2025年CFA二级《数量方法》真题及答案大全

2025年CFA二级《数量方法》真题及答案大全

一、单项选择题，(总共10题，每题2分)1.在多元线性回归中，若解释变量之间存在高度线性相关，则以下哪项最可能受到最大影响？A.回归系数的标准误B.回归方程的R²C.残差的均值D.因变量的样本均值2.当使用Newey-West标准误修正序列相关时，其最主要的目的是：A.降低模型残差的方差B.提高回归系数的无偏性C.修正系数标准误以得到更可靠的t统计量D.消除异方差3.若ARCH(1)模型中α₁=0.85，则以下结论最恰当的是：A.波动聚集现象微弱B.条件方差具有无限记忆C.无条件方差不存在D.模型必定平稳4.在Logit模型中，若某解释变量系数为0.8，则该变量每增加一个单位，oddsratio的变化为：A.增加0.8倍B.增加e^0.8倍C.增加80%D.增加ln(0.8)倍5.对时间序列做单位根检验时，若ADF检验统计量﹣1.92，5%临界值﹣2.89，则：A.拒绝原假设，序列平稳B.不拒绝原假设，存在单位根C.拒绝原假设，存在单位根D.不拒绝原假设，序列平稳6.在构建AR(2)模型时，若滞后二阶系数显著为负，且滞后一阶系数为正，则impulseresponse函数最可能：A.单调衰减至零B.振荡衰减至零C.单调发散D.振荡发散7.当使用主成分分析降维时，第一主成分的方差贡献率由下列哪一项决定？A.最大特征值与所有特征值之和的比值B.最小特征值与最大特征值之比C.变量间相关系数的均值D.残差平方和占总平方和的比例8.若某资产收益率服从GARCH(1,1)过程，且(α+β)>1，则：A.条件方差均值回归速度加快B.波动率过程是协方差平稳的C.条件方差无条件方差不存在D.长期波动率水平可被确定9.在机器学习的k-fold交叉验证中，增大k值最可能导致：A.偏差减小，方差增大B.偏差增大，方差减小C.偏差与方差均减小D.偏差与方差均增大10.若多元回归中遗漏一重要变量且该变量与已包含变量相关，则：A.所有系数估计仍无偏但不再有效B.仅截距项有偏C.所有系数估计均不一致D.误差项方差估计仍无偏二、填空题，(总共10题，每题2分)11.若White检验统计量LM=25.3，在5%显著性水平下临界值为χ²(5)=11.07，则判定原假设“不存在________”被拒绝。12.当使用Durbin-Watson检验时，若DW≈4，则提示残差存在强烈的________相关。13.在ARMA(p,q)模型中，若p=0且q=1，则其自相关函数在滞后1阶后呈现________特征。14.若Logistic回归的PseudoR²=0.42，则可认为模型对________变异的解释比例约为42%。15.当对收益率序列建立EGARCH模型时，系数γ<0意味着负面冲击对波动率的边际影响________正面冲击。16.若主成分分析中前三个主成分累计贡献率达到92%，则可将原始变量维度降至________维而信息损失约8%。17.在蒙特卡洛模拟定价路径时，减小离散化偏差常用的高阶方案是________方法。18.当使用LASSO回归时，调节参数λ越大，被选入模型的变量数量越________。19.若两时间序列协整，则其线性组合的单位根检验统计量应________显著性水平下的临界值。20.在Bootstrap构造置信区间时，若采用percentile法，则直接对Bootstrap统计量的________分位数进行截取。三、判断题，(总共10题，每题2分)21.若回归残差呈正态分布，则White检验必定不显著。22.当解释变量为滞后因变量时，Durbin-Watson检验仍适用于检测序列相关。23.在GARCH模型中，β系数越大，波动率聚类持续性越强。24.若Logit模型中某变量系数显著为正，则其边际效应在所有样本点均为正。25.主成分分析要求原始变量必须服从多元正态分布。26.当时间序列存在结构突变时，ADF检验功效会显著下降。27.在k-means聚类中，类簇中心一定为样本中的某个实际观测点。28.若多元回归的VIF值大于10，则一定存在严重多重共线性。29.使用AIC选择模型时，惩罚项与样本容量无关。30.当Bootstrap抽样次数B→∞时，置信区间覆盖率一定达到名义水平。四、简答题，(总共4题，每题5分)31.简述在多元线性回归中，多重共线性对投资决策分析可能带来的三种具体影响。32.说明GARCH(1,1)模型中α与β系数的经济含义，并指出二者之和大于1时对风险度量的后果。33.比较Logit模型与Probit模型在设定、估计结果解释及尾部概率表现上的两项主要差异。34.概述主成分分析在量化多因子选股策略中的两个核心作用，并指出其相较原始变量的优势。五、讨论题，(总共4题，每题5分)35.讨论当收益率序列存在regimeswitching时，继续使用单一GARCH模型进行波动率预测可能导致的偏差，并提出两种改进思路。36.机器学习算法在高维金融数据中的过拟合风险尤为突出，请结合偏差-方差权衡讨论交叉验证与正则化如何协同缓解该问题。37.若央行政策出现非线性阈值效应，探讨在宏观因子模型中引入交互项或分段回归的优劣，并说明如何检验阈值存在性。38.考虑ESG评分与传统财务因子共同进入资产定价回归，讨论潜在内生性问题来源，并提出至少两种计量修正策略及其可行性。答案与解析一、单项选择题1.A2.C3.B4.B5.B6.B7.A8.C9.A10.C二、填空题11.异方差12.负13.截尾14.因变量15.大于16.317.Milstein18.少19.小于20.经验三、判断题21.×22.×23.√24.×25.×26.√27.×28.√29.×30.×四、简答题31.多重共线性使系数估计方差膨胀，导致t值不显著，投资者无法判断因子真实贡献；组合权重对微小数据变化极度敏感，增加调仓成本；稳健性检验失效，策略回测表现被夸大，实盘风险暴露超预期。32.α衡量新信息对条件方差的即时冲击，β衡量旧波动延续性；二者和大于1时条件方差非平稳，长期无条件方差不存在，VaR与ES等风险指标随时间无限放大，资本计提失去基准。33.Logit采用logistic分布，尾部略厚，系数需通过odds解释；Probit假设正态分布，尾部更薄，系数解释为潜在变量z值变化；极端概率下Logit给出更大违约概率，信用利差估算更保守。34.PCA将高度相关因子正交化，消除冗余共线性，提升回归稳定性；前几个主成分捕捉最大共同变异，用作合成因子可降维降噪，提高夏普比率并降低过拟合，组合换手与交易成本同步下降。五、讨论题35.单一GARCH忽略结构突变，持续参数被高估，波动预测在突变后严重滞后，导致VaR低估与保证金不足；改进一：引入MarkovregimeswitchingGARCH，让参数随状态变化；改进二：采用rollingwindow或time-varyingcoefficientGARCH，使模型遗忘旧制度数据，提升实时跟踪能力。36.高维场景下样本量相对不足，方差主导误差；交叉验证通过多折平均降低方差，提供泛化误差估计；正则化如LASSO在目标函数加入λ∑|β|，压缩无关变量系数，进一步削减方差；二者协同：交叉验证选择最优λ，使偏差小幅增加换取方差大幅下降，最终测试集预测误差最小。37.交互项可刻画政策斜率变化，但预设线性转换，设定偏误大；分段回归直接估计阈值前后两段，斜率自由变化，更灵活；检验方法：Hansen网格搜索构造似然比，自助法得临界值，若LR统计量超过临界值，则拒绝无阈值原假设，确定断点后用Chow检验确认结构差异显