2026年风控招聘笔试题目及答案

2026年风控招聘笔试题目及答案一、单项选择题1.在信贷业务中，以下哪种风险通常被归类为“操作风险”？A.由于宏观经济衰退导致借款人整体违约率上升。B.借款人的信用评分模型存在设计缺陷，导致高风险客户被错误地授予低利率。C.银行交易系统发生故障，导致当日所有交易失败并产生巨额财务损失。D.央行突然提高基准利率，导致银行融资成本上升。答案：C解析：操作风险是指由不完善或有问题的内部程序、人员、系统以及外部事件所造成损失的风险。选项A属于信用风险（系统性部分），选项B属于模型风险（可归入操作风险，但更具体），选项C是典型的由系统故障引发的操作风险事件，选项D属于市场风险（利率风险）。2.关于VAR（在险价值）模型，以下说法错误的是：A.VAR是指在给定的置信水平（如95%）和持有期内，某一金融资产或组合可能遭受的最大损失。B.VAR模型可以描述资产组合在极端情况下的损失情况，即“尾部风险”。C.计算VAR的方差-协方差法假设资产收益率服从正态分布。D.历史模拟法计算VAR完全依赖于历史数据，不需要对资产收益的分布做任何假设。答案：B解析：VAR模型描述的是在正常市场条件下、给定置信水平下的最大损失估计，它并不能充分捕捉和描述极端市场情况下的损失（即“尾部风险”）。压力测试和预期短缺（ES）等工具才是用来衡量尾部风险更有效的方法。A、C、D选项均为VAR模型的正确描述。3.在反欺诈领域，使用图计算技术主要用来识别什么类型的风险？A.识别单个账户的异常交易行为。B.评估借款人的偿债能力。C.侦测通过复杂关联关系构成的团伙欺诈。D.预测市场的整体波动率。答案：C解析：图计算技术通过构建“节点”（如用户、设备、IP地址）和“边”（如交易关系、登录关联、社交关系）的网络图，能够有效发现隐藏在复杂关系网络中的欺诈团伙，这是传统基于规则或单点模型难以发现的。选项A通常用行为序列模型或异常检测算法，选项B属于信用风险评估，选项D属于市场风险管理。4.在构建信用评分卡模型时，通常将样本分为开发样本、验证样本和时序外样本。划分时序外样本（Out-of-TimeSample）最主要的目的是：A.用于模型参数的初步估计。B.用于变量筛选和模型结构确定。C.用于评估模型在时间维度上的稳定性和预测能力。D.用于与逻辑回归等算法进行性能对比。答案：C解析：时序外样本是从与开发样本、验证样本不同时间窗口抽取的样本。其主要目的是检验模型在未来一段时间（即不同于建模时段）的表现，评估模型在时间维度上的稳定性和泛化能力，这是验证模型能否真正投入生产使用的关键一步。A、B选项是开发样本和验证样本的作用，D选项不是划分样本的核心目的。5.根据《巴塞尔协议III》，商业银行的一级资本充足率最低要求为多少？A.4.5%B.6%C.8%D.10.5%答案：A解析：《巴塞尔协议III》规定，商业银行的普通股一级资本充足率最低要求为4.5%，一级资本充足率最低要求为6%，总资本充足率最低要求为8%。此外，还需满足2.5%的资本留存缓冲和0-2.5%的逆周期资本缓冲。因此，不含缓冲的最低核心要求是4.5%。二、多项选择题1.以下哪些指标常用于评估二分类模型（如违约预测模型）的性能？（多选）A.KS值（Kolmogorov-Smirnov）B.AUC（AreaUnderROCCurve）C.准确率（Accuracy）D.基尼系数（GiniCoefficient）E.召回率（Recall）答案：A,B,D,E解析：在风控信用评分模型中，AUC、KS值、基尼系数（Gini=2*AUC-1）是评估模型排序能力和区分度的核心指标。召回率（或称查全率）在反欺诈等场景中关注对正例（如欺诈交易）的捕捉能力，也常用。准确率在不平衡数据（如违约率很低）中参考价值有限，容易产生误导，因此不是首选评估指标。2.下列哪些属于典型的流动性风险监测指标？（多选）A.流动性覆盖率（LCR）B.净稳定资金比例（NSFR）C.贷款价值比（LTV）D.累计缺口（CumulativeGap）E.在险价值（VAR）答案：A,B,D解析：A和B是《巴塞尔协议III》引入的全球统一的流动性风险量化指标，LCR关注短期压力情景下的流动性，NSFR关注中长期资金匹配。D（累计缺口）是传统的流动性缺口分析方法，用于衡量未来各时间段内的资金净需求。C（贷款价值比）是信用风险控制指标，用于抵押贷款。E（在险价值）是市场风险计量指标。3.在互联网信贷反欺诈中，以下哪些属于“设备指纹”技术可以采集并用于风险识别的信息？（多选）A.设备的操作系统版本和型号。B.设备上安装的App列表。C.设备的GPS地理位置。D.设备连接Wi-Fi的SSID名称。E.设备的电池剩余电量。答案：A,B,D解析：设备指纹技术通过采集设备硬件、软件、网络等多维度静态和动态信息，生成设备的唯一或准唯一标识。A、B、D都是可用于构成设备指纹的典型信息。C（GPS位置）属于用户行为和环境信息，通常不直接用于生成设备指纹，而是用于地理位置欺诈分析。E（电池电量）与设备风险关联度低，通常不用于核心的风控识别。4.关于压力测试，以下说法正确的有：（多选）A.压力测试包括敏感性测试和情景测试。B.压力测试的情景设计必须基于历史真实发生过的极端事件。C.压力测试有助于评估银行的资本充足情况在极端条件下的稳健性。D.压力测试的结果通常用于制定风险缓释措施和应急预案。E.压力测试仅适用于市场风险和信用风险。答案：A,C,D解析：A正确，敏感性测试关注单一风险因子的剧烈变动，情景测试考虑多种风险因子同时变化的复杂情景。B错误，压力测试情景可以基于历史事件，也可以是假设的、历史上未发生但可能发生的极端情景。C和D正确，压力测试的核心目的就是评估极端损失、资本充足性和制定应对策略。E错误，压力测试适用于信用风险、市场风险、操作风险、流动性风险等多种风险类型。三、计算题1.某银行信用卡中心构建了一个违约预测模型。已知在测试集上，模型预测为正例（预测违约）且实际也为正例（真实违约）的样本数为80（TP），预测为正例但实际为负例（未违约）的样本数为120（FP），预测为负例但实际为正例的样本数为20（FN）。请计算该模型的精确率（Precision）和召回率（Recall）。答案：精确率Pr召回率Re解析：精确率关注的是模型预测出的“违约”客户中有多少是真正违约的，反映了预测的“准确性”。召回率关注的是所有真实违约的客户中，模型成功预测出了多少，反映了模型的“查全能力”。在本例中，模型抓住了大部分违约客户（召回率高），但预测为违约的人群中误判较多（精确率低）。2.假设一个贷款组合包含两笔贷款。贷款A的违约概率（PD）为2%，违约损失率（LGD）为50%，风险暴露（EAD）为100万元。贷款B的PD为5%，LGD为60%，EAD为200万元。假设两笔贷款的违约相互独立。请计算该组合的预期损失（EL）。答案：贷款A的预期损失：E=贷款B的预期损失：E=组合的预期损失：E=解析：预期损失是风险损失的长期平均估计，具有可预见性，通常通过计提拨备来覆盖。计算公式为EL3.某金融科技公司使用逻辑回归模型预测用户违约概率。模型的一个特征“近3个月征信查询次数”的系数为β=0.8。已知逻辑回归模型的形式为ln答案：几率（Odds）定义为。根据逻辑回归模型，ln(当特征x增加1单位时，新的对数几率为：ln因此，ln(O所以，几率比==这意味着，在控制其他变量不变的情况下，用户近3个月征信查询次数每增加1次，其违约的几率（Odds）将变为原来的约2.23倍。解析：逻辑回归中，特征系数的指数（）即为该特征的几率比（OR）。OR>1表示该特征是风险因素，值越大风险越高；OR<1表示是保护因素。本题中OR约为2.23，显著大于1，说明征信查询次数是强风险因子。四、简答题1.请简述在信贷业务中，如何利用行为评分卡（BehaviorScorecard）进行贷中风险管理。答案：行为评分卡是基于客户开户后的行为数据（如还款记录、额度使用率、交易频率、互动行为等）构建的模型，用于贷中风险动态管理。主要应用包括：（1）风险预警与客户分层：定期对存量客户进行评分，将客户划分为低、中、高风险群，对中高风险客户进行重点监控。（2）额度动态管理：对评分高、行为良好的客户提供临时或永久提额；对评分下降、风险增高的客户实施降额或冻结额度。（3）催收策略优化：在逾期早期，根据行为评分预测客户还款可能性，差异化制定催收策略（如短信提醒、智能语音、人工介入等），提高催收效率。（4）交叉销售与客户保留：识别低风险且具有潜力的客户，进行精准的交叉销售，同时对于可能流失的优质客户采取保留措施。（5）早期风险干预：对于评分持续恶化的客户，在尚未逾期前，通过客服沟通等方式进行早期干预，了解情况并尝试解决问题。2.请解释什么是“模型风险”，并列举两种在风控模型生命周期中可能产生模型风险的具体环节。答案：模型风险是指由于使用了不准确或不适当的模型进行决策、估值或风险计量，从而导致财务损失、业务决策失误或其他不利后果的风险。在模型生命周期中可能产生模型风险的环节包括：（1）模型开发阶段：数据质量问题：使用存在样本偏差、标签错误、大量缺失值或历史数据无法代表未来情况的数据进行建模，导致模型存在固有缺陷。特征工程缺陷：使用了未来信息（Look-aheadBias），或特征在业务上不可解释、不稳定，导致模型上线后性能迅速衰减。算法选择不当：对于非线性、复杂关系的数据，选择了过于简单的线性模型，导致欠拟合；或对于小样本数据使用了过于复杂的深度学习模型，导致过拟合。（2）模型部署与监控阶段：模型上线部署错误：开发环境与生产环境的代码、数据预处理逻辑不一致，导致线上预测结果与测试结果不符。模型性能监控缺失或失效：未建立有效的模型性能监控体系，未能及时发现模型因市场环境、客户群体变化（即概念漂移）而导致的预测能力下降，继续使用失效模型做出错误决策。五、案例分析题案例背景：“速达金服”是一家主营线上小额现金贷的金融科技公司，其产品特点是期限短（7-30天）、金额小（1000-5000元）、纯信用、无抵押、审批快。近期，公司发现虽然整体不良率控制在目标范围内，但“首逾率”（即首次到期即逾期不还的比例）在部分新推广的渠道有明显上升。同时，反欺诈团队报告发现一种新型骗贷模式：欺诈分子利用非法获取的个人信息，配合改机软件和虚拟运营商号码，批量申请贷款，得手后即消失。问题：1.针对“首逾率”在部分新渠道上升的问题，作为风控分析师，你将从哪些维度进行深入分析？2.为应对上述新型团伙欺诈，请设计一个结合了传统规则和机器学习模型的反欺诈方案框架。答案：1.针对“首逾率”上升的分析维度：渠道维度深度分析：对比首逾率升高渠道与正常渠道的客群特征差异，如年龄分布、地域分布、设备类型、申请时段、来源媒介标签等。分析该渠道的流量质量，是否存在渠道方作弊（如引导用户虚假填写信息）或流量劫持。申请行为分析：分析该渠道申请客户的申请行为序列，如填写速度、修改次数、是否复制粘贴、是否在非正常时间（如凌晨）集中申请。对比正常客户，识别异常模式。信贷表现关联分析：将首逾客户与审批时的信用评分、多头借贷数据、反欺诈评分进行回溯关联。检查模型在该渠道客群上是否出现了评分失效或区分度下降的情况（即模型漂移）。外部环境分析：检查在该渠道推广期间，是否有相关的负面舆情、政策变化，或是否进入了新的地域市场，当地信用环境与原有市场不同。运营因素排查：检查该渠道的营销话术、产品介绍是否存在误导，导致客户对贷款成本、还款方式产生误解而拒绝还款。2.反欺诈方案框架设计：数据层增强：多维度信息采集：强化设备指纹（包括对抗改机软件的深度设备信息获取）、地址信息（收货地址、工作地址一致性校验）、生物识别（如活体检测）。网络关系数据构建：采集并关联申请人的手机号、设备、IP、Wi-Fi、紧急联系人等信息，实时构建申请关联网络。规则引擎（实时拦截）：黑名单规则：接入行业共享黑名单，对已知欺诈分子、问题手机号、设备、IP进行直接拦截。刚性规则：如“申请时年龄<18岁”、“同一设备24小时内申请次数>5次”、“设备疑似安装改机软件”等，直接拒绝。聚集性规则：实时计算并设置阈值，如“同一IP段1小时内申请数”、“同一Wi-Fi下申请数”、“关联网络中度中心性过高”等，对超过阈值的申请进行拦截或转入人工审核。机器学习模型层（实时评分与调查）：无监督学习模型：使用聚类算法（如基于申请特征的聚类）或异常检测算法（如孤立森林），从全体申请中识别出与正常模式差异显著的异常群体，作为欺诈嫌疑线索。有监督学习模型：个体欺诈识别模型：使用GBDT、神经网络等算法，基于用户画像、申请行为、设备信息、历史表现等特征，预测单笔申请为欺诈的概率。团伙欺诈识别模型：基于图神经网络（GNN）或社区发现算法，对实时构建的申请关联网络进行分析，识别出具有紧密连接、行为同步等特征的潜在欺诈团伙子图。模型输出：将个体欺诈评分、团伙风险标签、无监督异常分数进行融合，生成最终的综合欺诈风险分。决策与处置层：策略路由：根据综合欺诈风险分和规则命中情况，将申请路由至“自动通过”、“自动拒绝”、“人工审核”或“补充材料”等流程。案件调查平台：对于转入人工的案件，提供可视化的关联网络图、风险标签、历史行为轨迹，辅助审核人员快速判断。反馈与迭代层：案件标注：将人工审核结果、贷后表现（是否首逾、是否失联）及时标注，形成高质量的欺诈标签。模型与规则持续迭代：利用新标注的数据定期重新训练机器学习模型，并基于新的欺诈模式发现，增补和优化规则库。六、论述题请论述在大数据与人工智能技术广泛应用于风险管理的背景下，传统风险管理框架（如三道防线）面临的挑战与演进方向。答案：挑战：1.技术复杂性带来的专业鸿沟：AI模型（如深度学习）的“黑箱”特性，使得模型开发、验证、监控需要高度专业化的数据科学家团队。传统的业务、风险管理人员可能难以深入理解模型逻辑，导致第二、三道防线在模型风险管理上履职困难，出现“模型盲从”或“无法有效挑战”的局面。2.风险形态的快速演变：数字化业务使得欺诈、信用风险等表现出更强的实时性、隐蔽性和团伙化特征。传统基于定期报告和人工审核的风险控制流程，响应速度慢，难以应对瞬息万变的线上攻击。3.数据治理与隐私合规压力剧增：风控对数据维度和实时性要求极高，涉及大量用户行为、设备、网络等敏感信息。如何在《个人信息保护法》等法规框架下合法合规地采集、使用、存储数据，并实现“数据可用不可见”（如联邦学习），成为传统风控框架必须解决的核心合规挑战。4.风险与体验的平衡难度加大：AI驱动的实时风控虽能提升拦截效率，但过于复杂的模型和策略可能增加误拒率，损害优质客户体验。传统风控框架在如何量化并优化“风险-体验-成本”这个三角关系上，缺乏精细化的管理工具和决策机制。5.新型风险的产生：过度依赖数据和算法可能产生新的风险，如模型偏差（AlgorithmicBias）导致对特定群体的不公平对待；对抗性攻击（AdversarialAttack）故意制造扰动数据欺骗模型；以及模型本身缺陷或失效带来的系统性风险。演进方向：1.防线职责的重塑与融合：第一道防线（业务部门）：需深度嵌入数据化风控思维，产品经理、运营人员需具备基础的数据分析和风险意识