风控建模助理岗位技术考试试卷及答案

风控建模助理岗位技术考试试卷及答案风控建模助理岗位技术考试试卷及答案一、填空题（共10题，每题1分）1.混淆矩阵中，真实为正且预测为正的样本数称为______。2.风控建模中最常用的线性分类模型是______。3.评估模型区分能力的核心指标之一是______（英文缩写）。4.处理缺失值的常见方法包括删除法、______和插值法。5.风控领域中，PD指的是______。6.变量分箱的常用方法有等频分箱和______分箱。7.解决数据不平衡问题的过采样方法是______。8.模型验证中常用的k折交叉验证，k的常见取值是______。9.特征选择中，衡量变量区分能力的指标是______（英文缩写）。10.风控规则中，直接拒绝高风险用户的名单称为______。二、单项选择题（共10题，每题2分）1.以下哪个不是分类算法？（）A.逻辑回归B.决策树C.线性回归D.随机森林2.KS指标的取值范围是？（）A.0-0.5B.0-1C.-1-1D.0-23.SMOTE方法的主要作用是？（）A.处理缺失值B.平衡数据集C.特征选择D.模型评估4.逻辑回归的输出结果表示？（）A.类别标签B.概率值C.回归值D.距离5.IV值的计算基于哪个指标？（）A.信息熵B.基尼系数C.WOED.方差6.以下哪种缺失值处理方法不改变数据分布？（）A.均值填充B.中位数填充C.随机森林填充D.删除法7.交叉验证的主要目的是？（）A.提高模型准确率B.减少过拟合C.加快训练速度D.简化模型8.LGD指的是？（）A.违约概率B.违约损失率C.违约风险暴露D.预期损失9.变量分箱的主要目的不包括？（）A.减少噪声B.提高模型可解释性C.增加特征维度D.处理非线性关系10.风控模型中验证集占比通常为？（）A.10%B.20%-30%C.50%D.80%三、多项选择题（共10题，每题2分）1.常见的分类算法包括？（）A.逻辑回归B.决策树C.支持向量机D.聚类2.评估分类模型的指标有？（）A.AUCB.KSC.准确率D.召回率3.特征工程的步骤包括？（）A.特征提取B.特征选择C.特征转换D.特征删除4.风控模型中的风险参数包括？（）A.PDB.LGDC.EADD.ROI5.处理不平衡数据的方法有？（）A.SMOTEB.欠采样C.权重调整D.数据增强6.变量分箱的方法有？（）A.等频分箱B.等距分箱C.最优分箱D.随机分箱7.解决模型过拟合的方法有？（）A.增加数据量B.减少特征数C.正则化D.交叉验证8.逻辑回归的优点包括？（）A.可解释性强B.训练速度快C.处理非线性关系D.对异常值敏感9.风控建模常用的数据源有？（）A.用户基本信息B.交易数据C.征信数据D.社交媒体数据10.模型监控的指标包括？（）A.AUC变化B.特征分布漂移C.通过率变化D.违约率变化四、判断题（共10题，每题2分）1.逻辑回归只能处理线性关系。（）2.AUC值越高，模型区分能力越强。（）3.SMOTE适用于所有不平衡数据场景。（）4.IV值越高，变量的区分能力越强。（）5.缺失值比例超过30%的变量应直接删除。（）6.决策树模型对异常值不敏感。（）7.PD是指用户在未来一定时期内违约的概率。（）8.交叉验证可以有效减少模型过拟合。（）9.特征工程是风控建模中最不重要的步骤。（）10.风控模型上线后不需要进行监控。（）五、简答题（共4题，每题5分）1.简述风控建模中特征工程的主要步骤。2.解释AUC和KS指标的区别及应用场景。3.说明逻辑回归在风控建模中的优势。4.简述处理不平衡数据集的常用方法。六、讨论题（共2题，每题5分）1.在风控建模中，如何平衡模型的准确率和业务可解释性？2.假设你发现模型上线后效果下降，你会如何排查原因？答案：一、填空题1.真阳性（TP）2.逻辑回归3.AUC（或KS）4.填充法5.违约概率6.等距7.SMOTE8.5或109.IV10.黑名单二、单项选择题1.C2.B3.B4.B5.C6.D7.B8.B9.C10.B三、多项选择题1.ABC2.ABCD3.ABC4.ABC5.ABC6.ABC7.ABC8.AB9.ABCD10.ABCD四、判断题1.×2.√3.×4.√5.×6.√7.√8.√9.×10.×五、简答题1.风控建模中特征工程主要步骤：特征提取（从原始数据中提取相关变量）、特征清洗（处理缺失值、异常值、重复数据）、特征转换（分箱、WOE编码、标准化）、特征选择（IV值、相关性分析筛选变量）、特征验证（确保跨数据集稳定性）。这些步骤提升特征质量，为模型提供可靠输入。2.AUC是ROC曲线下面积，反映整体区分能力；KS是正负样本累计率最大差值，反映特定阈值下区分效果。AUC适用于整体评估模型性能，KS更适合风控中确定最优阈值（如信用评分卡cutoff值）。两者结合可全面评估模型区分能力。3.逻辑回归优势：可解释性强（系数反映变量对违约概率的影响）、训练速度快（适合大规模数据）、稳定性高（对分布变化敏感度低）、输出概率值（便于风险分级决策），符合风控监管对可解释性的要求。4.处理不平衡数据方法：过采样（SMOTE合成少数类样本）、欠采样（删除多数类样本）、权重调整（给少数类更高权重）、数据增强（特征变换生成新样本）、集成方法（Bagging/Boosting提升少数类识别率）。需根据数据情况选择，避免过拟合或信息丢失。六、讨论题1.平衡准确率与可解释性：优先用逻辑回归等可解释模型，确保核心变量系数可解释；对复杂模型用SHAP值分析变量贡献；设置可解释性阈值，避免过度追求准确率；与业务团队沟通，明确关键风险指标解释需求。如信用评分卡用逻辑回归，既保证准确率又满足监管要求。2.模型效果下降排查：检查数