金融风控模型优化工程师考试试卷及答案

金融风控模型优化工程师考试试卷及答案填空题（每题1分，共10分）1.风控模型中，衡量区分好坏客户能力的核心指标是______。2.特征工程处理类别变量的常用方法有独热编码和______。3.逻辑回归中，L1正则化的主要作用是______。4.模型样本通常分为训练集、验证集和______。5.精确率计算公式为TP/(TP+______)。6.时间序列平稳性检验常用______方法。7.模型部署后需监控的漂移类型包括特征漂移和______。8.不平衡数据处理的常用方法有SMOTE和______。9.决策树选择分裂特征的指标有信息增益和______。10.风控模型需符合的监管要求包括巴塞尔协议和______。单项选择题（每题2分，共20分）1.更适合评估不平衡数据集的风控模型指标是？A.准确率B.精确率C.召回率D.F1值2.对异常值最敏感的算法是？A.逻辑回归B.随机森林C.XGBoostD.决策树3.WOE编码的作用不包括？A.处理类别变量B.消除多重共线性C.提升可解释性D.减少特征维度4.捕捉时间序列长期依赖的模型是？A.ARIMAB.LSTMC.ARMAD.MA5.模型过拟合的表现是？A.训练集误差小、测试集误差大B.训练集误差大、测试集误差小C.两者误差都大D.两者误差都小6.模型部署后需监控的内容是？A.特征重要性B.模型漂移C.超参数调优D.特征工程7.处理缺失值的常用方法不包括？A.均值填充B.中位数填充C.直接删除D.随机填充8.随机森林的优势不包括？A.抗过拟合B.可解释性强C.处理非线性关系D.并行计算9.巴塞尔协议对信用风险模型的要求不包括？A.风险权重计算B.模型验证C.数据质量要求D.超参数自动调优10.衡量模型校准度的指标是？A.AUCB.KS值C.Brier分数D.精确率多项选择题（每题2分，共20分）1.风控模型评估的常用指标包括？A.AUCB.KSC.F1值D.准确率2.特征工程的步骤包括？A.特征选择B.特征编码C.特征缩放D.特征生成3.处理过拟合的方法有？A.增加正则化B.减少特征数量C.增加训练数据D.降低模型复杂度4.风控模型的常见类型包括？A.信用评分卡B.机器学习模型C.神经网络D.时间序列模型5.模型验证的核心内容包括？A.区分度验证B.校准度验证C.稳定性验证D.可解释性验证6.不平衡数据处理方法有？A.SMOTEB.欠采样C.过采样D.加权损失函数7.逻辑回归的假设条件包括？A.线性可分B.无多重共线性C.残差正态分布D.观测值独立8.模型部署的步骤包括？A.模型序列化B.API开发C.监控系统搭建D.性能测试9.金融风控的常见风险类型包括？A.信用风险B.欺诈风险C.市场风险D.操作风险10.时间序列风控的应用场景包括？A.欺诈交易检测B.信用趋势预测C.客户流失预测D.市场风险评估判断题（每题2分，共20分）1.AUC越接近1，模型区分能力越强。（）2.WOE编码仅适用于二分类模型。（）3.随机森林可处理非线性关系。（）4.模型部署后无需监控特征漂移。（）5.逻辑回归对异常值不敏感。（）6.过拟合因模型复杂度不足导致。（）7.时间序列模型需做平稳性检验。（）8.训练集与测试集可按时间划分。（）9.F1值是精确率与召回率的调和平均。（）10.巴塞尔协议要求银行仅用逻辑回归模型。（）简答题（每题5分，共20分）1.简述风控模型特征选择的常用方法及适用场景。2.如何判断模型性能漂移？有哪些应对措施？3.逻辑回归在风控评分卡中的应用优势是什么？4.风控模型验证的核心内容有哪些？讨论题（每题5分，共10分）1.如何平衡风控模型的准确性与可解释性？结合场景说明。2.大数据环境下，风控模型优化面临哪些挑战？如何应对？---答案部分填空题答案1.AUC（ROC曲线下面积）2.WOE编码（或标签编码）3.特征选择（或参数稀疏化）4.测试集5.FP6.ADF检验（单位根检验）7.模型输出漂移（预测性能漂移）8.欠采样（或过采样）9.Gini系数（或增益率）10.GDPR（或个人信息保护法）单项选择题答案1.D2.A3.D4.B5.A6.B7.C8.B9.D10.C多项选择题答案1.ABCD2.ABCD3.ABCD4.ABCD5.ABCD6.ABCD7.ABD8.ABCD9.ABCD10.ABCD判断题答案1.√2.×3.√4.×5.×6.×7.√8.√9.√10.×简答题答案1.特征选择方法及场景：①过滤法（卡方检验、互信息）：快速筛选，适合大数据；②包裹法（RFE）：通过模型性能选特征，效果好但计算贵，适合小数据；③嵌入法（L1正则、树模型重要性）：融入训练，兼顾效率，适合多数场景。如逻辑回归用L1选特征，树模型用嵌入法。2.性能漂移判断与应对：判断：①特征漂移（PSI、KS检验）；②模型输出漂移（AUC/KS下降）；③概念漂移（特征-目标关系变化）。应对：①实时监控分布；②漂移超阈值则重训模型；③补充新特征；④用在线学习模型更新。3.逻辑回归评分卡优势：可解释性强（系数对应评分），符合监管；计算高效，适合大规模数据；WOE编码处理类别变量，消除共线性；L1/L2正则防过拟合，稳定性高，是信贷审批主流模型。4.模型验证核心内容：区分度（AUC/KS）、校准度（Brier分数）、稳定性（PSI）、可解释性（业务逻辑）、鲁棒性（抗噪声）、监管合规（巴塞尔/隐私法规）。讨论题答案1.平衡准确性与可解释性：①监管场景（信贷）：优先可解释，用逻辑回归+WOE评分卡；②欺诈场景：兼顾两者，用随机森林+SHAP解释（捕捉非线性+输出特征贡献）；③实时场景：用轻量线性模型，或简化黑箱解释（top3影响特征）。关键依业务需求（监管、实时性）选择模型，用解释工具弥补黑箱不足。2.大数据风控挑战与应对：挑战：