2022年CFA二级《数量方法》真题及答案附易混点辨析

2022年CFA二级《数量方法》真题及答案附易混点辨析

一、单项选择题(总共10题，每题2分)1.关于ARIMA模型，下列说法正确的是？A.d表示差分次数，用于使序列平稳B.p是移动平均项的阶数C.q是自回归项的阶数D.ARIMA模型不需要序列平稳2.GARCH模型主要用于预测？A.收益率均值B.收益率波动率C.协方差D.相关性3.协整检验的目的是？A.检测序列是否平稳B.检测两个非平稳序列是否存在长期均衡关系C.消除自相关D.解决多重共线性4.下列哪种方法可以检测多重共线性？A.Durbin-Watson检验B.方差膨胀因子(VIF)C.Jarque-Bera检验D.AugmentedDickey-Fuller检验5.下列属于监督学习的模型是？A.聚类分析B.主成分分析C.线性回归D.因子分析6.分层抽样的主要优点是？A.样本代表性更好B.抽样误差更大C.操作更简单D.不需要分层依据7.回归模型中引入虚拟变量后，下列说法正确的是？A.虚拟变量的系数表示两组之间的截距差异B.虚拟变量只能取0或1C.引入虚拟变量会增加模型的自由度D.虚拟变量不能与其他变量交互8.自相关对回归分析的影响是？A.系数估计值有偏B.标准误被低估C.R²降低D.模型拟合度下降9.面板数据模型中，固定效应模型假设？A.个体效应与自变量无关B.个体效应是随机变量C.个体效应可以通过组内估计消除D.个体效应不影响模型结果10.假设检验中，当p值小于显著性水平α时，我们应该？A.接受原假设B.拒绝原假设C.无法判断D.重新抽样二、填空题(总共10题，每题2分)1.时间序列平稳性要求均值、方差和______不随时间变化。2.GARCH(1,1)模型中，波动率的预测值由常数项、______和上一期的波动率组成。3.两个非平稳序列存在协整关系的前提是它们的单整阶数______。4.解决多重共线性的常用方法包括移除高度相关的变量、增加样本量和______。5.机器学习中，为了防止过拟合，可以采用______方法，如交叉验证。6.简单随机抽样的特点是每个样本单位被选中的概率______。7.调整R²与R²的区别在于调整R²考虑了______的数量。8.单位根检验的原假设是序列______单位根（即非平稳）。9.面板数据的随机效应模型假设个体效应与______不相关。10.假设检验中的第一类错误是指______原假设但原假设为真。三、判断题(总共10题，每题2分)1.ARIMA模型适用于非平稳时间序列，通过差分使其平稳后再建模。2.GARCH模型可以用于预测金融资产的未来收益率。3.协整关系只能存在于两个平稳序列之间。4.多重共线性会导致回归系数的估计值有偏。5.无监督学习模型需要使用带有标签的数据进行训练。6.分层抽样的抽样误差通常小于简单随机抽样。7.引入虚拟变量会降低回归模型的R²。8.Durbin-Watson检验可以用于检测自相关。9.面板数据的固定效应模型可以通过加入个体虚拟变量来实现。10.假设检验中，显著性水平α越大，拒绝原假设的可能性越小。四、简答题(总共4题，每题5分)1.解释ARIMA(p,d,q)中p、d、q的含义及模型适用条件。2.说明GARCH模型的基本原理及在金融中的应用场景。3.简述多重共线性的后果及检测方法。4.区别监督学习与无监督学习，并各举两个金融领域的应用例子。五、讨论题(总共4题，每题5分)1.讨论时间序列分析中单位根检验的重要性及常用方法。2.分析面板数据模型中固定效应与随机效应的选择依据。3.讨论机器学习模型在金融预测中的优势与挑战。4.分析回归模型中异方差的后果及常用的解决方法。答案：一、单项选择题1.A2.B3.B4.B5.C6.A7.A8.B9.C10.B二、填空题1.自协方差2.上一期的残差平方3.相同4.使用岭回归或主成分分析5.正则化6.相等7.自变量8.存在9.自变量10.拒绝三、判断题1.对2.错3.错4.错5.错6.对7.错8.对9.对10.错四、简答题答案1.ARIMA(p,d,q)中，p是自回归项阶数，反映当前值与过去p期值的线性关系；d是差分次数，用于将非平稳序列转化为平稳；q是移动平均项阶数，反映当前值与过去q期残差的线性关系。适用条件：序列经d次差分后平稳，ACF和PACF图显示自回归或移动平均趋势，常用于金融时间序列预测如股票价格、收益率等。2.GARCH模型扩展ARCH模型，考虑过去残差平方和过去波动率对当前波动率的影响。其波动率预测值由常数项、上一期残差平方和上一期波动率组成。应用场景包括期权定价（需波动率输入）、风险价值计算、资产配置等，因金融资产波动率具集群性，GARCH能有效捕捉这一特征。3.多重共线性后果：系数估计方差增大、t统计量减小致显著性降低、系数符号异常。检测方法：方差膨胀因子(VIF>10为严重)、自变量相关系数绝对值>0.7、R²高但t统计量不显著。解决方法有移除相关变量、增加样本量、正则化等。4.监督学习用带标签数据训练，预测目标变量；无监督学习无标签，寻找数据模式。监督学习应用：信用评分（预测违约）、股票价格预测（历史数据预测未来）；无监督学习应用：客户分群（交易行为聚类）、异常交易检测（识别异常模式）。五、讨论题答案1.单位根检验是判断序列是否平稳的关键，非平稳序列直接回归会伪回归。常用方法：ADF检验（原假设序列存在单位根，统计量小于临界值则拒绝）、PP检验（适用于残差自相关或异方差）。单位根检验确保时间序列模型有效，避免错误结论。2.固定效应假设个体效应与自变量相关，通过组内估计消除；随机效应假设个体效应与自变量无关，视为随机变量。选择依据：Hausman检验，显著则选固定效应，否则选随机效应。固定效应适合研究个体差异影响，随机效应适合个体为总体随机样本的情况。3.机器学习优势：处理高维数据、捕捉非线性、自动特征提取；挑战：数据质量要求高、模型可解释性差、过拟合风险、市场非平稳性。如高频交易预测需大量数据且定期更新模型，神经网络预测准确但难以解释决策逻辑。4.异方差后果：标准误低估、t统计量偏大、显著性检验失效。解决方法：加权最小二乘法（给残差方差小的观测更大权重）、稳健标准误（White标准误）、对数变换。如收入与消费关系中，高收入群体消费波动大，用WLS调整。易混点辨析：1.ARIMA与ARMA：ARMA适用于平稳序列，ARIMA通过差分将非平稳转平稳后用ARMA，多差分次数d。2.GARCH与ARCH：ARCH仅考虑过去残差平方，GARCH加入过去