2020CFA二级《数量方法》真题及答案解析比教材还好懂

2020CFA二级《数量方法》真题及答案解析比教材还好懂

一、单项选择题（总共10题，每题2分）1.以下哪种分布常用于描述金融市场中资产收益率的分布特征？A.均匀分布B.正态分布C.泊松分布D.卡方分布2.在时间序列分析中，自回归（AR）模型的阶数p表示：A.过去p期的观测值对当前值的影响B.模型中使用的外生变量的数量C.模型的预测期数D.模型的误差项的阶数3.若一个随机变量X的概率密度函数为对称的，但尾部比正态分布更厚，那么X可能服从：A.对数正态分布B.学生t分布C.指数分布D.二项分布4.条件异方差模型（ARCH）主要用于刻画金融时间序列的哪种特征？A.序列相关性B.条件均值的波动C.条件方差的波动D.偏态性5.回归分析中，调整后的R²与R²相比，其优点在于：A.考虑了模型中自变量的数量B.数值始终大于R²C.更适合小样本数据D.不依赖于因变量的取值范围6.在蒙特卡罗模拟中，用于生成随机数的方法是基于：A.均匀分布B.正态分布C.二项分布D.伽马分布7.如果一个时间序列的自相关系数在较长的滞后期都显著不为零，那么该序列可能是：A.平稳序列B.白噪声序列C.非平稳序列D.季节性序列8.以下关于多元线性回归模型中异方差性的说法，正确的是：A.异方差性不影响参数估计的无偏性B.异方差性会导致参数估计的标准误减小C.异方差性不会影响假设检验的结果D.异方差性总是存在于时间序列数据中9.在使用最小二乘法估计回归模型参数时，其目标是：A.使残差的和最小B.使残差的绝对值之和最小C.使残差的平方和最小D.使残差的最大值最小10.对于一个ARIMA(p,d,q)模型，d表示：A.自回归的阶数B.差分的阶数C.移动平均的阶数D.模型的总阶数二、填空题（总共10题，每题2分）1.若随机变量X服从均值为μ，标准差为σ的正态分布，则X的标准化变量Z=__________。2.在时间序列分析中，平稳序列的均值、方差和自协方差不随__________的推移而变化。3.回归分析中，残差是指观测值与__________之间的差值。4.ARCH模型是由__________提出的，用于描述金融时间序列的条件异方差性。5.蒙特卡罗模拟的基本思想是通过大量的__________来估计复杂系统的特征。6.多元线性回归模型中，若自变量之间存在高度的线性相关关系，则称存在__________问题。7.时间序列的季节性是指序列在固定的__________内呈现出重复的模式。8.在假设检验中，犯第一类错误的概率称为__________。9.若一个随机变量X的概率分布函数F(x)是单调递增的，则F(x)的取值范围是__________。10.自相关函数用于衡量时间序列中不同__________之间的相关性。三、判断题（总共10题，每题2分）1.正态分布是一种连续型概率分布，其概率密度函数呈钟形曲线。（）2.时间序列的平稳性是进行时间序列分析的必要前提。（）3.回归分析中的R²越接近1，说明模型的拟合效果越好。（）4.ARCH模型只能用于描述时间序列的条件方差的短期波动。（）5.在蒙特卡罗模拟中，生成的随机数越多，模拟结果越准确。（）6.多元线性回归模型中，增加自变量的数量一定会使R²增大。（）7.季节性序列一定是非平稳序列。（）8.假设检验中，当p值小于显著性水平α时，拒绝原假设。（）9.均匀分布的随机变量在其取值范围内的概率密度是恒定的。（）10.自相关系数的取值范围是[-1,1]，绝对值越接近1，相关性越强。（）四、简答题（总共4题，每题5分）1.简述正态分布的主要特征。2.说明时间序列平稳性的重要性。3.解释回归分析中多重共线性的含义及影响。4.阐述蒙特卡罗模拟的基本步骤。五、讨论题（总共4题，每题5分）1.讨论在金融市场中，如何运用时间序列分析来预测资产价格的走势。2.分析回归分析中异方差性对模型估计和检验的影响，并提出相应的解决方法。3.探讨在实际应用中，如何选择合适的概率分布来描述金融数据的特征。4.谈谈你对条件异方差模型（如GARCH）在金融风险管理中的作用的理解。答案及解析一、单项选择题1.B。正态分布常用于描述金融市场中资产收益率的分布特征，虽然实际收益率可能存在一定偏差，但它是一个重要的基础分布。2.A。自回归（AR）模型的阶数p表示过去p期的观测值对当前值的影响。3.B。学生t分布的概率密度函数为对称的，且尾部比正态分布更厚。4.C。条件异方差模型（ARCH）主要用于刻画金融时间序列的条件方差的波动。5.A。调整后的R²考虑了模型中自变量的数量，避免了单纯增加自变量导致R²虚高的问题。6.A。蒙特卡罗模拟中，通常基于均匀分布生成随机数，再通过变换得到其他分布的随机数。7.C。如果一个时间序列的自相关系数在较长的滞后期都显著不为零，那么该序列可能是非平稳序列。8.A。异方差性不影响参数估计的无偏性，但会影响参数估计的有效性和假设检验的结果。9.C。使用最小二乘法估计回归模型参数时，目标是使残差的平方和最小。10.B。对于一个ARIMA(p,d,q)模型，d表示差分的阶数。二、填空题1.(X-μ)/σ2.时间3.回归模型预测值4.罗伯特·恩格尔（RobertF.Engle）5.随机抽样6.多重共线性7.时间间隔8.显著性水平α9.[0,1]10.时期三、判断题1.√。正态分布是连续型概率分布，其概率密度函数呈钟形曲线。2.√。时间序列的平稳性是进行时间序列分析的必要前提，非平稳序列可能导致错误的分析结果。3.√。回归分析中的R²越接近1，说明模型对数据的拟合效果越好。4.×。ARCH模型不仅能描述时间序列的条件方差的短期波动，扩展的GARCH模型还能处理长期波动。5.√。在蒙特卡罗模拟中，生成的随机数越多，模拟结果越接近真实值。6.√。多元线性回归模型中，增加自变量的数量一定会使R²增大，但可能存在过拟合问题。7.×。季节性序列可以通过适当的处理转化为平稳序列。8.√。假设检验中，当p值小于显著性水平α时，拒绝原假设。9.√。均匀分布的随机变量在其取值范围内的概率密度是恒定的。10.√。自相关系数的取值范围是[-1,1]，绝对值越接近1，相关性越强。四、简答题1.正态分布是连续型概率分布，其概率密度函数呈钟形对称，对称轴为均值μ。均值、中位数和众数相等。具有可加性，即多个独立的正态分布随机变量的线性组合仍服从正态分布。其大部分数据集中在均值附近，约68%的数据落在均值加减1个标准差范围内，约95%落在均值加减2个标准差范围内，约99.7%落在均值加减3个标准差范围内。2.时间序列平稳性对分析非常重要。平稳序列的均值、方差和自协方差不随时间变化，这样基于历史数据得出的统计规律可以用于预测未来。如果序列非平稳，模型参数可能随时间变化，导致预测结果不准确。平稳性也是许多时间序列分析方法（如ARMA、ARIMA模型）的应用前提，只有平稳序列才能使用这些模型进行有效的建模和分析。3.多重共线性是指多元线性回归模型中自变量之间存在高度的线性相关关系。其影响包括：参数估计的方差增大，导致估计值不稳定；可能使参数的符号与理论预期不符；影响自变量的显著性检验，可能导致原本显著的自变量变得不显著。最终可能使模型的预测能力下降，无法准确反映自变量与因变量之间的真实关系。4.蒙特卡罗模拟的基本步骤为：首先，确定问题和目标，明确要模拟的系统和需要估计的特征。然后，选择合适的概率分布来描述输入变量的不确定性。接着，使用随机数生成器从所选分布中抽取样本。之后，根据系统的逻辑和规则，利用抽取的样本进行模拟计算。最后，对大量模拟结果进行统计分析，得到所需的估计值和置信区间。五、讨论题1.在金融市场中运用时间序列分析预测资产价格走势，首先要对资产价格序列进行平稳性检验。若序列非平稳，可通过差分等方法使其平稳。然后根据自相关函数（ACF）和偏自相关函数（PACF）的特征选择合适的时间序列模型，如AR、MA、ARMA或ARIMA模型。利用历史数据对模型进行参数估计和检验，确保模型的有效性。最后，使用估计好的模型对未来的资产价格进行预测，并根据新的数据不断调整模型，以提高预测的准确性。2.异方差性会影响回归模型估计的有效性，使得参数估计的标准误不准确，若忽略异方差性，会导致假设检验的结果不可靠，可能会错误地拒绝或接受原假设。解决方法包括加权最小二乘法，通过给不同的观测值赋予不同的权重来消除异方差的影响；使用怀特检验后的稳健标准误，它可以在存在异方差时提供更可靠的假设检验结果；还可以对数据进行变换，如取对数等，来减轻异方差性。3.在实际应用中，选择合适的概率分布描述金融数据特征，需要考虑数据的特征。若数据呈现对称分布且尾部较薄，正态分布是一个初步选择，但金融数据常存在尖峰厚尾现象，此时学生t分布可能更合适。对于描述股价、汇率等数据，对数正态分布也较为常用，因为这些变量通常为正数。还可以通过绘制直方图、QQ图等直观方法，结合统计检验来判断数据与