金融风控模型工程师考试试卷及答案

金融风控模型工程师考试试卷及答案填空题（共10题，每题1分）1.在金融风控中，AUC的全称是________。答案：AreaUndertheROCCurve2.逻辑回归输出的是事件发生的________概率。答案：条件3.信用评分卡中连续变量划分为区间的过程称为________。答案：分箱4.模型过拟合时，________集准确率显著低于训练集。答案：测试5.KS的全称是________。答案：Kolmogorov-Smirnov统计量6.特征编码中WOE的全称是________。答案：WeightofEvidence7.贷款违约预测中的“坏样本”指________客户。答案：逾期（或违约）8.模型验证需划分训练集、验证集和________集。答案：测试9.去除高度相关特征可避免________问题。答案：多重共线性10.检测异常交易的非监督算法________。答案：孤立森林单项选择题（共10题，每题2分）1.衡量模型精准度的指标是（）A.RecallB.PrecisionC.F1-scoreD.AUC答案：B2.逻辑回归的损失函数是（）A.均方误差B.交叉熵损失C.绝对误差D.平方损失答案：B3.信用评分卡分数越高，信用风险（）A.越高B.越低C.不变D.不确定答案：B4.缓解过拟合的方法是（）A.增加训练数据B.增加模型复杂度C.减少正则化D.去除验证集答案：A5.KS值的取值范围是（）A.[0,1]B.[0,0.5]C.[0,100]D.[-1,1]答案：A6.不属于特征工程步骤的是（）A.特征选择B.特征提取C.模型训练D.特征编码答案：C7.“黑名单”属于（）A.硬规则B.软规则C.模型规则D.动态规则答案：A8.不属于树模型的是（）A.决策树B.随机森林C.逻辑回归D.XGBoost答案：C9.检测特征分布变化的指标是（）A.PSIB.KSC.AUCD.F1答案：A10.衡量模型稳定性的指标是（）A.准确率B.召回率C.PSID.精确率答案：C多项选择题（共10题，每题2分）1.金融风控模型应用场景包括（）A.信用卡审批B.贷款违约预测C.反欺诈D.客户流失预测答案：ABCD2.常用特征选择方法有（）A.卡方检验B.互信息C.递归特征消除D.随机森林重要性答案：ABCD3.模型验证方法包括（）A.交叉验证B.时间序列验证C.留一验证D.随机验证答案：ABC4.监督学习算法有（）A.逻辑回归B.随机森林C.孤立森林D.线性回归答案：ABD5.信用评分卡开发步骤包括（）A.数据收集B.特征工程C.模型训练D.模型部署答案：ABCD6.过拟合原因包括（）A.训练数据不足B.模型复杂度高C.特征维度多D.正则化过强答案：ABC7.反欺诈模型特征包括（）A.交易金额B.交易时间C.设备信息D.地理位置答案：ABCD8.模型评估指标有（）A.AUCB.KSC.PSID.准确率答案：ABD9.逻辑回归假设条件包括（）A.无多重共线性B.因变量二分类C.自变量与logit(P)线性相关D.样本独立答案：ABCD10.模型部署方式包括（）A.离线部署B.在线部署C.实时部署D.批量部署答案：ABCD判断题（共10题，每题2分）1.AUC值越大，模型区分能力越强。（）答案：对2.逻辑回归可直接处理非线性关系。（）答案：错3.过拟合模型泛化能力强。（）答案：错4.KS值0.3说明模型区分能力较好。（）答案：对5.WOE编码可增强特征预测能力。（）答案：对6.多重共线性导致系数估计不稳定。（）答案：对7.孤立森林是监督学习算法。（）答案：错8.信用评分卡分数通常为整数。（）答案：对9.PSI值越大，特征分布变化越小。（）答案：错10.模型监控是生命周期中不重要环节。（）答案：错简答题（共4题，每题5分）1.简述信用评分卡基本原理。答案：信用评分卡通过分析客户历史数据（收入、还款记录等），将特征转化为量化分数评估信用风险。步骤包括数据清洗、特征分箱与WOE编码、逻辑回归训练、评分映射。分数越高，违约概率越低，能标准化审批流程，提高效率。如FICO评分基于付款历史等因素，范围300-850，帮助机构快速判断客户信用水平。2.模型过拟合表现及解决方法。答案：过拟合表现为训练集性能优，测试集性能差，学习了噪声而非规律。解决方法：增加训练数据、降低模型复杂度（减少树深度）、使用正则化（L1/L2）、交叉验证、早停法。如随机森林通过集成多棵树减少过拟合，逻辑回归用L2正则约束系数。3.简述PSI定义及风控应用。答案：PSI（群体稳定性指标）衡量特征或预测结果在不同群体/时间的分布变化，值越小越稳定。风控中用于模型监控：特征PSI过大说明分布变化显著，影响模型性能；预测结果PSI过大需重新校准模型。如PSI>0.2时需分析调整特征或模型。4.反欺诈模型主要特征类型。答案：反欺诈特征包括交易特征（金额、频率）、用户特征（设备信息、信用历史）、行为特征（登录习惯、地理位置）、关联特征（黑名单关联）。这些特征捕捉异常行为，如异地大额交易、异常设备登录等，帮助识别欺诈风险。讨论题（共2题，每题5分）1.规则引擎与机器学习模型的关系及优势。答案：规则引擎基于专家经验，易解释、部署快，适用于明确风险场景（如黑名单拦截），但灵活性差；机器学习模型能学习复杂规律，精度高，但解释性弱。实际应用中，先通过规则过滤明显风险，再用模型评估潜在风险，互补提升效果。如信用卡审批先排除黑名单用户，再用评分卡评估信用，兼顾效率与精准。2.平衡风控模型准确性与可解释性。答案：需根据场景选择方法：监管场景优先可解释模型（逻辑