流瀑布结构对优先级债券收益波动的影响。还有工作围绕ABS-EE数据标准化流程展开，推动了其他CMBS或信用卡应收款ABS领域采用类似披露框架，形成了跨资产类别的比较研究范式。

数据集最近研究

最新研究方向

在资产证券化（ABS）领域，GM Financial Automobile Leasing Trust 2025-3数据集为研究汽车租赁资产支持证券的微观结构提供了前沿的细粒度数据支撑。通过SEC ABS-EE表格中逐笔贷款级别的XML披露，该数据集能够揭示底层资产池的信用表现与现金流动态，尤其契合当下对ABS透明度与风险定价模型的深度探讨。随着监管机构强化资产级数据报送要求，此类结构化数据已成为解析汽车金融衍生品波动性、优化违约预测算法及推动ESG导向下的绿色资产证券化评估的关键基石。