2025 CFA二级机器学习-回归方法专题试卷（含完整解析）

2025CFA二级机器学习——回归方法专题试卷（含完整解析）2025CFA二级机器学习——回归方法专题试卷（含完整解析）适配考纲：CFA二级数量L6MachineLearning【惩罚回归/逻辑回归/过拟合/模型选择】说明：CFA协会官方没有命名“2025机器学习回归专题卷”，本套试卷严格对标2025CFA二级官方教材机器学习章节考点，题型、难度、命题风格贴合机考真题，全部考点：OLS缺陷、Ridge岭回归、LASSO、ElasticNet弹性网、逻辑回归、正则化、过拟合、特征选择、金融场景应用。试卷说明总分：60分

题型：单选题15题（每题4分）

适用：CFA二级备考，机器学习惩罚回归模块专项训练试题部分一名量化分析师构建股票收益率预测模型，候选自变量35个，大量变量高度相关（多重共线性），分析师希望保留全部特征、稳定参数估计、不做自动特征删减。最优选择为：

A.LASSO回归

B.Ridge岭回归

C.普通最小二乘OLS高维金融数据集（50个预测因子），分析师需要模型自动筛选变量、剔除无关因子，同时缓解多重共线性，应当选用：

A.Ridge回归

B.LASSO回归

C.逻辑回归下列关于正则化参数λ（lambda）说法正确的是：

A.λ=0时，LASSO等价于OLS

B.λ越大，模型复杂度越高

C.Ridge回归λ增大，部分系数会被压缩至严格等于0ElasticNet（弹性网）的惩罚项组合是：

A.仅L1惩罚

B.仅L2惩罚

C.L1惩罚+L2惩罚结合对比Ridge与LASSO，以下表述错误的是：

A.Ridge无法实现特征筛选

B.LASSO对尺度未标准化的特征非常敏感

C.多重共线性极强时，LASSO比Ridge参数估计更稳定某机构建立模型预测企业是否发生债务违约（0=不违约，1=违约），目标变量为二元分类，最合适的回归模型：

A.LASSO线性回归

B.Logistic逻辑回归

C.Ridge回归逻辑回归模型输出结果含义是：

A.因变量未来数值

B.样本属于某一类别的概率

C.二元类别标签（0或1）下列哪一项属于惩罚回归（PenalizedRegression）共同作用目标：

A.最小化残差平方和+惩罚项，降低模型泛化误差，抑制过拟合

B.最大化R²

C.消除所有自变量相关性训练集R²很高、测试集RMSE显著上升，该现象以及惩罚回归的作用是：

A.欠拟合；惩罚回归增大模型自由度

B.过拟合；惩罚回归收缩系数、降低模型复杂度

C.多重共线性；惩罚回归完全消除变量相关性分析师使用LASSO回归前，必须对特征标准化，根本原因是：

A.L1惩罚依赖变量尺度，量纲大的变量会受到更强惩罚

B.不标准化会导致多重共线性

C.软件无法求解非标准化数据关于训练集/验证集/测试集划分，在机器学习回归建模中，正确做法：

A.使用测试集数据选择最优λ

B.依靠验证集交叉验证选择正则化参数λ

C.模型训练完成后再划分数据集下列哪项不属于监督学习回归类模型：

A.ElasticNet

B.LogisticRegression

C.K-Means聚类在金融收益预测建模中，相比于传统OLS，惩罚回归最大优势：

A.更容易进行经济意义解释系数

B.在高维、多因子场景下泛化能力更强

C.不需要残差正态分布假设当一组自变量高度线性相关，OLS估计会出现：

A.系数方差膨胀、估计值不稳定

B.标准误变小，t统计量升高

C.R²大幅下降对比LASSO，ElasticNet主要解决LASSO哪一个痛点：

A.特征数量大于样本量时，LASSO特征选择不稳定（多重共线性下随机挑选变量）

B.无法做连续变量预测

C.不能用于分类任务答案与详细解析答案：B

解析：Ridge（L2正则）收缩系数、稳定多重共线性下的参数，不会把系数压缩到0，保留全部变量。

LASSO会将部分系数压缩为0，自动删减变量；OLS受多重共线性影响参数震荡。答案：B

解析：LASSO采用L1惩罚，可以将不重要特征系数压缩至0，实现自动特征选择。答案：A

解析：λ=0，惩罚项消失，LASSO、Ridge均等价于OLS；

λ越大，惩罚越强，模型越简单；只有LASSO能产生系数=0，Ridge系数只会无限趋近0。答案：C

解析：ElasticNet=L1(LASSO)+L2(Ridge)混合惩罚。答案：C

解析：多重共线性严重时，Ridge估计更加稳定；LASSO在高度共线性时，会随机挑选相关变量中的一个，结果不稳定。答案：B

解析：二元分类任务（违约/不违约）使用逻辑回归；线性类回归适合连续因变量预测。答案：B

解析：逻辑回归sigmoid输出概率；输出标签需要人为设定阈值（如概率＞0.5判定为1）。答案：A

解析：惩罚回归损失函数=SSR残差平方和+λ×惩罚项，目标平衡拟合程度与模型复杂度，减少过拟合，提升样本外预测能力。惩罚回归无法彻底消除变量相关性。答案：B

解析：训练效果好、测试效果差=过拟合；正则化通过收缩系数限制模型复杂度，改善泛化能力。答案：A

解析：L1惩罚直接限制系数绝对值。变量量纲不同，系数天然大小差异巨大；未标准化时，数值范围大的变量不公平承受更大惩罚。Ridge同样建议标准化。答案：B

解析：最优λ通过验证集/交叉验证挑选；绝对不能使用测试集调参，会造成数据泄露，高估模型真实表现。答案：C

解析：K-Means属于无监督聚类，不需要目标变量；其余两个均为监督学习回归模型。答案：B

解析：OLS在高维多因子下极易过拟合；惩罚回归核心优势：高维数据、大量预测因子场景泛化能力更强。

易错点：惩罚回归系数解释难度高于OLS；依然存在基础统计假设。答案：A

解析：多重共线性→OLS系数方差膨胀，微小数据扰动会带来系数大幅变化，标准误变大。答案：A

解析：高度相关特征组内，单纯LASSO会随机选择其中少数变量，结果不稳定；ElasticNet借助L2部分缓解该问题，实现分组选择。核心考点速记（CFA必背）三种惩罚回归对比Ridge（L2）

系数平方和惩罚｜只收缩、不剔除变量｜解决多重共线性、变量全部保留LASSO（L1）

系数绝对值惩罚｜系数可压缩至0，自动特征筛选｜高维因子筛选首选ElasticNet

L1+L2混合｜兼具变量筛选+稳定估计，解