2022CFA二级数量方法考前必刷真题及答案提分20+

2022CFA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.在多元线性回归中，以下哪项不是古典线性回归模型（CLRM）的假设？A.误差项的方差恒定（同方差）B.误差项之间无自相关C.解释变量之间完全线性相关D.误差项与解释变量不相关2.关于异方差对回归结果的影响，以下说法正确的是？A.系数估计量有偏B.系数估计量方差增大C.t检验和F检验仍然有效D.调整R²会减小3.以下哪种方法用于检验时间序列的单位根？A.卡方检验B.t检验C.AugmentedDickey-Fuller(ADF)检验D.F检验4.GARCH(1,1)模型的条件方差方程为σ_t²=ω+αε_t-1²+βσ_t-1²，其中α+β<1的目的是？A.保证条件方差非负B.保证条件方差平稳C.捕捉volatilityclusteringD.简化计算5.蒙特卡洛模拟中，生成随机变量的过程需要基于？A.历史数据的频率分布B.随机变量的概率分布C.线性回归模型D.时间序列的趋势6.多重共线性存在时，方差膨胀因子（VIF）通常大于多少表示严重共线性？A.1B.5C.10D.207.以下哪种学习方法属于监督学习？A.聚类分析B.主成分分析（PCA）C.线性回归D.因子分析8.Engle-Granger两步法用于检验？A.单位根B.协整C.自相关D.异方差9.在多元线性回归中，检验所有斜率系数均为0的假设使用？A.t检验B.F检验C.χ²检验D.Durbin-Watson检验10.历史模拟法的主要缺点是？A.无法处理极端事件B.依赖历史数据的代表性C.需要假设随机变量的分布D.计算复杂二、填空题（总共10题，每题2分）1.多元线性回归中，调整R²的计算公式为：1-[(1-R²)(n-1)/(______)]，其中n为样本量，k为解释变量个数。2.Durbin-Watson（DW）统计量的取值范围是______，当d≈2时表示无自相关。3.ARIMA(p,d,q)模型中的d表示对时间序列进行______的次数，以达到平稳。4.GARCH(1,1)模型的条件方差由常数项、______和前一期的条件方差组成。5.蒙特卡洛模拟中，随机变量的生成基于其______分布，通过随机数转换得到。6.当方差膨胀因子（VIF）大于______时，通常认为存在严重的多重共线性。7.Engle-Granger协整检验的第一步是对两个非平稳变量进行______，得到残差。8.监督学习中，目标变量可以是连续的（回归）或______的（分类）。9.异方差稳健标准误用于修正______对系数显著性检验的影响。10.时间序列的平稳性要求其均值、方差和______不随时间变化。三、判断题（总共10题，每题2分）1.多元线性回归中，R²的值一定大于调整R²的值。（）2.Durbin-Watson统计量d=2时，表明误差项之间不存在自相关。（）3.GARCH模型能够捕捉金融时间序列中的“波动聚类”（volatilityclustering）现象。（）4.蒙特卡洛模拟不需要使用历史数据，仅依赖随机数生成。（）5.多重共线性会导致回归系数的估计值产生偏误。（）6.协整的两个时间序列必须都是同阶单整（integratedofthesameorder）。（）7.监督学习中的聚类分析（ClusterAnalysis）属于无监督学习方法。（）8.异方差会导致线性回归模型的系数估计量方差增大，但不会影响t检验的有效性。（）9.ARIMA(p,d,q)模型中的p表示移动平均（MA）项的阶数，q表示自回归（AR）项的阶数。（）10.历史模拟法能够准确捕捉极端事件的风险，因为它使用真实的历史数据。（）四、简答题（总共4题，每题5分）1.简述多元线性回归中异方差的检测方法及主要应对措施。2.说明时间序列分析中单位根检验的主要步骤及结果的经济意义。3.蒙特卡洛模拟在量化投资中的主要应用场景有哪些？请列举并简要解释。4.简述监督学习与无监督学习的核心区别，并各举一个金融领域的应用例子。五、讨论题（总共4题，每题5分）1.多元线性回归中，多重共线性是常见问题。请讨论多重共线性的成因、对回归结果的影响及缓解方法。2.GARCH模型在风险管理中被广泛应用，请讨论其能够捕捉的金融时间序列特征及在VaR（ValueatRisk）计算中的作用。3.协整理论在资产定价中的重要性是什么？请结合配对交易（PairTrading）的策略说明协整的应用。4.机器学习方法在量化投资中的应用日益广泛，但也存在挑战。请讨论机器学习在量化投资中的主要挑战及应对策略。答案一、单项选择题答案1.C2.B3.C4.B5.B6.C7.C8.B9.B10.B二、填空题答案1.n-k-12.0到43.差分4.前一期的残差平方（ε_t-1²）5.概率6.107.普通最小二乘回归（OLS回归）8.离散9.异方差10.自协方差（或autocovariance）三、判断题答案1.对2.对3.对4.错5.错6.对7.对8.错9.错10.错四、简答题答案1.检测方法：①图形法：绘制残差与解释变量或拟合值的散点图，若存在明显趋势则可能异方差；②Breusch-Pagan检验：将残差平方对解释变量回归，检验系数是否显著；③White检验：将残差平方对解释变量、解释变量平方及交叉项回归，检验显著性。应对措施：①使用异方差稳健标准误（如White标准误）；②对变量进行变换（如对数变换）；③使用加权最小二乘法（WLS），权重为残差方差的倒数。2.步骤：①提出假设：原假设H0为序列存在单位根（非平稳），备择假设H1为无单位根（平稳）；②估计回归方程：Δy_t=α+βy_t-1+ε_t（ADF检验需加入滞后差分项以消除自相关）；③计算t统计量（ADF统计量），与临界值比较：若ADF统计量小于临界值，则拒绝原假设，认为序列平稳。经济意义：单位根存在说明序列具有随机游走特征，过去的冲击对当前值有永久影响，若用于回归会导致“伪回归”，单位根检验可避免伪回归问题。3.应用场景：①期权定价：如Black-Scholes模型需模拟资产价格路径，蒙特卡洛可生成大量路径计算期权期望收益；②风险价值（VaR）：模拟资产组合未来收益的分布，计算特定置信水平下的最大损失；③战略资产配置：模拟不同资产配置比例下的长期收益与风险，辅助决策；④养老基金负债估值：模拟未来利率、死亡率等变量，估计负债的现值。4.核心区别：监督学习有明确的目标变量（标签），模型通过学习输入变量与目标变量的关系进行预测；无监督学习无目标变量，模型通过挖掘数据内在结构进行分类或降维。例子：监督学习——用线性回归预测股票收益率（目标变量为连续的收益率）；无监督学习——用聚类分析（如k-means）将股票按财务指标分组，识别行业板块。五、讨论题答案1.成因：解释变量之间存在高度线性相关（如收入与消费、同行业公司的营收与利润）。影响：①系数估计量的方差增大（标准误变大），导致t检验不显著，难以区分变量的单独影响；②系数符号可能与经济理论不符；③模型稳定性差，样本微小变化导致系数大幅波动。缓解方法：①删除高度相关的变量（如VIF>10的变量）；②合并相关变量（如用主成分分析将多个相关变量合成一个因子）；③增加样本量（降低方差）；④使用正则化方法（如Lasso或Ridge回归），通过惩罚项减少系数的方差。2.GARCH模型捕捉的特征：①波动聚类：大的波动后跟着大的波动，小的波动后跟着小的波动；②条件方差的持续性：α+β越接近1，波动持续性越强；③对称性（GARCH(1,1)本身对称，扩展模型如EGARCH可捕捉非对称性）。在VaR计算中的作用：VaR衡量一定置信水平下的最大损失，需估计资产收益的条件方差（波动率）。GARCH模型能动态估计条件方差，反映当前市场波动的变化，比静态波动率（如历史波动率）更准确，尤其在市场波动剧烈时，GARCH-basedVaR能更好捕捉风险。3.协整的重要性：金融市场中许多变量看似非平稳（如股价、汇率），但它们的线性组合可能平稳（协整），协整关系反映了变量之间的长期均衡关系，避免伪回归。配对交易应用：选择两只协整的股票（如同一行业的两家公司），当它们的价格偏离长期均衡（残差超过阈值）时，买入被低估的股票，卖出被高估的股票，等待回归均衡时平仓。例如，若股票A和B协整，回归方程为A_t=α+βB_t+ε_t，当ε_t>2σ时，A被高估，B被低估，卖A买B；当ε_t<-2σ时，反之。协整保证了偏离是暂时的，策略有盈利空间。4.主要挑战：①数据过拟合：模型在训练数据上表现好，但测试数据差，因捕捉了噪声而非规律；②可解释性差（黑箱问题）：如神经网络模型难以解释变量的影响，不符合监管要求；