2025年征信考试题库信用模型与金融机构信用风险监测试题及答案

2025年征信考试题库信用模型与金融机构信用风险监测试题及答案一、单项选择题1.以下关于逻辑回归模型在信用评分中的应用，表述错误的是（）。A.假设特征与违约概率的对数呈线性关系B.输出结果为连续概率值，便于排序C.对异常值不敏感，无需预处理D.可通过系数符号判断特征对违约概率的影响方向答案：C2.某金融机构计算借款人违约概率（PD）时，若仅考虑历史违约率的时间序列平均值，未调整宏观经济周期因素，最可能导致（）。A.模型区分度提升B.顺周期效应增强C.特征重要性偏移D.迁移矩阵稳定性提高答案：B3.违约损失率（LGD）的核心影响因素不包括（）。A.抵质押物的市场流动性B.债务优先级C.借款人行业集中度D.司法执行效率答案：C4.信用风险迁移矩阵的主要作用是（）。A.计算单一客户的违约概率B.衡量信用等级在不同时期的转移概率C.评估抵质押物价值波动风险D.预测宏观经济变量对违约率的影响答案：B5.机器学习模型（如随机森林）在信用建模中可能面临的主要挑战是（）。A.难以处理高维数据B.可解释性不足，监管合规难度大C.对缺失值敏感，需完全填充D.无法捕捉非线性关系答案：B6.金融机构开展信用风险压力测试时，若仅设定“GDP下降2%”的情景，未考虑“失业率上升+房价下跌”的联动效应，最可能导致（）。A.压力情景覆盖不全面，低估风险B.模型计算复杂度降低，效率提升C.资本充足率测算结果偏保守D.风险预警信号提前触发答案：A7.KMV模型中，用于计算预期违约概率的核心参数是（）。A.企业资产市值、资产波动率、债务账面价值B.企业净利润、流动比率、速动比率C.行业平均违约率、区域经济增长率D.借款人年龄、职业、教育水平答案：A8.专家判断法在信用风险评估中的主要缺点是（）。A.依赖历史数据，无法适应新客群B.主观性强，一致性和稳定性不足C.计算复杂度高，难以实时应用D.仅适用于大额对公贷款，不适用于零售业务答案：B9.在信用模型特征筛选中，信息熵（Entropy）指标的作用是（）。A.衡量特征与目标变量的线性相关性B.评估特征内部取值的混乱程度，区分度低的特征熵值大C.计算特征对模型预测结果的贡献度D.检测特征间的多重共线性答案：B10.金融机构设定信用风险监测指标阈值时，若仅参考历史均值，未考虑宏观政策调整（如监管要求提高不良率容忍度），最可能导致（）。A.阈值过于宽松，风险漏判B.阈值过于严格，误判率上升C.监测指标与业务实际脱节D.模型开发成本增加答案：C二、多项选择题1.以下属于信用评分模型输入变量的有（）。A.借款人年龄、婚姻状况B.历史逾期次数、逾期时长C.企业资产负债率、流动比率D.宏观经济景气指数、行业违约率答案：ABCD2.传统信用模型（如逻辑回归）与机器学习模型（如XGBoost）的主要差异包括（）。A.传统模型假设特征与目标的线性关系，机器学习可捕捉非线性关系B.传统模型可解释性强，机器学习需额外工具（如SHAP）辅助解释C.传统模型对数据量要求低，机器学习需大规模数据训练D.传统模型抗过拟合能力弱，机器学习通过正则化提升泛化性答案：ABCD3.影响PD（违约概率）估计准确性的因素包括（）。A.样本选择偏差（如仅包含已授信客户）B.宏观经济周期波动未被模型捕捉C.特征变量的滞后性（如用1年前收入预测当前违约）D.模型验证时使用与训练集同分布的测试数据答案：ABC4.金融机构信用风险监测的主要维度包括（）。A.客户维度：单一客户信用等级变化、授信额度使用情况B.组合维度：行业/区域不良率、集中度指标C.模型维度：评分卡区分度（KS值）、校准度（PSI）D.外部维度：宏观政策、行业监管要求变化答案：ABCD5.设计信用风险压力测试情景时，需考虑的关键要素有（）。A.情景的极端性与可能性平衡（如“百年一遇”情景是否合理）B.风险因子的联动性（如利率上升与房价下跌的相关性）C.情景对资产组合的传导路径（如企业收入下降→现金流断裂→违约）D.压力测试结果的应用（如资本补充计划、授信政策调整）答案：ABCD6.信用模型特征工程的主要步骤包括（）。A.数据清洗（缺失值填补、异常值处理）B.特征衍生（如将月收入转换为收入负债比）C.特征筛选（如通过IV值、随机森林重要度排序）D.特征分箱（连续变量离散化，提升模型稳定性）答案：ABCD7.信用等级迁移矩阵的应用场景包括（）。A.预测未来一定期限内客户信用等级变化概率B.计算组合信用风险的VaR（在险价值）C.评估信用增级措施（如担保）对等级迁移的影响D.验证信用评分模型的稳定性（如比较实际迁移与模型预测迁移）答案：ABCD8.以下属于信用风险预警信号的有（）。A.企业客户新增多条司法诉讼记录（未结）B.零售客户近3个月信用卡额度使用率从50%升至90%C.某行业监管政策收紧（如房地产企业融资限制）D.模型KS值从0.4下降至0.25（阈值为0.3）答案：ABCD9.金融机构信用风险监测体系的组成部分包括（）。A.数据层：整合内外部数据（如央行征信、税务数据）B.模型层：开发评分卡、压力测试模型、预警模型C.监控层：设定关键指标（如不良率、迁徙率）及阈值D.响应层：根据监测结果调整授信政策、启动风险处置答案：ABCD10.信用模型验证的主要内容包括（）。A.区分度验证（如KS值、AUC值是否达标）B.校准度验证（实际违约率与模型预测概率的一致性）C.稳定性验证（不同时间段模型表现是否稳定，如PSI≤0.1）D.合规性验证（是否符合反歧视、数据隐私法规）答案：ABCD三、判断题1.逻辑回归模型要求特征变量与违约概率之间存在严格的线性关系，因此必须对非线性特征进行转换（如分箱）。（）答案：√2.PD（违约概率）仅反映借款人自身的信用状况，与宏观经济环境无关。（）答案：×（解析：PD需考虑宏观经济周期，如经济下行期整体PD会上升）3.LGD（违约损失率）是固定值，一旦贷款发放后不会随市场环境变化。（）答案：×（解析：LGD受抵质押物价值、司法执行效率等动态因素影响）4.信用等级迁移矩阵仅适用于对公客户，零售客户因同质性高无需构建迁移矩阵。（）答案：×（解析：零售客户可按群体（如信用分区间）构建迁移矩阵）5.机器学习模型（如深度学习）因预测准确率高，可完全替代专家经验进行信用评估。（）答案：×（解析：需结合专家经验解决模型可解释性、数据偏差等问题）6.压力测试的核心是设定极端情景，无需考虑情景发生的可能性。（）答案：×（解析：需平衡极端性与可能性，避免情景脱离实际）7.KMV模型适用于所有类型企业，包括未上市企业。（）答案：×（解析：未上市企业资产市值难以观测，需替代方法估算）8.专家判断法因依赖主观经验，无需使用历史数据支持决策。（）答案：×（解析：专家判断需结合历史数据和行业知识，并非完全主观）9.信息熵值越大，说明特征内部取值越分散，对违约的区分度越高。（）答案：×（解析：熵值大表示特征混乱，区分度可能低；熵值小表示特征集中，若与违约强相关则区分度高）10.信用风险监测指标的阈值一旦设定，无需根据业务发展动态调整。（）答案：×（解析：需结合宏观环境、监管要求、客群变化等定期校准阈值）四、简答题1.简述逻辑回归模型在信用评分中的主要优势。答案：逻辑回归模型在信用评分中优势包括：①可解释性强，系数直接反映特征对违约概率的影响方向和大小；②输出概率值符合业务对“违约可能性”的直观需求；③计算效率高，适合实时评分；④对数据分布假设较宽松（仅需特征与对数odds线性相关）；⑤模型稳定性好，抗过拟合能力较强（通过正则化可进一步优化）。2.说明PD（违约概率）与LGD（违约损失率）的区别与联系。答案：区别：PD衡量借款人在一定期限内违约的可能性（概率），LGD衡量违约发生后损失的严重程度（损失占风险敞口的比例）。联系：两者共同决定预期损失（EL=PD×LGD×EAD）；均受借款人特征（如信用等级）、债项特征（如担保方式）、外部环境（如经济周期）影响；在模型开发中，PD模型通常优先于LGD模型，因需先识别违约样本才能估计LGD。3.信用风险监测中“前瞻性”指标的作用是什么？请列举2个典型前瞻性指标。答案：作用：前瞻性指标通过捕捉未来可能引发信用风险的早期信号，帮助机构提前采取措施（如收紧授信、增加担保），避免风险恶化。典型指标：①客户行为指标（如信用卡额度使用率持续上升、贷款还款账户余额异常下降）；②行业预警指标（如某行业产能利用率低于警戒线、政策收紧传闻）；③宏观领先指标（如PMI指数连续3个月下降、消费者信心指数回落）。4.机器学习模型在信用建模中的主要局限性有哪些？答案：局限性包括：①可解释性不足，难以向监管或客户说明评分逻辑，可能违反公平信贷法规；②对数据质量敏感，需大规模、高一致性的数据训练，否则易过拟合；③计算复杂度高，模型调优（如参数调整、特征工程）耗时较长；④“黑箱”特性可能掩盖数据偏差（如歧视性特征被隐含学习）；⑤模型稳定性较弱，客群或环境变化时需频繁重新训练。5.简述压力测试在信用风险监测中的应用场景。答案：应用场景包括：①评估极端情景下（如经济衰退、行业危机）机构信用风险敞口的潜在损失，验证资本充足率是否达标；②检验现有信用政策（如授信额度、担保要求）的抗风险能力，为政策调整提供依据；③识别高风险客户群体或资产组合（如对利率敏感的房地产贷款），针对性制定风险缓释措施；④满足监管要求（如巴塞尔协议、国内宏观审慎评估），证明机构具备风险抵御能力；⑤支持战略决策（如业务扩张区域、行业选择），避免过度集中于高脆弱性领域。五、案例分析题某城商行零售信贷部使用逻辑回归模型（变量包括年龄、月收入、历史逾期次数、信用卡额度使用率）进行客户信用评分，模型上线1年后，监测发现：①当月新发放贷款的不良率较模型开发时的样本不良率上升2.3个百分点；②模型KS值从0.38下降至0.25（阈值为0.3）；③客户信用等级迁徙矩阵显示，原“AA级”客户3个月内降至“B级”的比例从5%升至12%。问题：（1）分析模型表现异常的可能原因。（2）提出验证模型当前有效性的具体方法。（3）设计3个用于持续监测模型表现的关键指标，并说明其意义。（4）针对上述问题，制定模型优化的具体方案。答案：（1）可能原因：①客群变化：新客户与训练样本客群分布偏离（如新增大量年轻、低收入客群），导致模型不适用；②特征失效：部分变量与违约的相关性减弱（如“信用卡额度使用率”因疫情后消费习惯改变，不再有效预测违约）；③外部环境变化：宏观经济下行（如当地支柱产业裁员）导致整体违约率上升，模型未捕捉周期因素；④数据质量问题：部分特征数据采集错误（如历史逾期次数漏报），影响模型准确性；⑤模型过拟合：开发时仅使用某一特定时期数据，未覆盖多周期场景，泛化能力不足。（2）验证方法：①样本外验证：使用模型上线后6-12个月的新数据作为测试集，计算KS值、AUC值、校准曲线，对比开发时的表现；②稳定性验证：计算特征分布稳定性指标（PSI），若某变量PSI>0.25，说明特征分布显著变化；③群体表现验证：按信用分区间划分客群，对比实际不良率与模型预测概率的一致性（如“600-650分”客群预测不良率3%，实际不良率5%则校准度差）；④迁移矩阵验证：比较实际信用等级迁移率与模型预测迁移率的差异（如AA级实际降级率12%，模型预测5%，说明模型低估风险）。（3）监测指标及意义：①模型区分度（KS值）：反映模型对违约与非违约客户的区分能力，低于阈值（0.3）需排查原因；②特征稳定性指数（PSI）：监测特征分布是否偏离训练样本，PSI>0.1需关注，>0.25需重新建模；③实际与预测不良率差异（绝对偏差）：衡量模型校准度，偏差超过1个百分点需检查模型假设或数据；④高风险客群占比（如评分<500分客户占比）：监测客群整体信用质量变化，占比上升可能预示风险积累。（4）优化方案：①数据层：扩展训练样本，纳入近1年新客数据及宏观经济变量（如当地失业率、GDP增速），解决客群偏移问