2020CFA二级数量方法考前必刷真题及答案提分20+

2020CFA二级数量方法考前必刷真题及答案提分20+

一、单项选择题（总共10题，每题2分）1.以下哪种情况更适合使用时间序列分析来预测？A.分析不同行业的财务比率差异B.预测某公司未来季度的销售额C.比较不同投资组合的风险D.评估宏观经济政策对市场的影响2.在多元线性回归中，若某个自变量的t-统计量绝对值较小，意味着什么？A.该自变量对因变量有显著影响B.该自变量对因变量无显著影响C.该自变量与其他自变量高度相关D.该自变量的系数估计值为零3.关于ARCH模型，下列说法正确的是？A.用于描述时间序列的均值变化B.用于描述时间序列的异方差性C.只能用于线性时间序列D.与GARCH模型没有关联4.若回归模型的R²为0.8，这表示？A.80%的因变量变化可以由自变量解释B.自变量的80%对因变量有影响C.因变量的80%是由随机因素引起的D.回归模型的拟合效果很差5.以下哪个是平稳时间序列的特征？A.均值和方差随时间变化B.自相关函数随滞后阶数增加而迅速衰减C.存在明显的趋势和季节性D.方差无限大6.在进行回归分析时，若存在多重共线性，会导致？A.回归系数的估计值不稳定B.回归模型的R²降低C.自变量的t-统计量绝对值增大D.因变量的预测值更准确7.对于一个AR(1)模型Yt=φYt-1+εt，若|φ|>1，则该模型？A.是平稳的B.是非平稳的C.具有季节性D.可以用于长期预测8.以下哪种方法可以用于检验时间序列的平稳性？A.方差分析B.协整检验C.单位根检验D.卡方检验9.在回归分析中，异方差性会导致？A.回归系数的估计值有偏B.回归系数的标准误不准确C.回归模型的R²为负D.自变量的系数为零10.若一个时间序列的自相关函数在滞后1阶显著不为零，而在更高阶逐渐趋近于零，可能适合用哪种模型来描述？A.AR(1)模型B.MA(1)模型C.ARMA(1,1)模型D.ARIMA(1,1,1)模型二、填空题（总共10题，每题2分）1.时间序列的分解通常包括趋势成分、季节性成分、______和随机成分。2.在多元线性回归中，调整后的R²考虑了______的数量。3.ARCH模型主要用于处理时间序列的______问题。4.平稳时间序列的均值和方差是______的。5.若回归模型中存在异方差性，常用的修正方法有______和加权最小二乘法。6.单位根检验用于判断时间序列是否______。7.在ARIMA(p,d,q)模型中，d表示______的阶数。8.多重共线性会导致回归系数的______增大。9.自相关函数用于衡量时间序列在不同______之间的相关性。10.若一个时间序列具有季节性，通常可以通过______来消除季节性影响。三、判断题（总共10题，每题2分）1.时间序列分析只能用于预测未来值，不能用于解释变量之间的关系。（）2.在多元线性回归中，R²越高，模型的拟合效果就一定越好。（）3.ARCH模型可以用于预测时间序列的波动性。（）4.平稳时间序列一定不存在趋势和季节性。（）5.多重共线性会导致回归系数的估计值不准确，但不影响其显著性检验。（）6.单位根检验的原假设是时间序列是平稳的。（）7.异方差性会影响回归系数的标准误，但不影响其估计值。（）8.自相关函数在滞后阶数为0时的值一定为1。（）9.ARIMA模型可以处理非平稳时间序列。（）10.协整检验用于判断两个或多个非平稳时间序列之间是否存在长期稳定的关系。（）四、简答题（总共4题，每题5分）1.简述多元线性回归中多重共线性的危害及解决方法。2.说明时间序列平稳性的重要性以及常用的检验方法。3.解释ARCH模型和GARCH模型的区别与联系。4.阐述回归分析中异方差性的影响及处理方法。五、讨论题（总共4题，每题5分）1.讨论时间序列分析在金融市场预测中的应用及局限性。2.分析多元线性回归在投资决策中的作用和可能面临的问题。3.探讨如何选择合适的时间序列模型进行预测。4.研究异方差性和自相关性对回归分析结果的影响及应对策略。答案一、单项选择题1.B。时间序列分析主要用于预测随时间变化的变量，预测某公司未来季度的销售额符合这一特点。2.B。t-统计量绝对值较小，说明该自变量对因变量的影响不显著。3.B。ARCH模型用于描述时间序列的异方差性。4.A。R²为0.8表示80%的因变量变化可以由自变量解释。5.B。平稳时间序列的自相关函数随滞后阶数增加而迅速衰减。6.A。多重共线性会导致回归系数的估计值不稳定。7.B。若|φ|>1，AR(1)模型是非平稳的。8.C。单位根检验可用于检验时间序列的平稳性。9.B。异方差性会导致回归系数的标准误不准确。10.A。自相关函数在滞后1阶显著不为零，而在更高阶逐渐趋近于零，适合用AR(1)模型。二、填空题1.循环成分2.自变量3.异方差4.恒定5.怀特检验6.平稳7.差分8.标准误9.滞后阶数10.季节性差分三、判断题1.错误。时间序列分析既可以用于预测，也可以用于解释变量之间的关系。2.错误。R²高可能是因为自变量过多，调整后的R²更能反映模型拟合效果。3.正确。ARCH模型可用于预测时间序列的波动性。4.正确。平稳时间序列的均值和方差不随时间变化，不存在趋势和季节性。5.错误。多重共线性会影响回归系数的显著性检验。6.错误。单位根检验的原假设是时间序列存在单位根，即非平稳。7.正确。异方差性影响标准误，但不影响估计值。8.正确。自相关函数在滞后阶数为0时的值为1。9.正确。ARIMA模型可处理非平稳时间序列。10.正确。协整检验用于判断非平稳时间序列间的长期稳定关系。四、简答题1.多重共线性的危害：回归系数估计值不稳定，难以准确解释自变量对因变量的影响；t-统计量变小，可能使原本显著的自变量变得不显著。解决方法：增加样本量；剔除高度相关的自变量；使用主成分分析等方法进行降维。2.平稳性的重要性：平稳时间序列的统计特征不随时间变化，便于建模和预测。常用检验方法有单位根检验，如Dickey-Fuller检验，通过检验时间序列是否存在单位根来判断其平稳性。3.区别：ARCH模型只考虑过去残差的平方对当前方差的影响；GARCH模型不仅考虑过去残差平方，还考虑过去的条件方差。联系：GARCH模型是ARCH模型的扩展，GARCH(1,1)在实际中应用广泛，能更好地捕捉时间序列的波动性。4.异方差性的影响：会导致回归系数的标准误不准确，使t-检验和F-检验失效。处理方法：使用怀特检验识别异方差，然后采用加权最小二乘法，根据异方差的形式对数据进行加权，使残差的方差保持恒定。五、讨论题1.应用：可用于预测股票价格、汇率等金融变量的走势，帮助投资者制定投资策略。局限性：时间序列的历史数据不一定能准确反映未来情况；市场突发事件可能使模型失效；模型假设可能与实际情况不符。2.作用：帮助投资者分析多个因素对投资收益的影响，评估风险和回报。问题：可能存在多重共线性，导致回归系数不稳定；模型可能存在异方差和自相关性，影响结果的准确性；自变量选择不当可能导致模型拟合效果不佳。3.选择合适的时间序列模型需要考虑时间序列的特征，如是否平稳、是否有季节性等。对于平稳序列，可考虑AR、MA、ARMA模型；对于非平稳序列，可使用ARIMA模型