风控算法工程师岗位招聘考试试卷及答案

风控算法工程师岗位招聘考试试卷及答案一、填空题（每题1分，共10分）1.风控中常用的逻辑回归模型英文缩写是______。2.衡量模型区分好坏用户能力的核心指标KS，全称是______。3.用于检测特征共线性的指标是______。4.风控中“坏用户”通常指______的用户。5.XGBoost属于______（填模型类型）算法。6.混淆矩阵中，真阳性（TP）表示______。7.特征工程中，时间衰减特征的作用是______。8.风控中常用的聚类算法是______。9.模型部署中，用于加速推理的框架是______（举1例）。10.衡量特征与标签相关性的IV指标，全称是______。二、单项选择题（每题2分，共20分）1.风控模型评估中，最关注“坏用户识别能力”的指标是（）A.AUCB.KSC.准确率D.召回率2.逻辑回归的核心假设是（）A.特征独立B.线性可分C.正态分布D.无共线性3.XGBoost比传统GBDT的优势不包括（）A.并行计算B.正则化C.支持缺失值D.无需调参4.解决模型过拟合的方法不包括（）A.增加训练数据B.L1正则化C.简化模型D.减少特征维度5.风控中处理不平衡数据的常用方法是（）A.过采样B.欠采样C.SMOTED.以上都是6.混淆矩阵中，“假阴性（FN）”表示（）A.预测坏实际好B.预测好实际坏C.预测好实际好D.预测坏实际坏7.用于检测特征分布漂移的指标是（）A.PSIB.IVC.VIFD.F18.风控中实时特征计算的核心要求是（）A.高延迟B.低并发C.低延迟D.高误差9.L1正则化的作用是（）A.特征选择B.防止过拟合C.降维D.以上都是10.决策树剪枝的目的是（）A.提高准确率B.防止过拟合C.增加复杂度D.减少计算量三、多项选择题（每题2分，共20分）1.风控中常用的模型包括（）A.逻辑回归B.XGBoostC.RandomForestD.神经网络2.特征工程中处理缺失值的方法有（）A.均值填充B.中位数填充C.模型预测填充D.直接删除3.模型评估的核心指标包括（）A.AUCB.KSC.PSID.IV4.风控模型需要监控的漂移指标有（）A.AUC漂移B.PSI变化C.KS下降D.准确率波动5.过拟合的表现是（）A.训练集准确率高B.测试集准确率低C.训练集损失低D.测试集损失高6.风控中常用的聚类场景有（）A.用户分群B.异常检测C.特征降维D.模型融合7.特征衍生的常用方法有（）A.时间差计算B.频次统计C.金额分段D.均值聚合8.XGBoost的核心思想包括（）A.集成学习B.梯度提升C.并行计算D.正则化9.风控中实时推理的要求是（）A.低延迟B.高并发C.数据一致性D.可扩展10.模型可解释性的方法有（）A.SHAPB.LIMEC.特征重要性D.模型可视化四、判断题（每题2分，共20分）1.逻辑回归是线性模型（）2.AUC越大，模型区分能力越强（）3.PSI>0.2表示特征分布无漂移（）4.XGBoost只能处理分类问题（）5.混淆矩阵中TN是真负例（）6.特征工程对模型效果影响不大（）7.L2正则化可以实现特征选择（）8.风控模型不需要考虑可解释性（）9.时间衰减特征会降低模型效果（）10.RandomForest是集成学习（）五、简答题（每题5分，共20分）1.简述风控中IV值的含义及作用。2.解释模型部署中“冷启动”的含义及解决方法。3.风控中如何处理特征共线性？4.简述交叉验证在模型评估中的作用。六、讨论题（每题5分，共10分）1.如何平衡风控模型的“准确率”与“可解释性”？2.当模型出现性能漂移时，应如何快速定位并解决？---答案部分一、填空题答案1.LR2.Kolmogorov-Smirnov3.VIF（方差膨胀因子）4.违约/欺诈5.集成学习（梯度提升树）6.预测为坏且实际为坏7.降低历史旧数据的权重8.KMeans9.TensorRT/ONNXRuntime10.InformationValue（信息价值）二、单项选择题答案1.B2.B3.D4.D5.D6.B7.A8.C9.D10.B三、多项选择题答案1.ABCD2.ABC3.ABC4.ABCD5.ABCD6.AB7.ABCD8.ABCD9.ABCD10.ABCD四、判断题答案1.√2.√3.×4.×5.√6.×7.×8.×9.×10.√五、简答题答案1.IV值衡量特征与“好坏用户”的相关性，取值0-1：IV<0.1弱相关，0.1-0.3中等，>0.3强相关。作用：筛选风控核心特征，排除无预测价值的特征。2.冷启动指新模型上线初期无足够线上数据验证。解决：用离线历史数据模拟线上场景；小流量灰度测试；结合业务规则辅助判断。3.方法：计算VIF（VIF>10需处理）；删除共线性高的特征；用L1正则化自动筛选；特征聚合（如合并高度相关的交易特征）。4.交叉验证（如K折）将数据分为K份，轮流训练+测试，避免单次划分的偶然性，更准确评估模型泛化能力，选最优参数。六、讨论题答案1.平衡方法：①模型选择：优先LR、决策树等可解释模型，XGBoost用SHAP/LIME解释；②特征工程：选业务可理解的特征（如交易频次），避免黑箱特征；③业务结合：模型输出与规则联动，增强可解释性；④场景适配：强监管场景优先可解释，效率场景可适当牺牲。2.定位解决：①监