2020CFA二级数量方法短期提分专用真题及答案

2020CFA二级数量方法短期提分专用真题及答案

一、单项选择题(10题，每题2分)1.在时间序列分析中，若一个AR(1)模型的自回归系数估计值为0.85，且残差序列呈现白噪声特性，则该序列最可能被描述为：A.平稳且均值回归B.非平稳且具有单位根C.平稳但无均值回归D.非平稳且趋势平稳2.使用广义最小二乘法(GLS)估计线性回归模型的主要目的是解决：A.模型设定偏误B.异方差问题C.多重共线性问题D.内生性问题3.在贝叶斯分析框架下，将先验分布与样本似然函数结合得到的是：A.边际分布B.后验分布C.联合分布D.条件分布4.一个金融时间序列被识别为I(1)过程。若两个这样的序列存在协整关系，则它们的线性组合：A.一定是I(0)B.一定是I(1)C.可能是I(0)或I(1)D.一定是平稳的5.在构建机器学习分类模型预测公司违约时，若模型在训练集上准确率极高但在测试集上表现很差，最可能的原因是：A.样本量不足B.存在多重共线性C.模型过拟合D.特征工程不足6.面板数据固定效应模型与随机效应模型的关键区别在于：A.是否允许个体异质性B.个体效应是否与解释变量相关C.是否包含时间固定效应D.是否使用广义矩估计(GMM)7.在检验时间序列的ARCH效应时，通常对哪个序列进行检验？A.原始序列的水平值B.原始序列的一阶差分C.回归模型的拟合值D.回归模型的残差平方8.蒙特卡洛模拟在风险管理中最常用于：A.估计参数的标准误B.计算投资组合的VaRC.进行假设检验D.优化资产配置权重9.当使用工具变量法(IV)解决内生性问题时，一个有效的工具变量必须满足：A.与内生解释变量高度相关，且与误差项相关B.与内生解释变量低度相关，且与误差项不相关C.与内生解释变量高度相关，且与误差项不相关D.与内生解释变量低度相关，且与误差项相关10.在机器学习的无监督学习中，K-means聚类算法的主要目标是：A.预测连续型目标变量B.预测离散型目标变量C.发现数据中的潜在结构或分组D.评估特征的重要性二、填空题(10题，每题2分)1.在时间序列分析中，用于检验单位根的常用方法是________检验。2.若线性回归模型的误差项方差随解释变量增大而增大，则该模型存在________问题。3.贝叶斯公式表示为：后验概率∝________×先验概率。4.两个I(1)序列之间存在长期均衡关系，意味着它们是________的。5.在机器学习中，通过合并多个弱学习器来创建一个强学习器的技术称为________。6.面板数据模型中，Hausman检验用于在________效应模型和________效应模型之间进行选择。7.GARCH(1,1)模型中的条件方差方程通常写为：σ²_t=ω+αε²_{t-1}+________。8.在模拟金融资产价格路径时，________过程常被用于描述资产收益率的随机性。9.工具变量法(IV)中，若存在多个工具变量，通常使用________估计量。10.主成分分析(PCA)是一种________技术，用于降低数据维度。三、判断题(10题，每题2分)1.ARMA模型既可以用于平稳时间序列，也可以直接用于非平稳时间序列。()2.在多元线性回归中，若存在遗漏变量偏差，则所有解释变量的系数估计都是不一致的。()3.贝叶斯估计量总是等于最大似然估计量。()4.如果两个时间序列都是趋势平稳的，则它们一定存在协整关系。()5.监督学习需要预先标记的数据，而无监督学习则不需要。()6.在固定效应面板模型中，个体效应可以通过引入个体虚拟变量来捕捉。()7.ARCH效应仅存在于高频金融时间序列中。()8.历史模拟法计算VaR不需要对资产收益的分布做任何假设。()9.工具变量法(IV)总是比普通最小二乘法(OLS)提供更有效的估计。()10.在机器学习中，增加模型的复杂度（如增加树深度）总是会提高模型在测试集上的预测精度。()四、简答题(4题，每题5分)1.简述时间序列分析中ARIMA(p,d,q)模型各参数(p,d,q)的含义及其在建模过程中的确定方法。2.解释异方差性对普通最小二乘(OLS)估计的影响，并列举两种常用的检验异方差性的方法。3.说明协整的经济意义及其在金融计量分析中的应用价值。4.比较监督学习与无监督学习的主要区别，并各举一个金融领域中的应用实例。五、讨论题(4题，每题5分)1.讨论在金融时间序列预测中，使用GARCH类模型相对于使用简单历史波动率估计的优势和局限性。2.分析面板数据模型相对于纯横截面数据或纯时间序列数据模型的主要优势，并说明固定效应与随机效应模型适用场景的差异。3.阐述贝叶斯方法在金融风险管理（例如信用风险建模）中的潜在优势。4.讨论在金融领域应用机器学习模型（如预测股票收益）时可能面临的挑战和需要特别注意的问题（如过拟合、可解释性、数据窥探等）。---答案与解析一、单项选择题1.A(平稳且均值回归。AR(1)系数绝对值小于1且残差白噪声表明平稳，系数为正小于1体现均值回归。)2.B(异方差问题。GLS通过加权最小二乘法修正异方差。)3.B(后验分布。贝叶斯定理的核心是后验∝似然×先验。)4.A(一定是I(0)。协整定义要求线性组合平稳，即I(0)。)5.C(模型过拟合。训练集好测试集差是过拟合的典型表现。)6.B(个体效应是否与解释变量相关。固定效应假设相关，随机效应假设不相关。)7.D(回归模型的残差平方。ARCH效应检验残差平方的自相关性。)8.B(计算投资组合的VaR。蒙特卡洛模拟可生成大量路径计算损失分布。)9.C(与内生解释变量高度相关，且与误差项不相关。这是工具变量的两个关键条件。)10.C(发现数据中的潜在结构或分组。K-means是无监督聚类算法。)二、填空题1.Dickey-Fuller(或ADF)2.异方差性(或Heteroskedasticity)3.似然函数(或Likelihood)4.协整(或Cointegrated)5.集成学习(或EnsembleLearning)6.固定；随机7.βσ²_{t-1}8.几何布朗运动(或GBM)9.两阶段最小二乘法(或2SLS)10.降维(或DimensionalityReduction)三、判断题1.F(ARMA仅适用于平稳序列，非平稳需差分转为平稳ARIMA。)2.F(只有与遗漏变量相关的解释变量的系数估计可能不一致。)3.F(贝叶斯估计量基于后验分布，通常不同于MLE，除非使用特定先验。)4.F(趋势平稳序列本身平稳(I(0))，无需协整。协整针对I(1)序列的长期关系。)5.T(监督学习需要标签，无监督学习不需要。)6.T(固定效应模型可通过LSDV法引入个体虚拟变量。)7.F(ARCH效应在各类金融时间序列中普遍存在，不限于高频。)8.T(历史模拟法直接基于历史数据分位数，无分布假设。)9.F(IV估计通常一致但可能不如OLS有效（方差更大），尤其在工具变量弱相关时。)10.F(过度增加复杂度通常导致过拟合，降低测试集精度。)四、简答题1.ARIMA(p,d,q)参数含义与确定：`p`：自回归(AR)项阶数，表示当前值与前`p`期值的关系。通过自相关函数(ACF)截尾或偏自相关函数(PACF)拖尾初步识别，结合信息准则(AIC/BIC)优化选择。`d`：差分阶数，使非平稳序列变为平稳所需的最小差分次数。通过单位根检验(如ADF)确定。`q`：移动平均(MA)项阶数，表示当前误差与前`q`期误差的关系。通过PACF截尾或ACF拖尾初步识别，结合信息准则优化选择。建模需经平稳性检验、模型识别、参数估计、诊断检验（如残差白噪声检验）步骤。2.异方差对OLS的影响及检验方法：影响：OLS估计量仍无偏一致，但不再有效（方差非最小），标准误计算有偏，导致t检验、F检验失效，置信区间和预测不准确。检验方法：1.图示法：绘制残差或标准化残差平方对拟合值或解释变量的散点图，观察模式。2.Breusch-Pagan检验：建立辅助回归（残差平方对解释变量），检验解释变量联合显著性。3.White检验：建立辅助回归（残差平方对所有解释变量及其平方项、交叉项），检验联合显著性，对模型形式无要求。3.协整的经济意义与应用价值：经济意义：协整表明多个非平稳经济/金融变量（如利率、汇率、股价指数）之间存在长期均衡关系。短期偏离会通过误差修正机制(ECM)向长期均衡调整。应用价值：1.避免伪回归：对I(1)变量进行协整检验可确认其关系真实，而非虚假统计结果。2.建立误差修正模型(ECM)：结合长期均衡关系与短期动态调整，用于预测和政策分析。3.套利策略：如配对交易基于协整关系捕捉价格偏离均衡的机会。4.宏观经济建模：分析消费与收入、货币供应与通胀等长期关系。4.监督学习vs无监督学习：区别：监督学习：使用有标签数据训练模型，学习输入特征到已知输出标签的映射。目标是预测或分类。无监督学习：使用无标签数据，探索数据内在结构、模式或关系。目标是发现隐藏结构（如聚类、降维）。金融应用实例：监督学习：信用评分（预测违约概率-分类），股价预测（预测收益率-回归）。无监督学习：客户细分（聚类分析识别不同风险/收益特征客户群），投资组合构建（PCA降维识别主要风险因子）。五、讨论题1.GARCH类模型vs历史波动率：优势：1.动态波动率：GARCH能捕捉波动率聚类（高波动后高波动）、时变特性（随时间变化）和持续性（长期记忆）。2.条件异方差建模：直接对条件方差建模，更符合金融数据特征。3.预测能力：提供对未来波动率的预测，优于仅基于历史样本的静态估计。4.理论支撑：有明确的统计模型基础。局限性：1.模型设定复杂：需选择合适阶数(GARCH(p,q))，参数估计可能不稳定。2.对极端事件反应滞后：可能低估波动率在极端事件后的跳跃。3.对称性限制：标准GARCH假设正负冲击对波动率影响相同（杠杆效应需用EGARCH等）。4.计算成本：比简单历史波动率计算更复杂。历史波动率简单直观，但忽略了波动率的动态依赖结构。2.面板数据优势及FE/RE模型适用场景：面板数据优势：1.控制个体异质性：可控制观测不到的、不随时间变化的个体特征（如公司文化、地区禀赋），减少遗漏变量偏误。2.更多信息与变异：结合横截面和时间维度，样本量更大，可研究更复杂问题。3.研究动态调整：可分析个体行为的动态变化（如引入滞后变量）。4.识别效果更好：某些效应（如政策效果）在面板中更易被识别。FEvsRE适用场景：固定效应(FE)：当个体效应与模型中的解释变量相关时使用。FE通过组内离差或虚拟变量消除个体效应，得到一致估计。代价是无法估计不随时间变化的变量的系数。随机效应(RE)：当个体效应与解释变量不相关时使用。RE将个体效应视为随机干扰项的一部分，使用GLS估计，更有效（方差更小）。允许估计不随时间变化的变量的系数。选择依据：Hausman检验（若检验拒绝原假设，则选FE）。3.贝叶斯方法在金融风险管理中的优势：有效利用先验信息：可将专家经验、历史数据或理论信息作为先验分布融入模型，尤其在信用风险数据稀缺（如罕见违约事件）时价值显著。处理参数不确定性：提供参数和预测的完整后验分布，而非点估计，可量化不确定性（如计算VaR的信赖区间）。模型灵活性：易