2026年人工智能金融应用基础考试试题及答案

2026年人工智能金融应用基础考试试题及答案一、单项选择题（每题2分，共20分）1.在智能风控系统中，以下哪项技术最常用于识别客户提交的伪造身份证图像？A.词向量相似度B.生成对抗网络判别器C.长短期记忆网络D.蒙特卡洛树搜索2.某银行使用深度强化学习对基金组合进行动态调仓，状态空间包含宏观因子、行业因子与个股因子共120维。若采用ε-greedy策略，ε=0.1，则在一次随机探索中，选择非最优动作的概率为：A.0.01B.0.10C.0.90D.0.993.联邦学习在信贷联合建模中的核心优势是：A.降低GPU算力需求B.实现“数据不动模型动”C.减少模型参数量D.消除梯度消失4.在NLP财报舆情分析中，为抑制“利好”与“利空”样本不均衡，以下哪种方法最不适合？A.FocalLossB.SMOTE过采样C.随机下采样多数类D.增加Dropout比率5.关于区块链与智能合约在供应链金融中的结合，下列说法错误的是：A.可实现应收账款的多级拆分与流转B.智能合约一旦部署即不可升级C.可通过零知识验证保护商业隐私D.链上哈希存证可防止电子合同篡改6.某券商使用图神经网络(GNN)对上市公司进行风险传染预测，节点特征包含财务指标与舆情分值，边权重为股权关联度。若采用GraphSAGE均值聚合，第k层邻居采样数为10，则3层后，单个节点最多可间接聚合的邻居数为：A.30B.111C.1000D.11117.在算法做市策略中，为避免“恶意刷单”探测，下列哪种订单流特征最可能被识别为异常？A.撤单率<5%且订单尺寸服从幂律分布B.撤单率>95%且订单尺寸恒定C.成交率>90%且订单尺寸服从正态分布D.成交率<10%且订单尺寸随机8.使用变分自编码器(VAE)对信用卡交易进行异常检测时，重构误差的分布通常假设为：A.多项分布B.伯努利分布C.高斯分布D.狄利克雷分布9.在基于Transformer的时序预测模型中，为捕获“财报发布”这类低频事件，最适合引入的编码方式是：A.正弦位置编码B.可学习绝对位置编码C.事件驱动的时间编码D.卷积位置编码10.央行数字货币(DC/EP)双离线支付场景下，为防止“同一笔数字货币重复花费”，终端最可能采用的密码学方案是：A.环签名B.盲签名C.基于硬件安全模块的序列号验证D.零知识证明二、多项选择题（每题3分，共15分；多选少选均不得分）11.以下哪些技术组合可用于“黑箱”信贷模型的可解释性增强？A.SHAP值B.LIMEC.Grad-CAMD.注意力热图E.对抗样本12.在强化学习交易系统中，以下哪些做法可能引发“数据窥探”(datasnoopingbias)？A.使用未来函数标签训练策略B.在验证集上多次调参后最终测试C.采用滚动窗口交叉验证D.用同一批数据做特征选择又做绩效评估E.引入经济先验约束13.关于隐私计算在反洗钱(AML)中的应用，正确的有：A.多方安全计算可让银行间“不共享原始数据”却得出联合可疑名单B.同态加密可直接对加密交易金额做加法统计C.联邦学习可完全替代央行征信中心D.差分隐私通过添加噪声降低模型泄露个体信息的风险E.TEE(可信执行环境)需完全信任硬件厂商14.以下哪些指标可直接用于评估智能投顾组合的风险调整后收益？A.夏普比率B.最大回撤C.卡玛比率D.信息比率E.贝塔系数15.在基于深度学习的债券违约预测中，以下哪些做法有助于缓解“样本极少违约”问题？A.采用代价敏感学习，提高违约类误分代价B.使用合成少数类样本(GAN)C.直接删除所有违约样本以平衡数据D.集成多个不平衡数据集进行迁移学习E.采用AUC-PR而非Accuracy作为主要评估指标三、判断题（每题1分，共10分；正确打“√”，错误打“×”）16.联邦学习中，模型参数聚合一定采用FedAvg算法，不可替换为其他策略。17.在智能客服语音质检中，使用wav2vec2.0预训练模型可显著降低小语种语料需求。18.图神经网络在证券关联网络中能够捕捉“蝴蝶效应”式风险传染，但其计算复杂度与节点数呈线性关系。19.若某量化策略的贝塔值为0，则其收益与市场收益一定无关。20.使用生成对抗网络合成少数类样本时，判别器损失越低代表合成样本质量越高。21.在深度强化学习做市策略中，奖励函数若仅考虑成交价差，可能诱发“恶意挂单”行为。22.央行数字货币的“可控匿名”意味着央行无法追踪任何交易细节。23.差分隐私预算ε越大，隐私保护强度越高。24.区块链智能合约的“Gas”机制主要用于防止无限循环攻击。25.自然语言处理中，BERT的NSP(NextSentencePrediction)任务在FinBERT训练时通常会被保留以增强上下文理解。四、填空题（每空2分，共20分）26.在基于深度Q网络(DQN)的算法交易中，经验回放池的随机采样主要解决_________分布的非平稳性问题。27.若使用LSTM对沪深300指数进行5日滚动预测，输入序列长度取20日，隐藏层维度为64，则单个LSTM单元在时间步t的候选记忆细胞计算公式为：

=ta28.在联邦学习框架下，为防止恶意客户端通过上传异常梯度窃取他人信息，可采用_________聚合规则对参数进行鲁棒更新。29.某银行采用知识图谱进行信贷欺诈检测，若发现“三度以内邻居”中欺诈节点占比超过_________%，则触发人工复核。30.根据《巴塞尔协议III》杠杆率要求，一级资本净额与表内外资产余额的比例不得低于_________%。31.在期权定价中，若使用Black-Scholes模型，假设标的资产价格服从几何布朗运动，其随机微分方程为：d=32.使用Transformer对财经新闻进行情感分类时，位置编码采用正弦函数：P=33.在反洗钱场景下，若某账户出现“_________”交易模式，即短时间内多笔小额分散转入、集中大额转出，则可能被识别为“拆分洗钱”。34.若采用梯度提升树(GBDT)对信用卡违约进行预测，为防止过拟合，通常设置的最大深度不超过_________。35.在数字人民币钱包体系中，按照央行设计，_________类钱包无需绑定银行账户，但余额上限为1万元。五、计算与建模题（共35分）36.（10分）某券商部署了基于深度强化学习的做市策略，状态空间包含订单簿前10档量价、持仓量、剩余时间共32维；动作空间为{挂买价±1tick，挂卖价±1tick，不操作}，共5个离散动作；奖励函数为=其中η=0.002，λ=0.001。假设在某一步t，智能体以买一价成交1000股，成交价差为0.01元，当前库存为+2000股，且该步无撤单。(1)计算该步即时奖励r_t；(2)若采用DQN，经验回放池大小为1×10^6，mini-batch=128，每步在线更新一次，则遍历一次回放池需要多少步？(3)若学习率为α=0.00025，折扣因子γ=0.99，该步TD误差δ=0.05，则DQN参数更新后，该样本对应的Q值变化量为多少？（写出公式即可）37.（10分）某城商行使用XGBoost对小微企业进行信用评分，数据集包含10万条样本，正类（违约）占比2%。采用5折交叉验证，评估指标为AUC。实验发现，当max_depth=6时，训练AUC=0.98，验证AUC=0.81；当max_depth=3时，训练AUC=0.89，验证AUC=0.83。(1)解释出现上述现象的原因；(2)为进一步提升模型在不平衡数据上的表现，给出两种可落地的技术方案，并说明理由；(3)若采用代价敏感学习，设违约类误分代价为50，正常类误分代价为1，试写出XGBoost的目标函数修正形式（可用文字描述）。38.（15分）某金融科技公司拟使用联邦学习对证券APP用户进行下一日涨跌预测，特征包括用户浏览新闻关键词、自选股序列、交易记录，标签为次日沪深300涨跌方向。出于合规要求，原始数据不可出域。公司A（券商）与公司B（财经媒体）决定采用横向联邦学习框架，双方样本重叠低、特征空间重叠高。(1)画出系统架构图（文字描述即可），并说明加密参数传输流程；(2)若采用FedAvg，每轮通信需上传本地模型梯度，假设模型为3层全连接，参数量共5.1×10^6，每个参数用float32表示，压缩比为10:1，求每轮上行数据量（单位MB）；(3)为防止“梯度泄露”导致用户隐私泄露，给出两种加固方案，并比较其计算与通信开销；(4)若实验发现联邦模型AUC=0.72，而公司A本地模型AUC=0.75，请分析可能原因并提出改进策略。六、卷后答案与解析一、单项选择题1.B判别器可区分真假图像。2.Bε=0.1即探索概率。3.B联邦学习核心理念。4.DDropout不解决不平衡。5.B智能合约可升级(代理模式)。6.B1+10+100+1000=1111。7.B高撤单率+固定尺寸易被识别。8.CVAE假设重构误差服从高斯。9.C事件驱动编码可显式引入财报节点。10.C双离线靠硬件序列号防重放。二、多项选择题11.ABDEGrad-CAM用于图像。12.ABD均引入未来信息或信息泄露。13.ABDC错在“完全替代”，E需信任硬件。14.ACD最大回撤与贝塔不直接衡量风险调整后收益。15.ABDEC会丢失珍贵违约信息。三、判断题16.×可用FedProx、FedNova等。17.√自监督预训练减少标注。18.×复杂度与边数相关，非线性。19.×贝塔为零仅表示线性无关，或有非线性相关。20.×判别器损失过低可能过拟合，生成样本未必好。21.√奖励设计需加入inventory惩罚。22.×可控匿名指“对公众匿名，对央行可追溯”。23.×ε越大隐私保护越弱。24.√Gas耗尽则回滚。25.×FinBERT通常移除NSP以适配长文档。四、填空题26.经验回放池解决“样本相关性/非平稳性”。27.矩阵乘法（或点积）。28.Trim-mean、Krum、Median等鲁棒聚合。29.30%（示例阈值，可设20–40）。30.3%。31.波动率。32.词/位置索引。33.分散转入集中转出（或“拆分”）。34.6（或5–8合理范围）。35.四类钱包。五、计算与建模题答案36.(1)库存惩罚=0.002×2000=4元，撤单惩罚=0，成交价差收益=1000×0.01=10元，故r_t=10−4=6元。(2)遍历一次需1×10^6/128≈7813步。(3)参数更新量Δθ=α·δ·∇θQ(s,a)，Q值变化量ΔQ≈α·δ·|∇θQ|²（或写为αδ，视近似层级）。37.(1)max_depth=6导致过拟合，训练拟合噪声，验证性能下降；max_depth=3正则更强，验证AUC更高。(2)方案a：采用SMOTE+ENN混合采样，既扩增少数类又清洗边界样本，提升泛化；方案b：在XGBoost中设置scale_pos_weight=49，使算法在分裂时更关注少数类，无需额外采样，保持训练效率。(3)修正目标函数：Ob38.(1)架构：本地特征抽取→本地模型训练→本地梯度同态加密（如Paillier）→上传加密梯度→中央服务器聚合→下发加密更新→本地解密并更新模型；流程保证原始数据不出域，梯度加密传输。(2)参数量5.1×10^6×4Byt