2026年智能风控模型基础知识考核押题卷及答案

2026年智能风控模型基础知识考核押题卷及答案一、单项选择题（每题1分，共30分）1.智能风控模型的核心目标通常不包括下列哪一项？A.预测借款人违约概率B.识别欺诈交易行为C.保证模型完全不被解释D.优化风险收益平衡答案C解析智能风控模型在追求预测精度的同时，必须兼顾可解释性以符合监管要求，完全不可解释的模型在金融领域难以落地。2.在信用评分卡模型中，常用逻辑回归作为基础算法，其主要原因是？A.可解释性强且输出概率值B.能自动处理缺失值C.无需特征工程D.能处理非线性关系答案A解析逻辑回归输出0-1之间的概率且权重系数直观，便于制作评分卡，是信用风险建模的经典方法。3.下列哪个指标用于衡量模型区分好坏用户的能力？A.MSEB.AUCC.RMSED.MAE答案B解析AUC值越大，模型区分正负样本的能力越强；MSE、RMSE、MAE常用于回归问题。4.在风控建模中，特征工程的主要目的是？A.增加模型复杂度B.提高模型预测性能和可解释性C.让特征数量尽可能多D.直接使用原始数据答案B解析特征工程通过构造、筛选、变换等操作，提取有效信息，提升模型效果并保持可解释性。5.样本不均衡问题在反欺诈场景中很常见，下列哪种处理方式最合理？A.直接删除多数类样本B.使用随机森林自动克服C.采用欠采样、过采样或调整类别权重D.忽略不均衡现象答案C解析欠采样、过采样（如SMOTE）和类别权重调整是常用处理样本不均衡的方法，直接删除多数类可能损失信息。6.关于缺失值处理，下列做法中推荐用于风控模型的是？A.将所有缺失值填充为0B.删除所有含缺失值的样本C.结合业务含义单独填充并添加缺失标志D.不做任何处理答案C解析风控数据缺失常具有业务含义（如未提供某项信息），单独填充并增加缺失指示特征可保留信息。7.下列哪个算法属于集成学习中的Boosting方法？A.随机森林B.XGBoostC.K-MeansD.决策树答案B解析XGBoost、LightGBM、AdaBoost属于Boosting；随机森林属于Bagging。8.评分卡模型中，WOE（WeightofEvidence）用于？A.衡量分组的好坏样本分布差异B.计算模型准确率C.评估特征重要性D.填充缺失值答案A解析WOE衡量每个分组中好客户与坏客户的相对比例，常用于变量编码和证据权重转换。9.交叉验证的主要作用是？A.提高模型在训练集上的准确率B.评估模型的泛化能力C.减少特征数量D.加速模型训练答案B解析交叉验证将数据分为训练集和验证集，多次验证以评估模型对新数据的表现，从而防止过拟合。10.在模型监控中，如果PSI（PopulationStabilityIndex）大于0.25，一般意味着？A.模型表现优秀B.样本分布轻微漂移C.样本分布显著漂移，需关注D.数据无变化答案C解析PSI常用于评估模型输入特征或评分分布稳定性：一般<0.1稳定，0.1-0.25中度漂移，>0.25显著漂移需要预警。11.下列哪种模型属于无监督学习算法？A.逻辑回归B.支持向量机C.K-Means聚类D.XGBoost答案C解析K-Means是无监督聚类算法；其余均为有监督分类算法。12.在智能风控模型开发中，训练集、验证集、测试集划分的常见比例是？A.6:2:2B.7:2:1C.8:1:1D.以上均可，需结合数据量答案D解析比例没有绝对标准，小数据时常用7:2:1，大数据可用98:1:1或类似比例，需结合数据量。13.逻辑回归模型输出的结果经过sigmoid函数转换后，其值域为？A.(B.(C.(D.[答案B解析sigmoid函数将任意实数映射到0-1之间，便于作为概率使用。14.下列哪种特征选择方法属于过滤式（Filter）？A.递归特征消除B.卡方检验C.L1正则化D.向前逐步选择答案B解析过滤式方法通过统计指标（如卡方、信息增益）评估特征与目标的相关性，不依赖具体模型。15.在评分卡中，如果某个特征的WOE值单调递增，说明？A.该特征与风险无关B.该特征对风险的影响是单调的，适合直接建模C.该特征存在缺失值D.该特征应被删除答案B解析WOE单调性意味着风险随特征值变化有稳定趋势，这类特征通常对模型有良好区分度。16.关于KS统计量，下列说法正确的是？A.KS值越高越好，没有上限B.KS值衡量的是模型预测值与实际值之间的误差C.KS值通常通过计算累计好样本比例与累计坏样本比例的最大差值得到D.KS值只能用于回归模型答案C解析KS值等于累计坏样本比例与累计好样本比例之差的最大值，常用于评价分类模型区分度。17.在风控模型上线后，需要定期监控哪些内容？A.模型准确率是否下降B.特征分布是否漂移C.业务策略是否变化D.以上都是答案D解析模型监控包括性能监控、输入分布监控、决策一致性监控等，业务策略变化也可能影响模型效果。18.下列关于逻辑回归正则化参数C或λ的说法正确的是？A.正则化可以防止过拟合B.正则化可提高训练集准确率C.正则化会减少模型偏差D.正则化只能用于线性模型答案A解析正则化通过惩罚系数大小限制模型复杂度，从而降低过拟合风险。19.在智能风控中，关系网络（如同设备号、同IP）主要被用于识别？A.信用风险B.欺诈风险C.市场风险D.操作风险答案B解析关联网络分析常用于识别团伙欺诈、设备共享等风险模式。20.下列关于SHAP值的描述，正确的是？A.SHAP值只能用于树模型B.SHAP值用于解释单个样本预测中各特征的贡献C.SHAP值不能为负D.SHAP值等于模型的预测值答案B解析SHAP值基于博弈论Shapley值，可解释单个预测中每个特征的正负贡献，适用于多种模型。21.在模型评估中，若一个模型的精确率（Precision）很高而召回率（Recall）很低，可能意味着？A.模型能找出大多数风险客户B.模型查得准但漏掉较多风险客户C.模型误伤率低但漏报率高D.B和C均正确答案D解析精确率高表示预测为正的样本中真正例比例高；召回率低表示大量正例未被识别，即漏报多。22.下列哪个指标对违约预测模型的敏感性最高，常用于设定阈值？A.准确率B.F1值C.代价敏感的最优概率阈值D.均方误差答案C解析不同阈值下模型的代价不同，根据误拒和误收成本可以计算最优阈值，比固定0.5更合理。23.在特征变换中，对长尾分布特征常用的处理方法不包括？A.取对数B.分箱C.标准化D.删除异常值答案D解析对数变换、分箱和标准化可改善分布，删除异常值可能丢失信息，通常不是处理长尾的首选。24.下列关于过拟合的预防措施，错误的是？A.增加训练数据量B.添加正则化项C.增加模型复杂度D.使用交叉验证调参答案C解析增加模型复杂度（如更多层或更多特征）通常会加重过拟合，而不是预防过拟合。25.在标准评分卡中，用户的总分通常由什么构成？A.各特征分数之和加上基准分B.模型输出概率直接乘以100C.所有特征权重平均值D.预测违约概率除以非违约概率答案A解析评分卡将逻辑回归的线性部分转换为分数，各特征对应分值累加得到总分。26.对于时间序列数据（如交易流水），在风控建模中通常需要构造哪些衍生特征？A.滑动窗口统计量（如近7天交易笔数）B.时间序列傅里叶变换C.词频统计D.颜色特征答案A解析滑动窗口统计（均值、方差、笔数、金额等）能捕捉用户近期行为模式，是常用衍生特征。27.关于评分卡模型中的证据权重（WOE）编码，下列说法错误的是？A.WOE编码要求每个分箱中好样本和坏样本数量不能为0B.WOE编码可以处理缺失值C.WOE编码后变量与Logit呈线性关系D.WOE编码只能用于连续变量答案D解析WOE编码适用于连续变量和离散变量，只要分箱合理都可采用。28.在反欺诈场景中，常用的无监督异常检测算法是？A.孤立森林B.线性回归C.朴素贝叶斯D.决策树回归答案A解析孤立森林通过随机分割特征来识别异常点，适合高维大样本的欺诈检测。29.关于模型可解释性，下列说法错误的是？A.线性模型的系数可以直接解释特征影响方向B.SHAP值可以用于解释任意模型C.决策树天然具有可解释性D.深度学习模型在所有情况下都不可解释答案D解析深度学习模型也可以通过梯度类方法（如LIME、SHAP）进行解释，并非完全不可解释。30.在智能风控模型生命周期中，下列哪个环节通常在模型上线之后？A.模型评审B.模型监控与维护C.特征筛选D.样本划分答案B解析模型上线后需持续监控，并根据数据漂移或业务变化进行维护或重构。二、多项选择题（每题2分，共20分）1.下列属于智能风控模型常用的监督学习算法有哪些？A.逻辑回归B.XGBoostC.K-MeansD.随机森林答案ABD解析K-Means是无监督聚类，其余均为监督分类算法。2.在模型评估阶段，常用的区分度指标包括？A.AUCB.KSC.PSID.Gini系数答案ABD解析PSI用于评估样本分布稳定性，不直接度量区分度；AUC、KS、Gini均可用于区分能力评估。3.下列哪些技术可以用于处理样本不均衡问题？A.随机过采样B.SMOTEC.调整类别权重D.欠采样答案ABCD解析以上均为常用处理大类不平衡的手段。4.关于特征分箱，下列说法正确的有？A.分箱可以增强特征的鲁棒性B.分箱后更容易计算WOE和IVC.分箱会导致信息损失，但可提升稳定性D.分箱一般不会改善模型预测能力答案ABC解析分箱可能引入非线性，有时能提升模型表现，因此D不正确。5.逻辑回归模型的优点包括？A.训练速度快B.易于解释C.能自动处理高度非线性关系D.输出概率值，便于阈值调节答案ABD解析逻辑回归是线性分类器，无法自动处理高度非线性关系（除非引入非线性特征）。6.下列可以用于模型可解释性的方法有？A.SHAPB.LIMEC.特征重要性（基于树模型）D.逻辑回归系数答案ABCD解析以上均可用于解释模型预测或特征重要性。7.在风控特征中，哪些数据源常用于反欺诈识别？A.设备指纹B.IP地址与地理位置C.用户社交关系D.用户密码明文答案ABC解析设备、IP、社交关系都是常见反欺诈数据源；明文密码属于敏感信息，不应用于建模。8.关于集成学习，下列说法正确的有？A.Bagging可以减少模型方差B.Boosting可以减少模型偏差C.随机森林属于BaggingD.XGBoost属于Bagging答案ABC解析XGBoost是Boosting方法，不是Bagging。9.在评分卡模型中，常用的变量筛选标准包括？A.IV（信息价值）大于0.02B.单变量AUC大于0.5C.变量之间相关系数过高时保留其中一类D.变量必须为正态分布答案ABC解析IV值筛选、单变量区分度检验、多重共线性处理是常用步骤；正态性不是必要条件。10.智能风控模型的开发流程通常包含哪些阶段？A.数据采集与清洗B.特征工程与选择C.模型训练与验证D.上线后进行监控答案ABCD解析完整生命周期包括数据准备、特征工程、建模、验证、上线及监控维护等。三、判断题（每题1分，共10分）1.AUC的取值范围是[0.5,1]，越接近1表示模型效果越好。答案错误解析AUC取值范围为[0,1]，但当模型优于随机猜测时一般大于0.5。若小于0.5，仍可通过反转得到有效模型（极少见正常业务场景）。2.在评分卡模型中，IV值越大表示该特征的预测能力越强，因此总是越大越好。答案错误解析IV值过大（如>0.5）可能暗示特征与目标关系异常，可能是过拟合或数据泄露，需要谨慎检查。3.缺失值填充为-1或单独分箱是风控建模中常用的处理手法。答案正确解析将缺失单独作为一个分箱，或填充特殊值（如-1、0）并附加缺失标志，能保留缺失信息。4.模型一旦上线，如果AUC降低，立即需要重新建模。答案错误解析需先分析原因（数据漂移、业务策略变化、外部环境等），可行时先做模型调优或策略调整，不一定立即重建。5.交叉验证可以在一定程度上评估模型的泛化能力。答案正确解析交叉验证通过多次切分数据训练和验证，能减少因单一划分带来的偶然性，更可靠地评估泛化能力。6.逻辑回归模型的输出直接就是违约概率。答案错误解析逻辑回归输出的是在给定特征下目标类别为1的概率估计，但实际业务违约概率还受样本采样、先验概率等影响，通常需要校准。7.在特征标准化时，可以先划分训练集和测试集，再用测试集计算均值和标准差用于标准化。答案错误解析必须使用训练集统计量标准化测试集，否则会造成数据泄露，高估模型性能。8.GBDT和XGBoost都可以用于特征选择（基于特征重要性）。答案正确解析树模型提供基于分裂次数、信息增益等特征重要性度量。9.模型可解释性与预测精度不可兼得，因此必须牺牲精度来提高可解释性。答案错误解析可解释方法和模型如逻辑回归、决策树足够时也可取得不错精度，复杂模型也可用SHAP等事后解释，两者并非完全对立。10.KS值等于0.4时，表示模型分组后好坏样本的区分程度较好。答案正确解析一般认为KS大于0.3模型就有较好区分能力，0.4属于良好水平。四、简答题（每题5分，共20分）1.简述逻辑回归模型的数理形式，并说明其为何适合信用评分卡。答案逻辑回归模型假设对数几率为线性函数：ln其中p=P(Y=2.什么是WOE？写出其计算公式，并说明在评分卡建模中的作用。答案WOE（WeightofEvidence，证据权重）衡量某个分箱中好坏样本分布的对数差异，公式为：WOE其中Bi为该分箱中坏样本数，G3.列举至少三种模型上线后需要监控的指标，并说明各自的意义。答案（1）性能指标（AUC、KS、准确率等）——监测模型区分能力是否下降。（2）特征分布稳定性（PSI）——监测输入特征或评分分布是否发生漂移。（3）决策分布变化（通过率、拒绝率、评分均值）——观察业务决策是否出现异常。（4）特征缺失率变化——数据质量异常可能导致预测不稳定。（5