2025年Python金融风控试卷：量化分析与模型构建实战

2025年Python金融风控试卷：量化分析与模型构建实战考试时间：______分钟总分：______分姓名：______注意事项：1.请仔细阅读每一道题，确保理解题意。2.本试卷所有计算均需使用Python语言及相关库（如Pandas,NumPy,Scikit-learn,Statsmodels等）完成，并展示关键代码和结果。3.请将所有代码和输出结果整合在答题纸上，并清晰呈现分析过程和结论。---第一题假设你获得了一份包含以下字段的信贷历史数据集（已预处理）：*`Loan_ID`:贷款唯一标识符*`Gender`:客户性别*`Marital_Status`:婚姻状况*`Education`:教育水平*`Occupation`:职业*`Income`:年收入*`Loan_Amount`:贷款金额*`Credit_History`:信用历史评分（0-1，1为良好）*`Default`:是否违约（1为违约，0为未违约）请完成以下任务：1.使用Pandas读取该数据集（假设数据已存储为CSV文件`credit_data.csv`）。2.对数据进行探索性分析，包括：*查看数据集的基本信息（行数、列数、数据类型等）。*计算关键数值型特征（如`Income`,`Loan_Amount`）的描述性统计量（均值、中位数、标准差、最小值、最大值）。*计算二元分类特征`Default`的占比。*分析`Credit_History`与`Default`之间的关系（例如，绘制关系图或计算交叉表，描述信用良好与违约的关联性）。*分析`Income`的分布情况，并绘制直方图。3.进行数据预处理：*处理数据中的缺失值（如有）。*将分类特征`Gender`,`Marital_Status`,`Education`,`Occupation`转换为数值型特征（至少选择一种编码方式，如独热编码或标签编码，并说明理由）。*对数值型特征`Income`和`Loan_Amount`进行标准化处理。4.提取并简要说明至少两个你认为可能对`Default`预测有帮助的特征。---第二题继续使用第一题处理后的数据集。1.假设我们首先要构建一个简单的信用违约预测模型，目标是将违约客户识别出来。请选择一个合适的分类算法（如逻辑回归、决策树），使用Scikit-learn构建该模型。2.将数据集随机划分为训练集（80%）和测试集（20%），确保划分是可重复的（设置随机种子）。3.使用训练集训练所选分类模型。4.在测试集上评估模型性能，计算并报告以下指标：准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数。5.请根据上述指标，简要评价该模型在当前数据上的表现，并说明该表现可能意味着什么（例如，对于风控业务来说，高精确率或高召回率哪个更重要？为什么？）。6.计算并绘制混淆矩阵，进一步可视化模型的分类结果。---第三题在前两题的基础上，进行模型优化和深入分析。1.使用`GridSearchCV`或`RandomizedSearchCV`对之前选择的分类模型进行超参数调优，尝试至少两个关键超参数。报告最佳参数组合和对应的模型评估指标（在测试集上）。2.比较优化前后的模型性能，分析超参数调优对模型效果的影响。3.计算并解释模型对重要特征（至少选择两个在第一题或第二题中识别出的特征）的系数或特征重要性，尝试解释模型做出预测的依据。4.假设银行希望将模型应用于实际信贷审批，但要求违约客户的识别率（Recall）不低于80%。请根据当前模型（优化后），评估是否满足该要求。如果不满足，请提出至少一种可能的解决方案（例如，调整分类阈值、收集更多数据、选择其他模型等），并简要说明其思路。---第四题考虑一个市场风险场景：你获得了一份股票日收益率数据（`StockReturns.csv`），包含多支股票在一段时间内的日收益率。1.使用Pandas读取该数据集。2.计算每支股票的日收益率的标准差，并将其视为该股票的波动率。3.计算任意两支选定股票收益率之间的日收益率相关性。4.假设我们要构建一个投资组合，包含这两支股票，并希望投资组合的波动率最小化。请计算在等权重（各投资50%）的情况下，该投资组合的预期日收益率和波动率。5.接下来，我们希望使用GARCH模型来估计某支股票（例如，选择收益率数据中标准差最大的股票）的条件波动率。请使用Statsmodels库拟合一个GARCH(1,1)模型，并简要描述模型的结果（例如，参数估计值、模型的拟合优度等）。基于模型结果，讨论该股票波动率的一些特性。---试卷答案第一题1.代码示例：```pythonimportpandasaspd#1.读取数据df=pd.read_csv('credit_data.csv')#2.探索性分析#a.基本信息查看print("基本信息:")print(())#b.数值型特征描述性统计print("\n数值型特征描述性统计:")numeric_stats=df[['Income','Loan_Amount']].describe()print(numeric_stats)#c.Default占比default_ratio=df['Default'].mean()print(f"\nDefault占比(违约率):{default_ratio:.4f}")#d.Credit_History与Default关系#方法一：交叉表print("\nCredit_History与Default交叉表:")print(pd.crosstab(df['Credit_History'],df['Default']))#方法二：绘图(示例，无需实际绘制)#importseabornassns#importmatplotlib.pyplotasplt#sns.barplot(x='Credit_History',y='Default',data=df)#plt.title('DefaultRatebyCreditHistory')#plt.show()#描述：信用历史评分高(1)的客户违约率显著低于信用历史评分低(0)的客户。#e.Income分布直方图(示例，无需实际绘制)#plt.figure(figsize=(10,6))#sns.histplot(df['Income'].dropna(),kde=True)#plt.title('IncomeDistribution')#plt.xlabel('Income')#plt.ylabel('Frequency')#plt.show()#3.数据预处理#a.缺失值处理(假设示例，需根据实际数据判断)#ifdf.isnull().any().any():##例如，填充数值型特征均值，分类特征众数#df['Income'].fillna(df['Income'].mean(),inplace=True)#forcolin['Gender','Marital_Status','Education','Occupation']:#df[col].fillna(df[col].mode()[0],inplace=True)#b.分类特征编码(示例：独热编码)#features_to_encode=['Gender','Marital_Status','Education','Occupation']#df_encoded=pd.get_dummies(df,columns=features_to_encode,drop_first=True)##或者标签编码(适用于某类别有层级关系或类别较少时)##fromsklearn.preprocessingimportLabelEncoder##le=LabelEncoder()##df['Gender_encoded']=le.fit_transform(df['Gender'])##...对其他分类特征进行编码#c.数值型特征标准化(使用StandardScaler)#fromsklearn.preprocessingimportStandardScaler#scaler=StandardScaler()#df_encoded[['Income_scaled','Loan_Amount_scaled']]=scaler.fit_transform(df_encoded[['Income','Loan_Amount']])#4.特征选择(示例)#特征1:Credit_History(信用历史与违约强相关)#特征2:Income_scaled(收入水平可能影响还款能力)```2.解析思路：*读取数据：使用Pandas的`read_csv`函数加载CSV数据到DataFrame。*探索性分析：*`info()`函数提供数据概览，包括非空值数量和数据类型。*`describe()`函数对数值列进行统计汇总。*`mean()`函数计算二元目标变量`Default`的比例，即违约率。*`crosstab()`函数或分组聚合计算`Credit_History`不同取值下`Default`的分布，用于分析两者关系。绘制条形图可更直观地比较不同信用历史组的违约率。*`histplot()`函数绘制`Income`的分布图，观察其形状、中心趋势和离散程度。*数据预处理：*缺失值处理：根据特征类型选择合适的填充策略（均值、中位数、众数）或删除。*分类特征编码：将分类变量转换为模型可处理的数值形式。独热编码适用于无序分类，标签编码适用于有序或类别较少的情况。`drop_first=True`防止虚拟变量陷阱。*特征标准化：使用`StandardScaler`将数值特征缩放到均值为0，标准差为1的区间，消除量纲影响，有助于模型收敛和比较。*特征选择：基于探索性分析结果，选择与目标变量`Default`相关性较高或理论上重要的特征。`Credit_History`通常是信用风险的核心特征，`Income`与还款能力直接相关。---第二题1.代码示例：```pythonimportpandasaspdfromsklearn.model_selectionimporttrain_test_splitfromsklearn.linear_modelimportLogisticRegressionfromsklearn.metricsimportaccuracy_score,precision_score,recall_score,f1_score,confusion_matrixfromsklearn.preprocessingimportStandardScaler#确保已对特征进行标准化#假设df_encoded是第一题预处理后的数据#选择特征和目标变量features=['Credit_History','Income_scaled','Loan_Amount_scaled']#示例特征X=df_encoded[features]y=df_encoded['Default']#1.选择模型(逻辑回归)model=LogisticRegression(random_state=42)#2.划分数据集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42,stratify=y)#3.训练模型model.fit(X_train,y_train)#4.预测与评估y_pred=model.predict(X_test)accuracy=accuracy_score(y_test,y_pred)precision=precision_score(y_test,y_pred)recall=recall_score(y_test,y_pred)f1=f1_score(y_test,y_pred)#打印评估指标print(f"Accuracy:{accuracy:.4f}")print(f"Precision:{precision:.4f}")print(f"Recall:{recall:.4f}")print(f"F1Score:{f1:.4f}")#5.模型评价思路(文字描述)#分析：...(见下方解析)#6.混淆矩阵cm=confusion_matrix(y_test,y_pred)print("\nConfusionMatrix:")print(cm)#可视化(示例)#importseabornassns#importmatplotlib.pyplotasplt#sns.heatmap(cm,annot=True,fmt='d',cmap='Blues',xticklabels=['NotDefault','Default'],yticklabels=['NotDefault','Default'])#plt.xlabel('Predicted')#plt.ylabel('Actual')#plt.title('ConfusionMatrix')#plt.show()```2.解析思路：*选择模型：逻辑回归是处理二分类问题的常用且interpretable的基准模型。*划分数据集：使用`train_test_split`将数据分为训练集和测试集，以便用未见数据评估模型性能。设置`random_state`保证结果可重复。`stratify=y`确保训练集和测试集中目标变量的比例与原始数据一致，特别适用于类别不平衡的数据。*训练模型：将训练集特征`X_train`和目标`y_train`输入到逻辑回归模型中，调用`fit`方法进行训练。*预测与评估：*使用训练好的模型对测试集特征`X_test`进行预测，得到预测结果`y_pred`。*计算评估指标：*准确率(Accuracy):(TruePositives+TrueNegatives)/TotalSamples。衡量模型总体预测正确的比例。*精确率(Precision):TruePositives/(TruePositives+FalsePositives)。衡量预测为正类的样本中，实际为正类的比例。高精确率意味着较少将负类误判为正类（假阳性少）。*召回率(Recall):TruePositives/(TruePositives+FalseNegatives)。衡量实际为正类的样本中，被模型正确预测为正类的比例。高召回率意味着较少将正类误判为负类（假阴性少）。*F1分数(F1Score):2*(Precision*Recall)/(Precision+Recall)。精确率和召回率的调和平均，综合反映模型性能，特别适用于类别不平衡场景。*模型评价：*分析各项指标值。例如，如果Recall很高但Precision很低，说明模型抓准了大部分违约客户，但同时也把很多未违约客户误判为违约。反之亦然。需要结合业务目标（是更看重发现违约客户还是保证预测的准确性）来评价模型。*混淆矩阵提供了更详细的分类结果：[TN,FP;FN,TP]，可以直观看到各类错误（假阳性和假阴性）的数量，进一步辅助评价。*特征选择：在第二题中继续使用第一题筛选的特征，或在训练模型前进一步进行特征工程。---第三题1.代码示例：```pythonfromsklearn.model_selectionimportGridSearchCVfromsklearn.ensembleimportRandomForestClassifier#示例：尝试随机森林#或者继续使用LogisticRegression,但增加参数#假设X,y已定义并标准化#1.划分训练集测试集(再次划分或使用上一题的split)#X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42,stratify=y)#2.选择模型和超参数网格(以RandomForest为例)model_to_tune=RandomForestClassifier(random_state=42)param_grid={'n_estimators':[100,200],#树的数量'max_depth':[None,10,20],#树的最大深度'min_samples_split':[2,5]#内部节点分裂所需最小样本数}#3.GridSearchCVgrid_search=GridSearchCV(estimator=model_to_tune,param_grid=param_grid,cv=5,scoring='recall',n_jobs=-1)#使用召回率作为评分标准grid_search.fit(X_train,y_train)#4.报告最佳参数和模型性能best_params=grid_search.best_params_best_model=grid_search.best_estimator_print(f"最佳参数:{best_params}")#在测试集上评估最佳模型y_pred_optimized=best_model.predict(X_test)accuracy_opt=accuracy_score(y_test,y_pred_optimized)precision_opt=precision_score(y_test,y_pred_optimized)recall_opt=recall_score(y_test,y_pred_optimized)f1_opt=f1_score(y_test,y_pred_optimized)print(f"\n优化后模型在测试集上的性能:")print(f"Accuracy:{accuracy_opt:.4f}")print(f"Precision:{precision_opt:.4f}")print(f"Recall:{recall_opt:.4f}")print(f"F1Score:{f1_opt:.4f}")#5.性能比较分析思路(文字描述)#分析：...(见下方解析)#6.特征重要性(以RandomForest为例)#ifhasattr(best_model,'feature_importances_'):#importances=best_model.feature_importances_#feature_names=features#之前定义的特征名#importance_df=pd.DataFrame({'Feature':feature_names,'Importance':importances})#importance_df=importance_df.sort_values(by='Importance',ascending=False)#print("\n特征重要性:")#print(importance_df)#7.Recall评估与解决方案思路(文字描述)#分析：...(见下方解析)```2.解析思路：*选择模型和超参数网格：选择一个复杂的模型（如随机森林）或对现有模型（如逻辑回归）增加超参数进行调优。定义一个包含不同超参数取值的网格`param_grid`。*GridSearchCV：*`GridSearchCV`会遍历`param_grid`中的所有参数组合。*使用交叉验证（`cv=5`）在每一组参数上评估模型性能。*`scoring='recall'`指定使用召回率作为评估和选择最佳参数的标准。*`n_jobs=-1`利用所有CPU核心加速计算。*`fit`方法执行超参数搜索和模型训练。*报告结果：`best_params_`属性给出最佳参数组合，`best_estimator_`属性给出使用最佳参数训练的模型。*评估优化后模型：使用测试集（从未参与训练和调优）评估最佳模型的各项性能指标，判断调优效果。*性能比较分析：对比优化前后的模型性能指标（特别是Recall是否达到要求）。分析调优对模型在测试集上的准确率、精确率、召回率和F1分数的具体影响，判断调优是否带来了期望的改进，或者是否有过拟合风险（训练集性能提升显著，但测试集性能提升不大）。*特征重要性：对于像随机森林这样的模型，`feature_importances_`属性可以提供各特征对模型预测贡献度的量化评估。根据重要性排序，可以了解模型决策的关键因素，并可能用于进一步的特征选择或业务解释。*Recall评估与解决方案：*根据优化后模型在测试集上的Recall值，判断是否满足业务要求（Recall>=80%）。*如果不满足：*调整阈值：对于分类模型，默认通常是0.5的预测阈值。可以尝试降低阈值（将更多预测为正类），以提升召回率，但可能会牺牲精确率。*选择其他模型：尝试对不平衡数据更友好的模型，如XGBoost、LightGBM、SMOTE过采样后的模型等。*收集更多数据：更全面、更多样化的数据可能有助于模型学习区分更困难的样本。*特征工程：构建更能区分正负类的特征。*业务规则结合：将模型结果与业务规则（如客户关系价值、欺诈模式特征）结合进行最终决策。---第四题1.代码示例：```pythonimportpandasaspdimportnumpyasnpfromstatsmodels.tsa.apiimportarch_model#1.读取数据df_returns=pd.read_csv('StockReturns.csv',index_col=0)#假设第一列是股票代码，第二列是日期，其余是收益率#2.计算波动率(标准差)volatility=df_returns.std()print("各股票波动率(日收益率标准差):")print(volatility)#3.计算相关性(示例：股票1与股票2)stock1='Stock_Return_1'stock2='Stock_Return_2'#假设有这两支股票列correlation=df_returns[stock1].corr(df_returns[stock2])print(f"\n{stock1}与{stock2}的日收益率相关性:{correlation:.4f}")#4.计算等权重投资组合预期收益率和波动率expected_return=df_returns.mean().mean()#假设数据为日收益率，直接求均值再求均值近似年化portfolio_weights=np.array([0.5,0.5])#等权重portfolio_return=np.dot(portfolio_weights,df_returns.mean())#近似年化组合收益率covariance_matrix=df_returns.cov()portfolio_volatility=np.sqrt(np.dot(portfolio_weights.T,np.dot(covariance_matrix,portfolio_weights)))print(f"\n等权重投资组合近似年化预期收益率:{portfolio_return:.4f}")print(f"等权重投资组合近似年化波动率:{portfolio_volatility:.4f}")#5.拟合GARCH(1,1)模型(示例：对波动率最大的股票)stock_max_vol=volatility.idxmax()print(f"\n拟合GARCH(1,1)模型于波动率最大的股票:{stock_max_vol}")#使用GARCH(1,1)模型，均值方程使用AR(1)garch_model=arch_model(df_returns[stock_max_vol],vol='Garch',p=1,q=1,dist='Normal',mean='AR',ar_order=1)garch_results=garch_model.fit(disp='off')#disp='off'减少输出信息#打印关键结果print("\nGARCH(1,1)模型结果摘要:")print(garch_results.summary())#讨论波动率特性(示例)#print("\n模型参数解释:")#print("alpha_0(常数项):波动率的基线水平")#print("alpha_1(ARCH项):过去收益率平方对当前波动率的影响")#print("beta_1(GARCH项):过去波动率对当前波动率的影响")#print("gamma_1(均值方程AR系数):过去收益率对当前收益率的影响")##基于参数估计值讨论：##ifgarch_results.params['alpha_1']>0andgarch_results.params['beta_1']>0:##print("模型显示波动率具有集聚效应（GARCH效应）。")##ifgarch_results.params['beta_1']>garch_results.params['alpha_1']:##print("过去波动率对当前波动率的影响大于过去收益率平方的影