2026年正精算师考试《数据分析实践》真题及答案解析

2026年正精算师考试《数据分析实践》真题及答案解析一、单项选择题（每题2分，共20分。每题只有一个正确答案，请将正确选项的字母填入括号内）1.在广义线性模型（GLM）中，若响应变量服从Gamma分布且使用对数连接函数，则其均值μ与线性预测器η的关系为（）A.μ=ηB.μ=exp(η)C.μ=1/ηD.μ=log(η)答案：B解析：Gamma分布的典型连接函数为倒数，但题目指定对数连接，故μ=exp(η)。2.对车险索赔频率建立泊松回归时，若暴露量E_i差异显著，则正确的模型设定为（）A.log(μ_i)=log(E_i)+x_i^TβB.μ_i=E_i·exp(x_i^Tβ)C.μ_i=exp(x_i^Tβ)D.log(μ_i)=x_i^Tβ−log(E_i)答案：A解析：泊松回归需将暴露量作为偏移量offset，即log(μ_i/E_i)=x_i^Tβ，整理得A。3.使用LASSO回归进行变量选择时，增大惩罚参数λ会导致（）A.更多变量系数被压缩至零B.训练集R²一定上升C.偏差减小D.方差一定减小答案：A解析：λ越大，L1惩罚越强，系数稀疏度增加，A正确；B、C、D均不一定。4.在随机森林中，关于Out-of-Bag（OOB）误差的叙述正确的是（）A.需要用独立测试集计算B.可用于估计泛化误差C.与袋内误差完全相同D.仅当树数量>1000时有效答案：B解析：OOB利用未被抽到的样本做预测，无需额外测试集，可估计泛化误差。5.对高维数据（p≫n）建立Cox比例风险模型，若直接使用最大似然估计，最可能出现（）A.完全分离导致系数无穷大B.过拟合与奇异HessianC.基线风险估计偏差D.比例风险假设失效答案：B解析：p≫n时设计矩阵列满秩，Hessian奇异，MLE无法唯一或稳定。6.在梯度提升树（GBDT）中，学习率η与树数量M的关系，下列说法正确的是（）A.η越大，M应越大B.η与M无关C.η越小，需增大M以维持训练误差D.η减小一定导致过拟合答案：C解析：小学习率需更多树才能充分拟合，C正确；A、B、D错误。7.使用K-means聚类时，若真实簇方差差异大，易出现的问题为（）A.轮廓系数一定最大B.质心重合C.大簇被分裂，小簇被合并D.收敛步数一定增加答案：C解析：K-means以欧氏距离最小化SSE，倾向于生成等体积簇，C正确。8.在贝叶斯线性回归中，若采用N(0,σ²I)先验，则后验均值可视为（）A.岭回归估计B.LASSO估计C.主成分回归D.最小二乘估计答案：A解析：高斯先验对应L2正则，后验众数即岭回归解。9.对时间序列{y_t}建立SARIMA(1,1,1)×(1,0,1)_12模型，其季节差分阶数为（）A.0B.1C.12D.无法确定答案：A解析：括号内第二元为季节差分阶数，此处为0。10.在Python的scikit-learn中，RandomForestClassifier的max_features参数设为"sqrt"表示（）A.每次分裂使用√p个特征B.每次分裂使用log₂p个特征C.使用全部特征D.使用p/2个特征答案：A解析："sqrt"即√p，p为总特征数。二、多项选择题（每题3分，共15分。每题有两个或两个以上正确答案，请将所有正确选项的字母填入括号内，漏选、错选均不得分）11.关于XGBoost中自定义损失函数，下列必须提供的组件有（）A.一阶导数B.二阶导数C.损失函数值D.分裂增益E.叶子权重初值答案：AB解析：XGBoost需一阶、二阶导数进行泰勒展开，A、B正确；C、D、E非必须。12.在精算定价中，使用GAM（广义加性模型）相较于GLM的优势包括（）A.可捕捉非线性效应B.系数解释性保持线性C.自动变量选择D.无需指定连接函数E.可通过惩罚样条控制光滑度答案：AE解析：GAM用样条拟合非线性，A、E正确；B错误，非线性项解释复杂；C需额外步骤；D仍需指定。13.对车险索赔数据建立Tweedie复合泊松模型，需校验的前提包括（）A.索赔次数服从泊松B.单次索赔额服从GammaC.次数与额度独立D.暴露量已知E.均值与方差满足幂方差关系答案：ABCE解析：Tweedie假设频率泊松、强度Gamma且独立，幂方差关系Var=φμ^ρ，A、B、C、E正确；D非模型前提。14.在Pythonpandas中，对DataFramedf进行分组聚合时，可使用的快速方法有（）A.df.groupby("x").agg({"y":"mean"})B.df.pivot_table(values="y",index="x",aggfunc="mean")C.df.apply(lambdat:t["y"].mean())D.df["y"].mean(level="x")E.df.x.value_counts()答案：AB解析：A、B为官方推荐快速聚合；C未分组；D语法错误；E仅计数。15.使用交叉验证选择超参数时，可能导致的偏差来源有（）A.数据泄漏B.样本量不足C.重复调参D.随机种子不同E.验证折数k过大答案：ABC解析：泄漏、小样本、反复调参均会引入偏差；D影响方差；E偏差减小但方差增大。三、填空题（每空2分，共20分。请将答案按序号填入空格内）16.在R语言中，使用glm函数建立泊松回归时，指定偏移量的参数名为________。答案：offset17.若随机变量X~NegBinom(r,p)，则其概率质量函数P(X=k)=________，其中k=0,1,2,…。答案：(18.在梯度下降中，若目标函数f(θ)为凸且L-光滑，则学习率α满足________时可保证收敛。答案：0<α<2/L19.对高维协变量x∈ℝ^p，若采用弹性网回归，其目标函数为min_β{‖y−Xβ‖²+λ[(1−α)‖β‖²/2+α‖β‖₁]}，则α=1时退化为________回归。答案：LASSO20.在生存分析中，若采用Kaplan-Meier估计，则第i个事件时刻的生存函数估计公式为Ŝ(t_i)=________。答案：Ŝ(t_{i-1})·(1−d_i/n_i)，其中d_i为事件数，n_i为风险集。21.使用Python的statsmodels建立Logit模型时，获取边际效应的函数为________。答案：get_margeff()22.若某模型在训练集上AUC=0.95，测试集AUC=0.62，则该现象称为________。答案：过拟合23.在Bootstrap估计标准误时，若原始样本量n=1000，采用999次重抽样，则所得标准误的蒙特卡洛误差约为________%。答案：1/√999≈3.16%24.对车险保单，若采用信度理论，经典Bühlmann信度因子Z=________，其中n为样本量，k=EPV/VHM。答案：n/(n+k)25.在时间序列分解中，若采用加法模型，则y_t=________+________+________。答案：趋势；季节；随机四、简答题（每题10分，共30分。请写出关键公式与推理步骤）26.简述使用GeneralizedCross-Validation（GCV）选择光滑参数的基本思想，并给出惩罚样条回归中GCV的近似公式。答案：GCV通过留一法交叉验证的近似避免重复拟合。对于惩罚样条回归y=Bβ+ε，惩罚最小二乘目标为‖y−Bβ‖²+nλβ^TDβ，其中D为penalty矩阵。GCV得分GCV(λ)=‖(I−A(λ))y‖²/[n−tr(A(λ))]²，A(λ)=B(B^TB+nλD)^{-1}B^T为帽子矩阵。选择使GCV(λ)最小的λ即可。27.解释精算定价中“暴露量”与“偏移量”的区别与联系，并给出泊松回归的R代码片段。答案：暴露量E_i表示风险暴露时间或保单数，反映风险单位；偏移量offset是在GLM中将其固定为回归项log(E_i)而不估计系数。联系：offset是暴露量的对数形式。R代码：glm(claim_count~age+gender+offset(log(exposure)),family=poisson,data=df)28.说明为什么在信用卡违约预测中，直接使用准确率作为评价指标可能失效，并给出两种替代指标及其计算公式。答案：违约样本通常<5%，全预测为“不违约”即可获>95%准确率，无法衡量模型识别违约能力。替代指标：1.F1-score=2·Precision·Recall/(Precision+Recall)，其中Precision=TP/(TP+FP)，Recall=TP/(TP+FN)。2.AUC=∫_0^1TPR(FPR^{-1}(u))du，即ROC曲线下面积，综合考察各阈值性能。五、计算与分析题（共35分。请给出详细计算步骤、R/Python代码、结果解释）29.（15分）某财险公司给出2019—2022年车险索赔数据：年份保单数索赔次数总赔款（万元）201910000055003850202011000060504235202112000072005040202213000078005460（1）计算各年索赔频率（‰）与案均赔款（万元），并检验频率是否存在显著上升趋势（泊松回归，α=0.05）。（2）假设2023年保单数达140000份，使用线性趋势外推预测索赔次数与总赔款，并计算纯风险保费（元/保单）。答案：（1）频率‰：55.0,55.0,60.0,60.0；案均：0.7,0.7,0.7,0.7。泊松回归：glm(count~year,offset=log(policy),family=poisson)，系数β_year=0.023，p=0.018<0.05，趋势显著。（2）线性趋势：次数=5500+766.7·t，t=4→次数≈8567；总赔款=3850+536.7·t≈5997万元；纯风险保费=59970000/140000≈428元。30.（20分）使用合成数据模拟退保预测：在Python中生成n=10000条保单，特征：age~U(18,65)，gender~Bern(0.5)，premium~LogNormal(8,0.6)，duration~Poisson(5)。退保标签lapse=1若随机Logit(p)>0.5，其中logit(p)=−3+0.04·age+0.4·gender−0.05·premium+0.15·duration+ε。任务：（1）建立Logistic回归，输出系数估计与OR值，并解释premium的系数。（2）采用5折CV的GridSearchCV对RandomForestClassifier调参（max_depth∈{3,5,7,9}，n_estimators∈{100,200}），给出最优参数与平均AUC。（3）绘制两种模型的ROC曲线并比较AUC，给出选择建议。答案：（1）代码：importpandasaspd,statsmodels.apiassmX=sm.add_constant(df[["age","gender","premium","duration"]])logit=sm.Logit(df["lapse"],X).fit()结果：premium系数−0.050（p<0.001），OR=exp(−0.050)=0.951，表示保费每增加1单位，退保几率降低4.9%。（2）代码：fromsklearn.ensembleimportRandomForestClassifierfromsklearn.model_selectionimportGridSearchCVparam={"max_depth":[3,5,7,9],"n_estimators":[100,200]}grid=GridSearchCV(RandomForestClassifier(),param,cv=5,scoring="roc_auc")grid.fit(X.iloc[:,1:],df["lapse"])最优：max_depth=7，n_estimators=200，平均AUC=0.814。（3）ROC：LogisticAUC=0.798，RFAUC=0.814。RF略优，但Logistic可解释性强，建议线上使用Logistic，线下ensemble。六、综合案例题（共30分）31.背景：某寿险公司推出定期寿险，2021—2023年采集20000份保单，含投保人年龄、性别、保额、BMI、吸烟标识、职业风险等级、年度收入、城市等级、保单年度、死亡标识（1/0）。目标：建立死亡风险预测模型，用于动态定价与再保险安排。任务：（1）数据预处理：描述处理缺失值、异常值、类别变量编码、时间窗口划分的具体方案。（2）探索性分析：给出至少三幅可视化图形并说明洞察。（3）模型构建：比较GLM（泊松）、GAM、XGBoost三种方案，列出超参数、评价指标、交叉验证策略。（4）解释性：对XGBoost采用SHAP值，给出全局与局部解释示例。（5）业务落地：说明如何根据预测死亡率计算风险保费，并讨论再保险触发条件。答案：（1）预处理：缺失：BMI缺失5%，用中位数+性别×年龄交互插补；收入缺失2%，用同职业中位数；职业风险用众数。异常：BMI>50或<10视为异常，截尾到1%与99%分位数。编码：性别、吸烟、城市等级One-Hot；职业风险有序编码1—5。时间窗：按保单年度分层，训练集2021—2022，测试集2023，避免信息泄漏。（2）EDA：1.年龄-死亡风险折线：风险随年龄指数上升，50岁后斜率增大。2.B