风控算法工程师考试试卷及答案

风控算法工程师考试试卷及答案试题部分一、填空题（共10题，每题1分）1.风控异常检测中，基于距离的算法是______2.混淆矩阵中，实际负样本被预测为正的数量称为______3.模型AUC值越接近______，区分正负样本能力越强4.卡方检验适用于______类型特征的选择5.类别不平衡处理方法中，SMOTE属于______采样6.ID3决策树的分裂准则是______7.实时风控推理常用部署框架是______8.信用评分卡中，申请场景对应______卡9.基于密度的异常检测算法是______10.时间序列特征工程的常用方法是滑动窗口和______二、单项选择题（共10题，每题2分）1.以下哪个指标不适合评估类别不平衡的风控模型？A.准确率B.召回率C.F1值D.AUC2.属于集成学习的算法是？A.SVMB.RandomForestC.K-MeansD.LDA3.用户历史逾期天数属于______特征？A.数值型B.类别型C.文本型D.时间型4.可缓解模型过拟合的方法是？A.增加训练样本B.提高正则化系数C.减少特征数量D.以上都是5.信用评分卡A卡的应用场景是？A.贷前审批B.贷中监控C.贷后催收D.资产处置6.LOF算法的核心是计算样本的？A.距离均值B.局部密度因子C.聚类中心距离D.信息熵7.风控常用的特征工程方法不包括？A.独热编码B.标准化C.归一化D.随机生成8.CART决策树的分裂准则是？A.信息增益B.增益率C.基尼系数D.信息熵9.实时推理框架不包括？A.TensorFlowServingB.PyTorchServingC.Scikit-learnD.Triton10.属于欺诈特征的是？A.手机号注册时长B.设备ID唯一性C.年龄D.收入水平三、多项选择题（共10题，每题2分）1.风控模型评估指标包括？A.AUCB.F1值C.召回率D.精确率2.类别不平衡处理方法有？A.SMOTEB.欠采样C.加权损失D.集成学习3.集成学习的方法包括？A.BaggingB.BoostingC.StackingD.随机森林4.异常检测算法有？A.LOFB.IsolationForestC.KNND.One-ClassSVM5.特征选择方法有？A.过滤法B.包裹法C.嵌入法D.正则化6.贷前风控核心环节是？A.信息验证B.信用评分C.欺诈检测D.贷后催收7.数值型特征包括？A.近30天交易笔数B.逾期天数C.月收入D.婚姻状况8.正则化方法有？A.L1正则化B.L2正则化C.弹性网D.早停9.时间序列特征包括？A.近7天登录频率B.交易间隔天数C.月均消费趋势D.设备型号10.欺诈检测特征维度包括？A.设备维度B.行为维度C.关系维度D.信用维度四、判断题（共10题，每题2分）1.AUC=0.5表示模型完全随机。（）2.类别不平衡时准确率越高模型越好。（）3.RandomForest属于Bagging算法。（）4.独热编码适用于所有类别特征。（）5.A卡用于贷中监控。（）6.LOF可用于异常检测。（）7.增加正则化强度缓解过拟合。（）8.特征工程对模型效果影响不大。（）9.实时风控需低延迟。（）10.所有特征都需标准化。（）五、简答题（共4题，每题5分）1.简述风控类别不平衡的影响及解决方法。2.简述AUC的含义及风控中的作用。3.简述信用评分卡A卡的设计流程。4.简述IsolationForest的核心思想。六、讨论题（共2题，每题5分）1.讨论实时与离线风控推理的差异及优化策略。2.讨论风控模型可解释性的重要性及常用方法。答案部分一、填空题答案1.KNN2.假阳性数（FP）3.14.离散5.过6.信息增益7.TensorFlowServing（或PyTorchServing）8.A9.LOF10.差分二、单项选择题答案1.A2.B3.A4.D5.A6.B7.D8.C9.C10.B三、多项选择题答案1.ABCD2.ABCD3.ABCD4.ABCD5.ABCD6.ABC7.ABC8.ABC9.ABC10.ABCD四、判断题答案1.√2.×3.√4.×5.×6.√7.√8.×9.√10.×五、简答题答案1.类别不平衡影响及解决方法：影响：模型偏向多数类（如正常用户），少数类（如欺诈）预测准确率低。解决方法：①欠采样（减少多数类样本）；②过采样（SMOTE生成合成少数类）；③加权损失（给少数类更高权重）；④集成学习（XGBoost带权重）；⑤特征工程（提取少数类专属特征）。2.AUC的含义及作用：AUC是ROC曲线下面积（0-1），AUC=1表示完美区分，0.5表示随机。风控中正负样本不平衡，准确率易误导，AUC优势：①衡量区分能力；②不依赖阈值；③反映不同阈值下的综合表现，适合平衡误拒/误放。3.A卡设计流程：①数据准备（申请信息、征信、历史行为）；②特征工程（清洗、WOE编码、选择）；③模型训练（逻辑回归，可解释性强）；④评估（AUC、KS、PSI）；⑤评分转换（转化为0-1000分数，设cutoff）；⑥验证（样本外、跨时间验证）。4.IsolationForest核心思想：无监督异常检测，通过随机森林（孤立树）孤立异常样本：正常样本分布集中，需多次切分；异常样本稀疏离群，少量切分即可孤立。计算样本平均孤立路径长度，长度越短越可能异常，适合欺诈检测。六、讨论题答案1.实时与离线推理差异及优化：差异：实时需毫秒级延迟（单样本/小批量），离线无严格延迟（批量大规模数据）。优化：实时端：①模型轻量化（剪枝、量化）；②用TensorFlowServing部署；③特征缓存。离线端：①Spark分布式计算；②批量推理。平衡：高风险用户用轻量模型，低风险用全量模型。2.可解释性重要性及方法：重要性：①监管合规（