2025CFA二级《数量方法》真题及答案附考点溯源表

2025CFA二级《数量方法》真题及答案附考点溯源表

一、单项选择题，(总共10题，每题2分)1.在多元回归分析中，如果残差项存在异方差，会导致什么后果？A.参数估计有偏B.标准误估计无效C.R-squared值增大D.模型拟合度提高2.时间序列数据中，ADF检验用于检测什么？A.自相关性B.平稳性C.季节性D.趋势性3.贝叶斯定理中，后验概率的计算公式是什么？A.P(A|B)=P(B|A)P(A)/P(B)B.P(A|B)=P(A)P(B)C.P(A|B)=P(B|A)+P(A)D.P(A|B)=P(B)/P(A)4.在假设检验中，p值小于显著性水平α时，应如何决策？A.接受原假设B.拒绝原假设C.增加样本量D.重新计算统计量5.线性回归模型的OLS估计中，高斯-马尔可夫定理保证估计量具有什么性质？A.无偏性和最小方差B.一致性和渐近正态C.有效性和稳健性D.线性和可加性6.GARCH模型主要用于建模什么？A.均值过程B.波动率聚类C.趋势成分D.季节性波动7.在概率论中，中心极限定理的核心内容是什么？A.样本均值分布趋近于正态分布B.总体方差等于样本方差C.大数定律保证收敛D.贝叶斯估计的渐近性8.多元回归中，调整R-squared的作用是什么？A.惩罚自变量数量B.提高模型拟合度C.消除异方差D.检测多重共线性9.时间序列分析中，偏自相关函数(PACF)在AR(p)模型中的特征是什么？A.截尾于滞后pB.缓慢衰减C.恒定不变D.随机波动10.机器学习中，k-fold交叉验证的主要目的是什么？A.降低模型方差B.避免过拟合C.增加训练数据D.简化特征选择二、填空题，(总共10题，每题2分)1.在回归分析中，残差平方和(SSE)的计算公式是______。2.假设检验的零假设通常表示为______。3.ARIMA模型中的"I"代表______。4.贝叶斯方法中，先验概率反映了______。5.异方差会导致OLS估计的标准误______。6.时间序列的平稳性要求均值和方差______。7.在多元回归中，t检验用于检验单个系数的______。8.概率分布中，正态分布的峰度为______。9.GARCH(1,1)模型中的参数α和β分别代表______。10.交叉验证的误差指标通常使用______。三、判断题，(总共10题，每题2分)1.时间序列数据必须满足平稳性才能应用回归模型。()2.OLS估计在存在自相关时仍然是无偏的。()3.贝叶斯估计不需要指定似然函数。()4.假设检验中，第二类错误是指错误拒绝原假设。()5.多元回归模型中，多重共线性会导致参数估计方差增大。()6.PACF图用于识别MA模型的阶数。()7.异方差问题可以通过White检验检测。()8.中心极限定理适用于小样本数据。()9.GARCH模型可以捕捉金融时间序列的波动聚集现象。()10.k-fold交叉验证中，k值越大，估计偏差越小。()四、简答题，(总共4题，每题5分)1.解释单位根检验在时间序列分析中的重要性，并列举两种常用方法。2.描述多元回归分析中F检验的步骤和目的。3.说明贝叶斯方法与频率方法在参数估计中的主要区别。4.讨论异方差对回归模型的影响及常用修正方法。五、讨论题，(总共4题，每题5分)1.讨论时间序列模型在金融风险管理中的应用优势和挑战。2.比较ARIMA和GARCH模型在预测金融波动率中的适用性。3.分析机器学习算法在CFA数量方法中的整合趋势和潜在风险。4.探讨假设检验在投资决策中的局限性及改进策略。答案与解析一、单项选择题1.B.标准误估计无效-解析：异方差导致OLS估计的标准误不准确，影响假设检验可靠性。-考点：回归分析中的异方差问题。2.B.平稳性-解析：ADF检验检测时间序列是否具有单位根，判断平稳性。-考点：时间序列平稳性检验。3.A.P(A|B)=P(B|A)P(A)/P(B)-解析：贝叶斯定理公式用于计算后验概率。-考点：贝叶斯推断基础。4.B.拒绝原假设-解析：p值小于α表示证据足够拒绝原假设。-考点：假设检验决策规则。5.A.无偏性和最小方差-解析：高斯-马尔可夫定理在经典假设下保证OLS估计量BLUE性质。-考点：回归估计的统计性质。6.B.波动率聚类-解析：GARCH模型专用于建模条件方差，捕捉金融数据的波动聚集。-考点：时间序列波动模型。7.A.样本均值分布趋近于正态分布-解析：中心极限定理表明，样本均值的分布随样本量增大而趋近正态。-考点：概率论中的极限定理。8.A.惩罚自变量数量-解析：调整R-squared通过惩罚多余自变量，避免过拟合，提供更可靠的拟合度度量。-考点：回归模型评估指标。9.A.截尾于滞后p-解析：PACF在AR(p)模型中在滞后p后截尾，帮助识别自回归阶数。-考点：时间序列模型识别。10.B.避免过拟合-解析：k-fold交叉验证通过分割数据评估模型泛化能力，减少过拟合风险。-考点：机器学习模型验证技术。二、填空题1.Σ(y_i-ŷ_i)^2-解析：残差平方和计算公式为观测值与预测值差的平方和。-考点：回归模型拟合度量。2.H0-解析：零假设标准表示为H0，用于假设检验的基准。-考点：假设检验基础概念。3.Integrated-解析：ARIMA中的"I"代表差分阶数，使序列平稳。-考点：时间序列模型结构。4.先验知识或信念-解析：先验概率基于历史信息或主观判断，影响后验估计。-考点：贝叶斯推断要素。5.低估或无效-解析：异方差使标准误估计偏低，导致t检验失真。-考点：回归假设违反。6.恒定-解析：平稳序列要求均值和方差不随时间变化。-考点：时间序列平稳性定义。7.显著性-解析：t检验评估单个回归系数是否显著不为零。-考点：回归系数检验。8.3-解析：正态分布的峰度为3，用于比较分布形态。-考点：概率分布特征。9.短期和长期波动影响-解析：α捕捉新息冲击影响，β代表持久波动效应。-考点：GARCH模型参数解释。10.MSE或RMSE-解析：均方误差或根均方误差常用作交叉验证的误差指标。-考点：模型性能评估。三、判断题1.错误-解析：非平稳序列可通过差分或模型调整处理，非必须平稳。-考点：时间序列回归适用性。2.正确-解析：自相关不影响OLS无偏性，但影响有效性。-考点：回归估计性质。3.错误-解析：贝叶斯估计需要指定似然函数和先验分布。-考点：贝叶斯方法框架。4.错误-解析：第二类错误是错误接受原假设（即漏检）。-考点：假设检验错误类型。5.正确-解析：多重共线性增大参数估计方差，降低精度。-考点：回归问题诊断。6.错误-解析：PACF用于识别AR模型阶数，ACF用于MA模型。-考点：时间序列模型识别工具。7.正确-解析：White检验通过残差检验异方差存在。-考点：异方差检测方法。8.错误-解析：中心极限定理要求样本量足够大（通常n>30）。-考点：极限定理应用条件。9.正确-解析：GARCH模型有效建模波动率聚类，常见于金融数据。-考点：波动模型应用。10.错误-解析：k值增大可能增加计算成本，但不必然减小偏差；k小则偏差大。-考点：交叉验证参数选择。四、简答题1.单位根检验检测时间序列是否具有单位根，判断平稳性，避免伪回归。常用方法包括ADF检验和PP检验。ADF基于自回归模型，PP修正序列相关。重要性在于确保模型可靠性和预测准确性。-考点：时间序列平稳性检验。2.F检验用于检验多元回归整体显著性，步骤为：设定原假设（所有系数为零），计算F统计量（MSR/MSE），与临界值比较。若F值大于临界值，拒绝原假设，表明模型显著。目的验证自变量联合解释力。-考点：回归整体检验。3.贝叶斯方法将参数视为随机变量，使用先验和似然求后验，强调主观概率；频率方法视参数固定，基于重复抽样推断，强调客观频率。区别在于概率解释和推断框架，贝叶斯整合先验信息，频率依赖样本数据。-考点：统计推断方法比较。4.异方差导致标准误低估，t检验失效，置信区间不准确。修正方法包括使用稳健标准误（如White调整）、加权最小二乘法或数据转换（如对数变换）。这些方法确保推断有效性。-考点：回归问题修正技术。五、讨论题1.时间序列模型在金融风险管理中优势包括捕捉市场动态、预测波动率（如VaR计算），但挑战在于数据非平稳性、模型误设风险及外生冲击影响。需结合情景分析提升鲁棒性。-考点：金融应用模型评估。2.ARIMA适合建模趋势和季节性均值，GARCH专长波动率预测。ARIMA忽略波动聚集，GARCH补充此缺陷；但GARCH需平稳序列，ARIMA处理