2025年大学《应用统计学》专业题库- 金融风险管理与统计建模

2025年大学《应用统计学》专业题库——金融风险管理与统计建模考试时间：______分钟总分：______分姓名：______一、简述市场风险和信用风险的主要区别，并各列举一种常用的量化度量方法。二、在金融风险管理中，为什么要对金融资产收益率进行正态性检验？如果不满足正态性假设，可能带来哪些问题？三、解释VaR（风险价值）的定义及其局限性。假设某投资组合的日收益率服从正态分布，均值为0.1%，标准差为1%。计算该组合在95%置信水平下的1天VaR（持有期1天，ConfidenceLevel95%）。请说明计算中隐含的关键假设。四、什么是GARCH模型？它在建模金融资产收益率波动率时具有哪些优势？请简述GARCH(1,1)模型的定义。五、假设你正在构建一个信用风险评估模型。简述逻辑回归模型在该类问题中的应用原理。列举三个在信用风险建模中可能需要考虑的重要解释变量。六、描述在使用统计软件（如R或Python）进行时间序列分析前，对金融数据进行预处理的主要步骤。七、解释什么是协整检验，并说明其在金融时间序列分析中的重要性。简述Engle-Granger两步法和Johansen检验的基本思想。八、某投资者考虑投资两个资产A和B。已知资产A的预期收益率为10%，标准差为15%；资产B的预期收益率为18%，标准差为25%。假设A和B的收益率协方差为300。如果投资者希望构建一个投资组合，使得在预期收益率为16%的情况下，投资组合的风险（以标准差衡量）最小，请计算投资者应如何分配资金于资产A和资产B？（要求写出计算过程和最终结果）九、在金融风险管理中，什么是压力测试？简述进行压力测试的基本步骤，并说明其在风险管理中的作用。十、论述主成分分析（PCA）在金融风险管理中的潜在应用。例如，可以解释PCA如何用于降维，以及如何应用于构建投资组合或分析资产相关性。十一、解释什么是机器学习在风险管理中的应用，并列举两种可能的应用场景，简要说明其原理。十二、假设你使用历史数据估计了一个股票的回归模型，模型试图解释股票收益率与某个市场指数收益率之间的关系。请简述回归模型诊断的主要目的，并列举至少三种常见的诊断方法，说明它们用来检查哪些模型假设。试卷答案一、市场风险是指由于市场因素（如价格、利率、汇率、波动率等）变化导致金融资产价值下跌的风险。信用风险是指交易对手未能履行约定契约中的义务而造成经济损失的风险。常用度量方法：市场风险常用VaR（风险价值）；信用风险常用PD（违约概率）、EAD（暴露在风险中金额）、LGD（损失给定违约）、PD/LGD/EAD乘积计算信用风险价值或期望损失。二、正态性检验是为了确认金融资产收益率是否服从正态分布，因为许多风险管理模型（如VaR）和统计推断方法都基于正态性假设。如果不满足正态性，可能导致：1）VaR低估尾部风险（实际损失可能超过VaR）；2）参数估计和假设检验结果不准确；3）基于正态性推导的模型（如Black-Scholes期权定价）失效。三、VaR是在给定置信水平和持有期下，预期最大损失的不确定性区间。其局限性包括：1）未考虑尾部风险，无法量化极端损失的可能性（如ES）；2）假设收益率分布对称，可能低估偏态风险；3）是静态度量，未考虑市场动态变化。计算：95%置信水平对应Z值为1.645。VaR=均值-Z*标准差=0.001%-1.645*1%=-1.645%。结果为1.645%。隐含假设：日收益率服从正态分布，且未来收益分布与历史数据同分布。四、GARCH（广义自回归条件异方差）模型是一类用于描述时间序列数据条件方差随时间变化的统计模型。它通过引入滞后项和方差方程来捕捉波动率的聚类效应（即高波动或低波动倾向于持续一段时间）。优势：1）能较好地捕捉金融资产收益率波动率的聚类性、ARCH效应和非正态性；2）比简单方差模型更能反映市场波动现实的动态性；3）是许多复杂风险管理模型（如GARCH-M、GARCH-t）的基础。五、逻辑回归模型用于分析因变量为二分类变量的情况，并预测概率。在信用风险评估中，因变量通常是“是否违约”（是/否），模型输出是借款人违约的概率。应用原理：模型根据一系列解释变量（如收入、负债比率、信用历史等）的线性组合，通过Sigmoid函数将其映射到0和1之间，形成违约概率预测。解释变量：信用评分、收入水平、债务收入比、资产规模、信用历史长度、贷款期限、宏观经济指标等。六、预处理步骤：1）缺失值处理：填充或删除缺失数据；2）异常值检测与处理：识别并处理极端值；3）平稳性检验与处理：通过单位根检验（如ADF）判断序列是否平稳，非平稳序列需差分或转换（如对数变换）；4）季节性调整：如果存在明显季节性，需进行去季节化处理；5）数据标准化/归一化：使不同尺度的变量具有可比性。七、协整检验用于判断两个或多个非平稳时间序列是否存在长期的均衡关系，即它们是否可以组合成一个平稳的向量。重要性：金融资产之间（如股票与指数、利率与汇率）常常表现出非平稳性，但可能存在长期的协整关系。直接对非平稳序列进行回归会导致伪回归问题，协整检验可以避免此问题，并为构建长期均衡关系模型（如VECM）提供基础。Engle-Grange两步法：第一步对每个非平稳变量进行单方程协整回归，得到残差；第二步检验这些残差序列是否联合平稳（如用Johansen检验）。Johansen检验：直接在向量框架下检验多个非平稳变量之间是否存在协整关系，通过特征根检验确定协整向量的个数。八、设投资组合中资金分配比例为w_A（投资于A的比例），w_B（投资于B的比例），则w_A+w_B=1。投资组合预期收益率E(R_p)=w_A*10%+w_B*18%=16%。投资组合方差Var(R_p)=w_A^2*15%^2+w_B^2*25%^2+2*w_A*w_B*300。要求最小化标准差，即最小化方差Var(R_p)。将w_B=1-w_A代入方差公式并求导，得到最优w_A。计算过程略。最终结果：w_A≈0.5714(约57.14%)，w_B=1-w_A≈0.4286(约42.86%)。九、压力测试是通过模拟极端但可能的市场情景（如极端利率变化、股票市场崩盘、重大金融危机等），评估这些情景下金融资产组合或机构的潜在损失。基本步骤：1）定义测试目标（如评估VaR在压力下的表现、检验资本充足性）；2）选择或设计极端情景（基于历史事件、专家判断、情景分析）；3）将情景应用于模型或数据，计算在压力情景下的资产价值和损失；4）评估结果，判断风险暴露和潜在影响。作用：1）补充VaR等在正常市场下的不足，识别尾部风险；2）检验风险管理模型的稳健性；3）帮助制定应急预案和资本缓冲。十、PCA（主成分分析）通过线性变换将原始多个相关变量转换为少数几个不相关的主成分，这些主成分保留了原始数据的大部分方差。在金融风险管理中应用：1）降维：当存在大量相关资产或风险因子时，PCA可以提取少数主成分作为代表，简化模型复杂性，同时保留大部分系统风险信息；2）构建投资组合：主成分可以作为新的风险因子，用于构建投资组合或风险模型；3）分析资产相关性：主成分分析的结果可以揭示资产间的共同波动模式，有助于理解资产关联结构。十一、机器学习在风险管理中应用是指利用机器学习算法（如决策树、支持向量机、神经网络、随机森林等）从历史数据中自动学习风险模式，进行预测或分类。应用场景：1）信用评分卡：利用逻辑回归、决策树等预测借款人违约概率，生成信用评分；2）欺诈检测：利用异常检测算法（如孤立森林、聚类）识别异常交易或账户行为。原理：通过训练模型学习历史数据中与风险事件（如违约、欺诈）相关的复杂非线性模式，并对新的未知数据进行风险预测或分类。十二、回归模型诊断的目的是检验回归模型的基本假设是否得到满足，以确保模型估计结果的可靠性以及推断的有效性。主要目的：1）检验线性关系假设；2）检验误差项的独立性；3）检验同方差性；4）检验误差项的正态性；5）检验不存在多重共线性；6）检验不存在异常值或强影响点