2022CFA二级数量方法真题及答案附高频考点标注

2022CFA二级数量方法真题及答案附高频考点标注

一、单项选择题（每题2分，共20分）1.在多元回归中，若两个解释变量相关系数达0.92，最先应采取的补救措施是A.删除其中一个变量B.增大样本容量C.计算方差膨胀因子并评估D.改用逐步回归2.当ARCH(1)检验显著时，正确的处理方法是A.使用Newey-West标准误B.改用对数模型C.采用广义自回归条件异方差模型D.直接接受原假设3.对平稳AR(1)过程yt=0.4yt-1+εt，其半衰期最接近A.1期B.2期C.3期D.4期4.若样本偏度为-0.8，峰度为4.5，Jarque-Bera统计量显著，则收益率分布A.左尾厚、右尾薄B.右尾厚、左尾薄C.双尾均薄D.双尾均厚5.在Logit模型中，边际效应随解释变量增大而A.单调递增B.单调递减C.先增后减D.保持不变6.当KMO统计量为0.55时，因子分析A.不适合B.勉强可用C.非常适合D.需增加变量7.对存在单位根的面板数据，首选检验方法为A.LLCB.IPSC.Fisher-ADFD.Hadri8.若两资产收益率协整向量(1,-1.02)，则长期均衡关系可写为A.pt-1.02qt~I(0)B.pt-qt~I(1)C.pt+qt~I(0)D.pt-0.98qt~I(1)9.在机器学习的k-fold交叉验证中，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.偏差与方差均减小D.偏差与方差均增大10.当因变量为计数数据且存在过度离散时，应选用A.泊松回归B.负二项回归C.OLSD.Probit二、填空题（每题2分，共20分）11.若Durbin-Watson统计量为0.9，则一阶自相关系数近似________。12.在GARCH(1,1)中，参数α+β=0.97，说明冲击的持久性为________。13.当样本外RMSE比样本内RMSE高35%，表明模型存在________风险。14.若因子载荷矩阵某行元素平方和为0.81，则该变量的________为0.81。15.对AR(2)yt=0.5yt-1-0.2yt-2+εt，其特征方程判别式为________，过程________（平稳/非平稳）。16.在随机森林中，降低________可减少过拟合。17.当面板T=8、N=50，使用固定效应模型时，自由度损失为________。18.若Logit模型伪R²为0.28，说明模型解释了________变异。19.对I(1)变量进行差分后，新序列的均值为________。20.当偏自相关系数在滞后3阶后截尾，可识别为AR________阶。三、判断题（每题2分，共20分）21.若White检验p值=0.03，可认为存在条件异方差。22.在多元回归中，R²高则必然不存在多重共线性。23.对非平稳序列建立ARMA模型前必须差分。24.当VIF>10时，OLS估计量方差一定膨胀到不可接受。25.若残差通过Q检验，则模型一定不存在序列相关。26.在Probit模型中，解释变量系数可直接比较大小。27.面板数据N大T小，优先采用组间估计。28.若协整检验迹统计量大于临界值，则拒绝“无协整”原假设。29.机器学习中，提升树比随机森林更容易过拟合。30.当样本峰度<3，分布呈现厚尾特征。四、简答题（每题5分，共20分）31.简述GARCH模型与随机波动率模型在估计方法与假设上的三点差异。32.说明如何在面板数据中检验固定效应与随机效应的适用性，并写出检验统计量。33.解释为什么协整关系只能存在于同阶单整变量之间，并给出一个金融实例。34.概述k-means与层次聚类在计算复杂度、结果稳定性及适用场景上的主要区别。五、讨论题（每题5分，共20分）35.讨论机器学习中的“黑箱”问题对资产组合风险管理的挑战，并提出两条可操作的解释性改进方案。36.比较传统线性因子模型与深度学习因子模型在收益率预测中的优劣，结合过拟合与经济学含义展开。37.在ESG评分缺失值比例高达30%的情况下，讨论多重插补与单一插补对后续回归结果可信度的影响。38.面对高频数据微观结构噪声，讨论如何利用realizedkernel估计实现波动率的无偏估计，并评价其稳健性。答案与解析一、1C2C3B4A5C6B7A8A9A10B二、11.0.5512.高持久13.过拟合14.共同度15.-0.55，平稳16.mtry或树深度17.4918.28%19.020.3三、21√22×23√24×25×26×27×28√29√30×四、31.GARCH采用MLE，假设条件方差为确定性函数；SV用贝叶斯MCMC，假设波动率含随机扰动；GARCH参数少，SV状态空间维度高；GARCH隐含波动率路径平滑，SV允许突变。32.先用LM检验个体效应显著性，再用Hausman检验FE与RE；统计量H=(β_FE-β_RE)'[Var(β_FE)-Var(β_RE)]⁻¹(β_FE-β_RE)~χ²(k)，若显著选FE。33.不同阶单整变量线性组合无法消除随机趋势，故无协整；例如股价I(1)与股息I(1)可协整，形成误差修正模型。34.k-means复杂度O(nkt)，对初值敏感，适合大数据；层次聚类O(n³)，结果唯一，可输出树状图，适合小数据且需解释性。五、35.黑箱使风险经理难识别因子贡献，可引入SHAP值分解与局部可解释模型，建立风险限额与特征贡献联动机制。36.线性模型可解释强但难捕捉非线性；深度学习拟合优但易过拟合且经济含义弱；可用Dropout、经济正则化及混合模型平衡。37.