2025年CFA二级数量方法考生回忆版+官方校正真题答案

2025年CFA二级数量方法考生回忆版+官方校正真题答案

一、单项选择题（每题2分，共20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，则最可能出现的后果是A.标准误被低估，t统计量被高估B.标准误被高估，t统计量被低估C.系数估计值不再无偏D.残差平方和显著减小2.对AR(1)过程yt=0.8yt−1+εt进行单位根检验，若DF检验统计量为−2.3，临界值−2.86（5%），则结论为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3.使用广义最小二乘（GLS）代替OLS的主要动机是A.解释变量内生B.误差项异方差或自相关C.模型遗漏变量D.解释变量非正态4.在二元Probit模型中，边际效应计算通常采用A.对平均个体取概率密度再乘系数B.直接取系数值C.对全部个体边际效应平均D.对因变量均值求导5.若样本协方差矩阵非正定，最可能的原因是A.变量量纲差异过大B.样本量小于变量数C.存在缺失值D.变量非平稳6.对GARCH(1,1)模型，长期无条件方差存在的条件是A.α+β<1B.α+β>1C.α+β=1D.α=β7.在机器学习中，k折交叉验证的k增大将导致A.偏差减小，方差增大B.偏差增大，方差减小C.偏差与方差均增大D.偏差与方差均减小8.主成分分析中第一主成分的方差贡献率等于A.对应特征值除以总特征值之和B.对应特征值除以变量个数C.对应特征向量之和D.变量方差之和9.若Durbin-Watson统计量接近4，则误差项最可能存在A.正自相关B.负自相关C.无自相关D.异方差10.在蒙特卡洛模拟中，降低方差的技术不包括A.对偶变量法B.控制变量法C.增加模拟次数D.提高随机数种子长度二、填空题（每题2分，共20分）11.当ARCH检验显著时，表明误差项存在________。12.若回归模型中VIF值大于________，通常认为存在严重多重共线性。13.在AR(p)模型中，特征方程所有根的模大于1时，过程________。14.对于随机游走序列，其一阶差分后的过程为________噪声。15.在Logit模型中，几率比的对数线性形式称为________。16.当样本量n→∞时，OLS估计量渐近服从________分布。17.若样本偏度为−0.9，则分布左侧尾部比右侧________。18.在LASSO回归中，惩罚项采用________范数。19.若两变量样本相关系数为0，仅能说明线性________相关。20.对GMM估计，最优权重矩阵为矩条件协方差矩阵的________。三、判断题（每题2分，共20分，正确写“T”，错误写“F”）21.当模型存在内生解释变量时，OLS估计量仍保持一致性。22.若残差呈现“喇叭口”形状，表明存在异方差。23.在VAR模型中，所有变量均被视作内生。24.若样本kurtosis>3，则分布峰度比正态分布更平缓。25.对于白噪声过程，其ACF在所有滞后阶数均显著为零。26.当惩罚回归的λ=0时，LASSO等价于OLS。27.若随机变量联合正态，则零相关等价于独立。28.在Bootstrap中，有放回抽样会导致原样本信息丢失。29.若模型R²很高但Durbin-Watson接近0，仍可信任系数显著性。30.对非平稳序列直接进行OLS回归可能出现伪回归。四、简答题（每题5分，共20分）31.简述多重共线性对回归结果的具体影响及两种常用诊断方法。32.说明GARCH模型相比ARCH模型的优势，并写出GARCH(1,1)的无条件方差公式。33.解释Probit模型中“潜变量”假设，并说明如何由此推导似然函数。34.比较k折交叉验证与留出法在偏差—方差权衡上的差异。五、讨论题（每题5分，共20分）35.讨论在金融风险预测中，GARCH族模型与机器学习回归方法各自的适用场景及局限。36.当面对高维数据（p≈n）时，传统OLS面临哪些问题？LASSO与岭回归如何缓解这些问题？37.若宏观经济变量存在结构突变，传统单位根检验可能出现何种误判？应如何修正？38.在构建多因子资产定价模型时，若因子之间存在高度共线性，会对因子风险溢价估计产生何种影响？提出两种可行的实证处理方案。答案与解析一、单项选择题1.B2.B3.B4.A5.B6.A7.A8.A9.B10.D二、填空题11.条件异方差12.1013.平稳14.白15.Logit16.正态17.更长18.L119.不20.逆矩阵三、判断题21.F22.T23.T24.F25.T26.T27.T28.F29.F30.T四、简答题（每题约200字）31.多重共线性使系数估计方差膨胀，t值下降，个别变量显著性被掩盖，但R²可仍高。诊断：1.方差膨胀因子VIF>10；2.条件指数>30且方差比例集中。补救可删除、合并变量或用主成分回归。32.GARCH用少量参数刻画波动持久性，避免ARCH高阶冗长。GARCH(1,1)无条件方差σ²=ω/(1−α−β)，要求α+β<1确保平稳。33.设潜变量y=xβ+ε,ε~N(0,1)，观测y=1若y>0。P(y=1|x)=Φ(xβ)，似然L=∏[Φ(xiβ)^yi][1−Φ(xiβ)]^{1−yi}，通过最大化L得Probit估计。34.k折将数据分k份，轮流用k−1训练，1份验证，平均k次结果；偏差小但方差因重复估计增大。留出法一次性拆分，偏差大（样本减少）但方差小，计算快。五、讨论题（每题约200字）35.GARCH擅长刻画时变波动聚集与厚尾，参数经济含义清晰，但对非线性结构捕捉不足；机器学习可纳入大量外生变量与非线性交互，预测弹性高，却易过拟合且解释性差。高频数据、监管报表宜用GARCH；复杂高维市场状态，可用随机森林、XGBoost，但需交叉验证控制过拟合。36.p≈n时OLS系数方差无穷大，模型不稳定，变量选择困难。LASSO通过L1惩罚将不重要系数压缩至零，实现变量选择；岭回归用L2惩罚缩小系数但不置零，保持所有变量，适合共线高维预测。二者均在偏差—方差权衡中降低方差，提升泛化。37.结构突变使单位根检验-size扭曲，易将平稳过程误判为单位根。可采用Zivot-Andrews内生断点检验，或滚动窗口/递推ADF，先识别突变点再分