2024CFA二级数量方法真题及答案提升备考效率3倍

2024CFA二级数量方法真题及答案提升备考效率3倍

一、单项选择题（总共10题，每题2分）1.在多元回归分析中，若引入一个表示“行业类型”的虚拟变量（共3个行业），则需要设置的虚拟变量个数为（）。A.1B.2C.3D.42.检验多元回归模型是否存在异方差时，怀特检验（WhiteTest）与布罗施-帕甘检验（Breusch-PaganTest）的主要区别在于（）。A.怀特检验假设异方差与解释变量线性相关，布罗施-帕甘检验还包含平方项和交叉项B.布罗施-帕甘检验假设异方差与解释变量线性相关，怀特检验还包含平方项和交叉项C.怀特检验适用于大样本，布罗施-帕甘检验适用于小样本D.两者无本质区别3.对于时间序列模型\(y_t=\alpha+\betay_{t-1}+\varepsilon_t\)，若进行单位根检验时，ADF检验的原假设是（）。A.\(\beta=0\)B.\(\beta=1\)C.\(\beta<1\)D.\(\beta>1\)4.ARCH模型（自回归条件异方差模型）的核心作用是（）。A.捕捉均值的自相关性B.描述方差的时变性和聚类性C.检验序列的平稳性D.估计面板数据的个体效应5.贝叶斯统计中，后验概率的计算基于（）。A.先验概率与似然函数的乘积B.先验概率与边际似然的比值C.似然函数与边际似然的乘积D.先验概率与似然函数的比值6.在多元回归中，预测区间的宽度会随着（）的增加而变宽。A.样本量B.解释变量的离均差C.预测点与样本均值的距离D.调整R²7.面板数据模型中，固定效应模型（FixedEffectsModel）主要用于处理（）。A.时间维度的异方差B.截面维度的个体异质性（与解释变量相关）C.时间序列的自相关D.随机误差项的正态性8.模型选择时，AIC（赤池信息准则）和BIC（贝叶斯信息准则）的主要区别是（）。A.AIC更倾向于选择复杂模型，BIC更倾向于简单模型B.BIC更倾向于选择复杂模型，AIC更倾向于简单模型C.AIC基于似然函数，BIC基于后验概率D.两者无本质区别9.非参数检验（如曼-惠特尼U检验）适用于（）。A.数据服从正态分布的场景B.数据分布未知或存在异常值的场景C.检验两个总体均值是否相等D.检验回归系数的显著性10.蒙特卡洛模拟的关键步骤不包括（）。A.确定随机变量的概率分布B.生成随机数C.重复模拟并计算统计量D.进行单位根检验二、填空题（总共10题，每题2分）1.多元回归中，调整R²的作用是修正（）对R²的高估。2.检验时间序列是否存在自相关的常用方法是（）检验。3.ARCH(1)模型的条件方差方程为\(\sigma_t^2=\)（）。4.固定效应模型通过（）方法消除个体异质性。5.贝叶斯定理的数学表达式为\(P(\theta|X)=\)（）。6.面板数据同时包含（）和时间两个维度的信息。7.单位根检验的原假设是时间序列（）。8.异方差会导致回归系数的（）估计不准确，进而影响假设检验。9.非参数检验不依赖于（）的具体形式。10.蒙特卡洛模拟的误差随（）的增加而降低。三、判断题（总共10题，每题2分）1.多元回归中，若存在多重共线性，系数估计量会变得有偏。（）2.时间序列平稳的充要条件是均值、方差和协方差不随时间变化。（）3.随机效应模型假设个体效应与解释变量不相关。（）4.ARCH模型适用于描述金融时间序列的“波动率聚类”现象。（）5.贝叶斯统计中，先验分布必须基于客观数据，不能主观设定。（）6.调整R²一定小于等于普通R²。（）7.曼-惠特尼U检验用于检验两个独立样本的中位数是否有显著差异。（）8.面板数据模型中，混合OLS（PooledOLS）忽略了个体异质性。（）9.蒙特卡洛模拟结果的准确性仅取决于随机数的生成质量。（）10.多元回归的F检验用于检验单个系数是否显著不为零。（）四、简答题（总共4题，每题5分）1.比较固定效应模型与随机效应模型的区别及适用场景。2.解释ARCH模型的核心思想及其在金融中的应用。3.简述多元回归中异方差的后果及解决方法。4.说明时间序列平稳性的重要性及ADF检验的步骤。五、讨论题（总共4题，每题5分）1.在预测股票收益率时，如何选择使用多元回归模型或时间序列模型（如ARIMA）？讨论各自的优缺点。2.分析贝叶斯统计与频率统计在参数估计上的主要差异，并举例说明贝叶斯方法的优势。3.当使用面板数据研究公司财务绩效时，如何处理个体异质性？比较不同方法的适用性。4.蒙特卡洛模拟在金融风险管理中的应用场景有哪些？讨论其局限性及改进方法。答案与解析一、单项选择题1.B（虚拟变量个数=分类数-1）2.B（布罗施-帕甘假设异方差与解释变量线性相关，怀特包含平方项和交叉项）3.B（ADF检验原假设为存在单位根，即β=1）4.B（ARCH模型捕捉方差的时变性和聚类性）5.A（后验=先验×似然/边际似然，核心是先验与似然的乘积）6.C（预测点离样本均值越远，预测区间越宽）7.B（固定效应处理与解释变量相关的个体异质性）8.A（BIC对模型复杂度惩罚更重，倾向简单模型）9.B（非参数检验适用于分布未知或存在异常值的场景）10.D（单位根检验是时间序列分析步骤，非蒙特卡洛模拟）二、填空题1.解释变量个数2.杜宾-沃森（Durbin-Watson）3.\(\omega+\alpha_1\varepsilon_{t-1}^2\)（ω为常数项，α₁为ARCH项系数）4.组内去均值（或“个体虚拟变量”）5.\(\frac{P(X|\theta)P(\theta)}{P(X)}\)（似然×先验/边际似然）6.截面（或“个体”）7.存在单位根（或“非平稳”）8.标准误（或“方差”）9.总体分布（或“数据分布”）10.模拟次数三、判断题1.×（多重共线性导致系数估计量方差增大，但无偏）2.√（平稳性要求均值、方差、协方差不随时间变化）3.√（随机效应假设个体效应与解释变量无关）4.√（ARCH模型专门描述波动率聚类）5.×（贝叶斯先验可为主观或客观）6.√（调整R²修正了变量个数的影响，通常更小）7.√（曼-惠特尼U检验用于独立样本的位置检验，如中位数）8.√（混合OLS假设所有个体无差异，忽略异质性）9.×（准确性还依赖模型设定、分布选择等）10.×（F检验用于整体显著性，t检验用于单个系数）四、简答题1.区别：固定效应模型允许个体效应与解释变量相关，通过组内去均值消除个体效应；随机效应模型假设个体效应与解释变量不相关，用GLS估计。适用场景：若个体异质性可能与解释变量相关（如遗漏的个体特征），用固定效应；若个体异质性与解释变量无关（如随机抽样），用随机效应（效率更高）。2.核心思想：条件方差依赖于过去误差项的平方，捕捉方差的时变性和聚类性（如金融资产收益率的“大波动后接大波动”）。金融应用：预测波动率（如期权定价）、计算风险价值（VaR）、优化投资组合（考虑时变风险）。3.后果：OLS系数估计量无偏但非有效（标准误估计错误），t检验和F检验不可靠。解决方法：使用异方差稳健标准误（如怀特修正）；对模型进行变换（如取对数）；采用加权最小二乘法（WLS）。4.重要性：非平稳序列会导致伪回归（虚假相关），参数估计无效。ADF检验步骤：①设定模型（含截距/趋势项）；②估计回归方程\(\Deltay_t=\alpha+\betay_{t-1}+\sum\gamma_i\Deltay_{t-i}+\varepsilon_t\)；③检验原假设\(\beta=0\)（存在单位根）；④比较t统计量与ADF临界值，拒绝原假设则序列平稳。五、讨论题1.选择依据：若关注宏观经济、公司基本面等外部因素对收益率的影响，选多元回归；若关注历史收益率的时间依赖（如自相关），选ARIMA。多元回归优点：纳入多维度解释变量；缺点：可能遗漏时间序列特征。ARIMA优点：捕捉自相关性；缺点：忽略外部变量，对结构突变敏感。2.差异：频率统计将参数视为固定值，通过样本数据估计；贝叶斯统计将参数视为随机变量，结合先验信息和样本数据得到后验分布。优势举例：小样本场景下，贝叶斯方法通过合理先验提高估计精度（如估计稀有事件概率）。3.处理方法：①混合OLS：假设无个体异质性，适用于