2025CFA二级《数量方法》押中率超85%真题及答案

2025CFA二级《数量方法》押中率超85%真题及答案

一、单项选择题（总共10题，每题2分）1.多元线性回归模型中，误差项ε_t的经典假设不包括以下哪项？A.独立同分布（i.i.d.）B.服从正态分布C.均值为0D.存在异方差2.通常认为，当方差膨胀因子（VIF）超过多少时，多重共线性问题较为严重？A.2B.5C.10D.203.autoregressivemodeloforder2（AR(2)）的特征方程用于判断模型的平稳性，其正确形式是？A.1+φ₁L+φ₂L²=0B.1-φ₁L-φ₂L²=0C.φ₁+φ₂L=0D.φ₁L+φ₂L²=14.GARCH模型的核心用途是建模金融时间序列的哪种特征？A.均值回复B.波动率聚类C.单位根D.协整关系5.以下属于监督学习算法的是？A.K-means聚类B.主成分分析（PCA）C.随机森林D.层次聚类6.两个时间序列存在协整关系的前提是？A.均为平稳序列（I(0)）B.均为同阶单整序列（如I(1)）C.一个平稳、一个非平稳D.均为二阶单整（I(2)）7.异方差会导致普通最小二乘法（OLS）的哪些结果偏差？A.系数标准误估计偏误B.系数估计量有偏C.系数估计量非一致D.调整R²低估模型拟合度8.正序列相关（正自相关）对t检验的影响是？A.低估系数的显著性B.不影响显著性C.高估系数的显著性D.使t统计量为负9.蒙特卡洛模拟的第一步是？A.生成随机数B.计算目标变量C.验证模拟结果D.确定随机变量的概率分布10.以下关于LASSO正则化的描述，正确的是？A.采用L1惩罚，会产生稀疏解（部分系数为0）B.采用L2惩罚，会缩小系数但不删除C.仅适用于线性回归模型D.对异常值不敏感二、填空题（总共10题，每题2分）1.多元回归中，调整R²（AdjustedR²）用于______________________。2.时间序列中，检验单位根的常用方法是______________________。3.GARCH(1,1)模型的波动率方程中，三个参数分别对应常数项、______________________和______________________。4.监督学习的两个核心要素是______________________和______________________。5.多重共线性会导致回归系数的______________________显著增大。6.Engle-Granger两步法检验协整关系的第一步是______________________。7.蒙特卡洛模拟中，生成随机数后需要______________________以得到目标变量的结果。8.正自相关会导致OLS估计的标准误______________________。9.机器学习中，解决过拟合问题的常见方法包括______________________和______________________。10.面板数据同时包含______________________和______________________两个维度。三、判断题（总共10题，每题2分）1.多元回归中，R²越大说明模型的拟合效果越好。（）2.ADF检验的原假设是时间序列存在单位根（非平稳）。（）3.GARCH模型可以捕捉金融时间序列的杠杆效应（负收益率的波动率更大）。（）4.无监督学习需要依赖带标签的训练数据。（）5.多重共线性会导致OLS系数估计量有偏。（）6.协整关系的存在前提是两个时间序列为同阶单整。（）7.序列相关不影响OLS系数估计的无偏性，但会影响标准误的准确性。（）8.蒙特卡洛模拟的结果精度随模拟次数增加而提高。（）9.LASSO正则化采用L2惩罚项，会缩小系数但不删除变量。（）10.面板数据的固定效应模型可以控制个体异质性（如公司规模差异）。（）四、简答题（总共4题，每题5分）1.请解释多元线性回归中多重共线性的原因、影响及解决方法。2.说明GARCH(1,1)模型的核心原理及在风险管理中的应用。3.比较监督学习与无监督学习的核心区别，并各举一个CFA二级数量方法中的例子。4.解释时间序列中单位根的含义及存在单位根对回归分析的影响。五、讨论题（总共4题，每题5分）1.讨论异方差对OLS估计的影响及常用修正方法，并说明金融数据中异方差的常见表现。2.分析协整关系的经济意义及Engle-Granger两步法的局限性。3.讨论机器学习中的过拟合问题及CFA二级数量方法中如何通过正则化（如LASSO、Ridge）解决。4.说明蒙特卡洛模拟在金融中的应用场景，并讨论其局限性。答案及解析一、单项选择题答案1.D2.C3.B4.B5.C6.B7.A8.C9.D10.A二、填空题答案1.比较不同自变量数量的回归模型拟合效果2.ADF检验（AugmentedDickey-FullerTest）3.ARCH项（前一期残差平方）；GARCH项（前一期波动率）4.标签数据（LabeledData）；特征数据（FeatureData）5.标准误（StandardError）6.用OLS估计协整回归方程（得到残差序列）7.代入模型计算8.低估9.正则化（Regularization）；交叉验证（Cross-Validation）10.时间维度（TimeDimension）；个体维度（IndividualDimension）三、判断题答案1.×（R²未调整，可能因加入无关变量过拟合）2.√3.×（EGARCH模型捕捉杠杆效应）4.×（无监督学习无标签）5.×（系数无偏但标准误大）6.√7.√8.√（大数定律）9.×（LASSO是L1惩罚，Ridge是L2）10.√四、简答题答案1.原因：自变量间高度线性相关（如“GDP增长率”与“工业增加值增长率”）。影响：系数标准误增大，t检验显著性降低，系数符号可能与经济意义矛盾。解决方法：删除冗余变量、增加样本量、主成分分析（将相关变量合并为不相关主成分）。2.原理：GARCH(1,1)假设当期波动率由三部分决定——长期平均波动率（常数项）、前一期残差平方（ARCH项，反映近期冲击）、前一期波动率（GARCH项，反映波动率持续性）。应用：用于风险管理中的VaR计算，因金融资产收益率的波动率存在“聚类效应”（大波动后跟随大波动），GARCH能准确预测未来波动率。3.核心区别：监督学习有标签数据（目标变量已知），无监督学习无标签数据（仅分析数据结构）。例子：监督学习如“随机森林预测股票违约概率”（标签为“违约/未违约”）；无监督学习如“K-means聚类分析行业分类”（无标签，根据股价波动特征分组）。4.单位根含义：时间序列的特征根等于1，序列非平稳（均值、方差随时间变化）。影响：非平稳序列回归会出现“伪回归”——R²高但系数无经济意义，t检验结果不可靠（因传统假设基于平稳序列）。五、讨论题答案1.影响：OLS系数无偏但不高效（方差非最小），标准误偏误导致t检验失效。修正方法：①稳健标准误（如怀特标准误），调整标准误；②加权最小二乘（WLS），给异方差小的观测值更大权重。金融表现：高频数据（如分钟收益率）的波动率随时间变化，低流动性股票的收益率方差更大，杠杆效应（负收益率的波动率更高）。2.经济意义：变量间存在长期均衡关系（如“股价”与“分红”，短期偏离长期会回归）。Engle-Granger局限性：①仅处理两个变量，无法处理多变量协整；②对样本量敏感，小样本下检验功效低；③假设协整向量唯一，若存在多个协整关系，结果不准确；④无法检验协整向量的显著性。3.过拟合：模型过度学习训练数据中的噪声，测试数据泛化能力差（如决策树深度过大）。正则化解决：①LASSO（L1正则化）：加入系数绝对值惩罚项，使部分系数为0，自动删除无关变量（适合高维数据如100个财务指标）；②Ridge（L2正则化）：加入系数平方惩罚项，缩小系数但不删除（适合自变量高度相关如宏观变量）。