2025年征信数据挖掘师考试题库：征信数据分析挖掘技术实操与案例试题

2025年征信数据挖掘师考试题库：征信数据分析挖掘技术实操与案例试题一、单项选择题（每题2分，共20题）1.以下哪项不属于征信数据中的“信贷交易信息”？A.信用卡透支余额B.个人社保缴纳记录C.贷款还款状态D.担保信息答案：B2.在征信数据清洗过程中，针对“某用户年龄字段显示为-5”的异常值，最合理的处理方式是？A.直接删除该条记录B.用全局均值替换C.结合用户其他信息（如工作年限）推断合理值D.保留原始值用于后续分析答案：C3.征信数据特征工程中，“将用户近12个月的逾期次数转换为‘0次’‘1-3次’‘4次以上’”属于？A.特征分箱B.特征标准化C.特征交叉D.特征降维答案：A4.评估征信分类模型时，若业务更关注“避免将高风险用户误判为低风险”，应重点优化以下哪个指标？A.准确率（Accuracy）B.召回率（Recall）C.精确率（Precision）D.F1分数答案：B5.某征信数据集中，“月收入”字段缺失率为35%，且缺失模式与“职业类型”强相关（如自由职业者缺失率更高），最适合的填充方法是？A.均值填充B.中位数填充C.基于职业类型的分组均值填充D.多重插补（MICE）答案：C6.在使用逻辑回归构建征信评分模型时，若某特征的IV值（信息价值）为0.35，说明该特征？A.预测能力极弱，应剔除B.预测能力一般，可保留C.预测能力较强，重点关注D.存在多重共线性问题答案：C（IV值0.3-0.5为强预测能力）7.以下哪种技术最适合处理征信数据中的“多头借贷”关联分析？A.主成分分析（PCA）B.图神经网络（GNN）C.随机森林（RandomForest）D.支持向量机（SVM）答案：B8.征信数据脱敏处理中，“将身份证号的中间8位替换为”属于？A.匿名化B.去标识化C.加密D.混淆答案：B9.在A/B测试中，若要验证新征信评分模型的风险区分能力，对照组应选择？A.未使用任何模型的随机审批策略B.原有的传统评分卡模型C.仅基于收入的简单规则模型D.行业平均水平的外部模型答案：B10.某金融机构发现，其征信模型在训练集上的AUC为0.85，但在测试集上仅为0.72，最可能的原因是？A.数据泄露（DataLeakage）B.过拟合（Overfitting）C.欠拟合（Underfitting）D.特征选择不足答案：B11.征信数据时效性分析中，“用户近6个月的查询次数”比“近2年的查询次数”更具预测价值，主要是因为？A.监管要求仅保留近6个月数据B.近期行为更能反映当前信用风险C.长期数据存在存储成本问题D.长期数据缺失率更高答案：B12.以下哪项属于征信数据中的“非结构化数据”？A.贷款金额（数值型）B.担保合同文本（PDF）C.逾期天数（分类型）D.职业类型（枚举型）答案：B13.在联邦学习（FederatedLearning）框架下，金融机构与电商平台合作挖掘征信数据时，核心目标是？A.共享完整用户数据以提升模型效果B.仅交换模型参数而非原始数据C.由第三方机构集中处理所有数据D.降低数据传输的网络成本答案：B14.征信模型监控中，“PSI（群体稳定性指标）”主要用于检测？A.模型预测结果的准确性变化B.特征分布的稳定性变化C.用户群体的流失率变化D.业务规则的执行偏差答案：B（PSI>0.25表示特征分布显著变化）15.处理征信数据中的“共债风险”时，最关键的特征是？A.用户年龄B.多头借贷机构数量C.教育程度D.居住城市答案：B16.某征信数据集存在严重类别不平衡（违约用户占比2%），以下哪种方法最不适用？A.过采样（Oversampling）少数类B.欠采样（Undersampling）多数类C.调整模型损失函数（如加权交叉熵）D.直接使用准确率作为评估指标答案：D17.在征信数据可视化中，“展示不同收入区间用户的违约率分布”最适合的图表是？A.散点图B.箱线图C.柱状图（分组对比）D.热力图答案：C18.以下哪种算法最适合处理征信数据中的时序特征（如每月还款记录）？A.XGBoostB.LSTM（长短期记忆网络）C.K-meansD.朴素贝叶斯答案：B19.征信数据合规性审查中，“获取用户授权的时间戳”属于？A.数据质量指标B.数据来源合法性证据C.模型可解释性要求D.数据存储安全性要求答案：B20.若需构建“小微企业征信模型”，相比个人征信，最需重点关注的特征是？A.企业实控人信用记录B.企业上下游交易稳定性C.企业注册时长D.企业所在行业答案：B（小微企业信用更依赖经营场景数据）二、多项选择题（每题3分，共10题）1.征信数据采集阶段需遵守的合规原则包括？A.最小必要原则（仅采集与信用评估直接相关的数据）B.用户知情同意原则C.数据可追溯原则（记录采集时间、来源）D.全量采集原则（尽可能多采集以提升模型效果）答案：ABC2.征信数据清洗中，常见的异常值检测方法有？A.3σ法则（适用于正态分布数据）B.箱线图法（基于四分位数）C.孤立森林（IsolationForest）D.主成分分析（PCA）重构误差答案：ABCD3.特征选择的常用方法包括？A.基于统计的方法（如卡方检验、IV值）B.基于模型的方法（如L1正则化筛选特征）C.基于相关性的方法（如皮尔逊相关系数）D.基于领域知识的人工筛选答案：ABCD4.征信模型可解释性提升的方法有？A.使用逻辑回归等线性模型B.计算SHAP值（模型无关的解释方法）C.输出特征重要性排序D.仅使用树状结构模型（如决策树）答案：ABC（树模型不一定更易解释，复杂树结构可能难以理解）5.征信数据存储时需注意的安全措施包括？A.加密存储（如AES加密）B.访问权限控制（如RBAC角色权限）C.脱敏处理（如对身份证号部分隐藏）D.无限期存储所有历史数据答案：ABC6.以下哪些场景适合使用集成学习（如随机森林、XGBoost）构建征信模型？A.数据维度高（hundredsoffeatures）B.数据中存在非线性关系（如收入与违约率非单调相关）C.需要快速训练（线性模型更高效）D.希望模型具备较强的抗过拟合能力答案：ABD7.征信模型部署后，需监控的关键指标包括？A.模型AUC/KS值的变化B.特征PSI（群体稳定性指标）C.业务端审批通过率的变化D.服务器CPU/内存使用率答案：ABCD（技术指标与业务指标均需监控）8.处理征信数据中的“缺失值”时，需考虑的因素有？A.缺失机制（随机缺失/完全随机缺失/非随机缺失）B.缺失字段的重要性（是否为关键特征）C.数据集规模（小样本需更谨慎处理）D.模型对缺失值的容忍度（如XGBoost可自动处理缺失值）答案：ABCD9.企业征信中，关联风险分析的常用方法有？A.构建企业-实控人-关联企业的图网络B.使用社群发现算法（如Louvain）识别关联群体C.分析企业间资金往来的异常模式（如高频小额转账）D.仅依赖企业自身财务报表数据答案：ABC10.联邦学习在征信数据合作中的优势包括？A.保护各参与方数据隐私B.无需共享原始数据即可联合建模C.适用于跨机构、跨行业的数据协作D.模型效果一定优于单机构模型答案：ABC（D错误，效果取决于数据互补性）三、判断题（每题1分，共10题）1.征信数据中的“查询记录”仅包括金融机构的贷款审批查询，不包括用户自身的查询。（×，用户自主查询通常不计入负面记录）2.数据脱敏后，剩余信息仍可能通过关联其他公开数据复原原始用户身份，因此需结合去标识化技术。（√）3.在征信模型中，IV值越高的特征，其与目标变量的线性相关性越强。（×，IV值衡量的是特征对目标变量的预测能力，不一定是线性）4.为提升模型效果，应尽可能保留所有原始特征，避免特征筛选导致信息丢失。（×，冗余特征可能引入噪声，降低模型泛化能力）5.征信数据中的“多头借贷”是指用户在超过3家金融机构有未结清贷款。（√，行业通常定义为3家及以上）6.若征信模型的KS值（Kolmogorov-Smirnov）为0.4，说明模型对正负样本的区分能力较弱。（×，KS值0.3-0.5为良好，>0.5可能过拟合）7.图数据库（如Neo4j）在征信关联分析中的核心优势是支持高效的图遍历和社群发现。（√）8.征信数据时效性分析中，“近1个月的查询次数”比“近3个月”更重要，因此只需保留最近1个月的数据。（×，需综合考虑短期与长期行为模式）9.联邦学习要求各参与方使用相同的设备和计算资源，否则无法协同训练。（×，联邦学习支持异质设备，通过参数聚合实现协作）10.征信模型的“可解释性”与“预测性能”通常存在权衡，提升可解释性可能降低模型效果。（√）四、简答题（每题5分，共5题）1.简述征信数据清洗的主要步骤及各步骤的核心目标。答案：主要步骤包括：（1）数据质量检查（识别缺失值、异常值、格式错误）；（2）缺失值处理（根据缺失机制选择填充、删除或保留）；（3）异常值处理（修正、删除或标记）；（4）格式统一（如日期格式、单位对齐）；（5）一致性校验（如身份证号与年龄是否矛盾）。核心目标是提升数据准确性、完整性和一致性，为后续分析提供可靠基础。2.请说明在征信模型中使用特征分箱（Binning）的作用及常用方法。答案：作用：（1）将连续变量离散化，降低噪声影响；（2）提升模型稳定性（避免微小数值变化导致预测剧烈波动）；（3）增强可解释性（分箱后特征与目标变量的关系更直观）。常用方法：等距分箱、等频分箱、卡方分箱（基于目标变量分布的统计分箱）、决策树分箱（通过决策树自动寻找最优分割点）。3.对比逻辑回归与XGBoost在征信评分模型中的优缺点。答案：逻辑回归优点：可解释性强（系数直接反映特征重要性）、计算高效、易于部署；缺点：无法捕捉非线性关系，对特征工程依赖高。XGBoost优点：自动处理非线性关系和特征交互，抗过拟合能力强（内置正则化），预测性能通常更优；缺点：可解释性较弱（复杂树结构难以直观理解），训练时间较长（尤其高维数据），需调参优化。4.设计征信模型A/B测试时，需注意哪些关键要点？答案：（1）样本划分：随机分组，确保对照组与实验组用户特征分布一致（可通过KS检验验证）；（2）测试周期：覆盖足够业务周期（如至少1个还款周期），避免季节性因素干扰；（3）指标选择：同时监控风险指标（如违约率）和业务指标（如通过率、收益）；（4）流量控制：初期小流量测试，确认无异常后逐步扩大；（5）数据隔离：避免实验组与对照组用户交叉（如同一用户不能同时进入两组）。5.简述企业征信中“关联风险”的典型场景及分析方法。答案：典型场景：（1）关联企业间资金空转（虚构交易套取贷款）；（2）实控人通过多个壳公司多头借贷；（3）行业链风险传导（如上游供应商违约导致下游企业资金链紧张）。分析方法：（1）构建企业关系图（包含股权、担保、交易等关系）；（2）使用图算法（如PageRank识别核心企业、Louvain算法发现关联社群）；（3）监控异常关联行为（如短时间内新增大量关联企业、关联方间异常资金流动）；（4）结合企业自身财务数据与关联方信用表现综合评估。五、案例分析题（共2题，每题15分）案例1：某银行拟构建个人消费贷款违约预测模型，已收集以下数据：-基础信息：年龄、性别、婚姻状况、教育程度-信贷历史：信用卡额度、已用额度、历史逾期次数（近1年/近3年）、未结清贷款笔数-行为数据：近6个月征信查询次数（贷款审批/信用卡审批）、第三方支付月均消费金额-目标变量：未来12个月是否发生严重违约（逾期>90天）问题：（1）请列出3个需重点清洗的字段，并说明可能的异常情况及处理方法。（2）设计特征工程方案（至少4个特征），并说明设计逻辑。（3）若数据中违约样本占比仅3%，需采取哪些措施提升模型效果？（4）选择2种模型（如逻辑回归、XGBoost、神经网络），对比其适用性并给出最终推荐。答案要点：（1）重点清洗字段及处理：-“历史逾期次数”：可能存在负数或异常大值（如“100次”），需检查是否为系统录入错误，若为错误则修正或删除；若为真实数据（如长期逾期），保留并标记。-“第三方支付月均消费金额”：可能存在0值（未使用该支付方式）或缺失值（用户未授权获取），缺失值可填充为0（表示无消费记录）或基于用户收入水平分组填充。-“近6个月征信查询次数”：需区分“贷款审批”与“信用卡审批”查询（前者更反映资金需求紧迫性），若字段未区分，需拆分或标记为“高风险查询类型”。（2）特征工程方案：-信用卡使用率（已用额度/信用卡额度）：反映用户当前负债压力，使用率越高，违约风险可能越大。-逾期次数趋势（近1年逾期次数/近3年逾期次数）：若近期逾期占比高，说明信用状况恶化。-多头借贷指标（未结清贷款笔数+近6个月贷款审批查询次数）：综合反映用户资金紧张程度。-消费稳定性（第三方支付月均消费金额的标准差）：消费波动大可能暗示收入不稳定。（3）应对类别不平衡措施：-过采样少数类（如SMOTE算法生成合成违约样本）；-调整模型损失函数（对违约样本赋予更高权重）；-采用集成方法（如随机森林的子采样机制自动平衡类别）；-评估时使用PR曲线（Precision-RecallCurve）替代ROC曲线（后者对不平衡数据不敏感）。（4）模型对比与推荐：-逻辑回归：适合作为基线模型，可解释性强，能快速验证特征有效性，但可能无法捕捉非线性关系（如信用卡使用率与违约率的非线性关联）。-XGBoost：自动处理特征交互和非线性关系，对不平衡数据有内置支持（通过scale_pos_weight参数调整权重），预测性能更优，适合作为主模型。-神经网络：理论上能捕捉复杂模式，但需要更多数据（违约样本仅3%时易过拟合），且可解释性差，不利于监管审查。推荐：优先使用XGBoost，同时保留逻辑回归作为可解释性补充。案例2：某征信机构需分析小微企业“供应链关联风险”，数据包括：-企业基本信息：注册时间、行业、实控人信用记录-交易数据：与上游供应商、下游客户的年交易金额、账期（付款/收款延迟天数）-关联关系：股权穿透后的关联企业列表、担保关系-外部