2020年CFA二级数量方法高分选手同款真题及答案

2020年CFA二级数量方法高分选手同款真题及答案

一、单项选择题（总共10题，每题2分）1.在多元回归模型中，如果自变量间存在高度多重共线性，以下哪项最可能发生？A)系数估计的标准误减少B)系数估计的t统计量变大C)模型的R-squared值显著增加D)系数估计变得不稳定且难以解释2.对于一个AR(1)过程：Y_t=0.7Y_{t-1}+ε_t（ε_t为白噪声），该过程的长期均值是多少？A)0B)0.7C)1D)无法确定3.在时间序列分析中，如果ACF（自相关函数）缓慢衰减，而PACF（偏自相关函数）在滞后1阶后截尾，这表明模型最可能是？A)AR(1)B)MA(1)C)ARMA(1,1)D)随机游走4.在回归分析中，使用White检验主要用于检测？A)多重共线性B)异方差C)自相关D)模型设定错误5.假设检验中，p值小于显著性水平α（如0.05）时，结论是？A)接受原假设B)拒绝原假设C)无法判断D)检验力不足6.在面板数据模型中，固定效应与随机效应的主要区别在于？A)是否包含时间趋势B)个体效应是否与解释变量相关C)是否使用OLS估计D)是否处理异方差7.对于时间序列数据，进行单位根检验（如ADF检验）的目的是？A)检测季节性B)确定序列是否平稳C)估计长期均值D)识别异常值8.在多元回归中，调整R-squared（adjustedR-squared）的主要作用是？A)增加模型拟合优度B)惩罚增加无关变量C)减少标准误D)提高预测精度9.如果回归残差存在正自相关，Durbin-Watson统计量的值最可能？A)接近0B)接近2C)接近4D)大于410.在预测模型中，使用均方根误差（RMSE）作为评估指标的优势是？A)对异常值不敏感B)与原始数据单位一致C)总是小于平均绝对误差D)易于计算二、填空题（总共10题，每题2分）1.在回归分析中，如果残差的方差随预测值增加而增大，这种现象称为______。2.ARIMA(p,d,q)模型中，d表示______的阶数。3.在假设检验中，第一类错误是指______原假设。4.时间序列的平稳性要求均值、方差和______恒定。5.如果回归模型的F检验显著，但所有t检验不显著，可能的原因是______。6.在面板数据中，Hausman检验用于选择______效应模型。7.异方差会导致OLS估计量的标准误______，从而影响t检验。8.时间序列预测中，指数平滑法适用于______趋势数据。9.在多元回归中，VIF（方差膨胀因子）大于10通常表示存在______。10.如果时间序列的ACF在滞后k阶后截尾，而PACF拖尾，则模型可能为______模型。三、判断题（总共10题，每题2分）1.在OLS回归中，即使存在异方差，系数估计量仍是无偏的。（）2.ARIMA模型可以用于非平稳时间序列预测。（）3.多重共线性会导致回归系数估计的偏差增大。（）4.时间序列的季节性成分可以通过差分消除。（）5.在回归分析中，调整R-squared总是小于或等于R-squared。（）6.如果Durbin-Watson统计量接近2，表明残差无自相关。（）7.面板数据模型只能处理横截面数据，不能处理时间序列数据。（）8.单位根检验的原假设是时间序列平稳。（）9.在预测中，MAE（平均绝对误差）比RMSE更易受异常值影响。（）10.回归模型的残差应服从正态分布，否则t检验无效。（）四、简答题（总共4题，每题5分）1.解释什么是时间序列的平稳性？为什么在建模前需要检验平稳性？2.简述多元回归中多重共线性的定义、影响及一个检测方法。3.描述异方差的含义及其对回归分析的潜在后果。4.说明ARIMA模型的基本组成部分及其在金融预测中的应用。五、讨论题（总共4题，每题5分）1.讨论在金融时间序列分析中，使用GARCH模型相对于简单波动率模型的优势。2.分析面板数据模型在经济学研究中的重要性及其与纯时间序列或横截面模型的区别。3.探讨在回归分析中，如何处理遗漏变量偏差问题？4.评估机器学习方法（如随机森林）在CFA数量方法预测中的适用性及局限性。答案和解析一、单项选择题答案1.D)系数估计变得不稳定且难以解释（解析：多重共线性导致系数方差增大，估计不精确。）2.A)0（解析：AR(1)长期均值公式为μ=0/(1-0.7)=0。）3.A)AR(1)（解析：PACF截尾于滞后1阶表明AR(1)特征。）4.B)异方差（解析：White检验专门检测异方差。）5.B)拒绝原假设（解析：p值小于α表示统计显著，拒绝H0。）6.B)个体效应是否与解释变量相关（解析：固定效应假设相关，随机效应假设无关。）7.B)确定序列是否平稳（解析：ADF检验原假设为单位根存在，即非平稳。）8.B)惩罚增加无关变量（解析：调整R-squared对变量数进行惩罚，防止过拟合。）9.A)接近0（解析：正自相关时DW统计量接近0。）10.B)与原始数据单位一致（解析：RMSE是平方根形式，单位与原始数据相同。）二、填空题答案1.异方差（解析：方差随预测值变化是异方差的定义。）2.差分（解析：d表示差分的阶数以实现平稳性。）3.错误地拒绝（解析：第一类错误是弃真错误。）4.自协方差（解析：平稳性要求统计性质时间不变。）5.多重共线性（解析：变量间高相关性使个体t检验不显著。）6.固定（解析：Hausman检验比较固定和随机效应模型。）7.低估（解析：异方差使标准误估计偏低，t值夸大。）8.无趋势或弱（解析：指数平滑适用平稳或简单趋势数据。）9.严重多重共线性（解析：VIF>10表示高多重共线性。）10.MA(q)（解析：ACF截尾表明MA过程。）三、判断题答案1.对（解析：异方差不影响OLS无偏性。）2.对（解析：ARIMA通过差分处理非平稳序列。）3.错（解析：多重共线性不影响偏差，只增加方差。）4.对（解析：季节差分可消除季节性。）5.对（解析：调整R-squared因变量惩罚而更低。）6.对（解析：DW=2表示无自相关。）7.错（解析：面板数据结合横截面和时间序列维度。）8.错（解析：ADF检验原假设是非平稳。）9.错（解析：MAE不易受异常值影响，RMSE更敏感。）10.对（解析：残差非正态时t检验可能失效。）四、简答题答案1.时间序列的平稳性指均值、方差和自协方差不随时间变化。建模前需检验平稳性，因为非平稳序列可能导致伪回归（spuriousregression），使统计推断无效。例如，单位根检验如ADF可识别是否需要差分处理。保证平稳性后，ARIMA等模型参数估计更可靠，预测更准确。（200字）2.多重共线性是指自变量高度相关，影响回归分析：导致系数估计方差增大，t统计量变小，可能使显著变量不显著。检测方法包括VIF（VarianceInflationFactor），VIF>10表示严重多重共线性。结果上，虽不影响预测值，但解释个体效应困难。应对策略如删除变量或增加样本。（200字）3.异方差指残差方差随自变量变化。对回归分析的后果：OLS估计量仍无偏，但标准误低估，导致t检验失效（可能错误拒绝H0），置信区间不准确。检测方法如残差图或White检验。处理方式包括加权最小二乘法（WLS）或robust标准误。（200字）4.ARIMA模型由自回归（AR）、差分（I）、移动平均（MA）组成，记为(p,d,q)。金融预测中，用于股价波动：p处理自相关，d使序列平稳，q建模噪声。应用于波动率预测或收益率建模，但需注意过拟合风险。与GARCH结合可提升准确性。（200字）五、讨论题答案1.GARCH模型在金融时间序列中的优势：能捕捉波动率聚类（volatilityclustering），即高波动后紧跟高波动现象，优于简单模型（如历史波动率）。GARCH条件异方差建模更灵活，适用于风险管理（如VaR计算）。劣势是参数估计复杂，但实证中在期权定价和hedgefund表现预测更准确。（200字）2.面板数据模型的重要性：解决了纯时间序列或横截面数据的不足，控制个体异质性（如国家固定效应），减少遗漏变量偏差。经济学中用于增长分析，如FDI对GDP的影响，区别在于结合时间动态和截面变异。挑战包括数据收集和模型选择（固定vs随机效应）。（200字）3.处理遗漏变量偏差：首先识别潜在遗漏变量（如教育水平影响收入），通过工具变量法（I