2026年量化研究员全真模拟题及答案详解

2026年量化研究员全真模拟题及答案详解一、单项选择题（每题3分，共24分）1.一枚公平的六面骰子连续掷3次，至少出现一次点数为6的概率是A.1B.91C.125D.5答案：B解析：至少出现一次6的对立事件是三次都没有出现6，概率为(56)2.在一元线性回归yi=αA.SB.SC.SD.S答案：B解析：R23.在其他条件相同的情况下，下列哪种变化会使欧式看涨期权的价格上升？A.无风险利率上升B.行权价格上升C.标的资产波动率下降D.标的资产股息率上升答案：A解析：看涨期权价格与无风险利率正相关，与行权价、股息率负相关，与波动率正相关。4.设{WtA.tB.tC.tD.2答案：B解析：标准布朗运动中Wt∼N5.设Σ为资产收益的协方差矩阵，下列说法正确的是A.Σ一定是正定矩阵B.Σ的特征值一定全部为正C.Σ是对称的半正定矩阵D.Σ的迹等于各资产收益率方差之和的平方答案：C解析：协方差矩阵天然对称且半正定；存在完全线性相关或样本量不足时可能奇异，因此不一定正定。6.某策略年化收益率为15%，无风险利率为3%，年化波动率为12%，则该策略的夏普比率为A.0.5B.0.75C.1.0D.1.25答案：C解析：15%7.在显著性水平α=A.应接受原假设，且犯第二类错误的概率不超过0.05B.应拒绝原假设，且犯第一类错误的概率恰好为0.03C.应接受原假设，因为p值太小D.应拒绝原假设，且犯第一类错误的概率不超过0.05答案：D解析：p值小于显著性水平α时拒绝原假设。在给定检验水平0.05下，犯第一类错误的概率被控制在不超过0.05。p值本身并不是真实的错误概率。8.某笔交易胜率为60%，盈利与亏损金额按1:1计算，根据凯利公式，最优仓位（占账户本金的比例）为A.10%B.20%C.40%D.50%答案：B解析：凯利公式f*=bp−qb，其中b二、多项选择题（每题4分，共16分）1.下列关于Black-Scholes模型基本假设的说法，正确的有A.标的资产价格服从几何布朗运动B.允许对标的资产进行连续交易C.波动率随时间随机变化D.市场存在交易费用和税收答案：AB解析：Black-Scholes模型假设波动率与无风险利率为常数，市场无摩擦、无交易费用与税收，且允许连续交易和卖空。C、D与模型前提矛盾。2.下列方法中，能够有效缓解机器学习模型过拟合的有A.在损失函数中加入L1/L2正则化项B.通过数据增强扩大训练样本规模C.使用交叉验证选择超参数D.无限制地增加模型参数量答案：ABC解析：正则化对参数施加惩罚，数据增强增加样本多样性，交叉验证帮助选择泛化能力更强的超参数，均能缓解过拟合；D会加剧过拟合。3.关于时间序列的平稳性，下列说法正确的有A.严平稳要求随机过程的有限维分布关于时间平移不变B.弱平稳要求均值、方差恒定，自协方差仅与时间间隔有关C.AR(1)模型xtD.含单位根的AR(1)过程是非平稳的答案：ABD解析：AR(1)过程平稳要求|ϕ|<1。4.下列Python操作中，平均时间复杂度为$O(1)$的有A.对列表调用sorted(lst)B.按索引访问列表元素lst[i]C.在字典中按键查找d[key]D.向列表头部插入元素lst.insert(0,x)答案：BC解析：列表按索引访问和字典按键查找的平均时间复杂度均为$O(1)$；对列表排序为$O(n\logn)$，在列表头部插入需要移动后续元素，为$O(n)$。三、计算与证明题（每题10分，共30分）1.连续抛一枚公平硬币，求首次出现连续两个正面（HH）所需的期望抛掷次数。答案：6次。解析：设E0为从初始状态开始（尚未出现连续正面）还需抛掷的期望次数，EEE由第二式得EHE化简得14E02.当前股价S0=100，执行价格K=100，无风险利率r=5%，波动率σ=答案：C≈解析：Black-Scholes公式中，dd欧式看涨期权价格为C3.单因子模型设定为ri=α+βrm+ε，其中ri为个股超额收益，答案：β=解析：单变量回归中，β=ρσ四、简答题（10分）1.简述协整（cointegration）与相关性（correlation）的区别，并说明协整在配对交易中的应用。答案：相关性强弱反映两个变量之间线性共变的程度；协整反映两个非平稳序列之间是否存在长期均衡关系，即其线性组合是否平稳。两者的关键区别在于：两个高度相关的非平稳序列完全可能不存在协整关系；两个相关性较低的非平稳序列也可能存在协整关系。因此，相关性衡量的是“同期联动”，协整衡量的是“长期均衡”和“均值回复”特性。在配对交易中，应检验两只股票价格序列之间是否存在协整关系。若价差序列平稳，则价差偏离长期均值后会向均值回复，可据此在价差扩大时做多低估品种、做空高估品种，博取均值回复收益。仅凭相关性选择配对组合，容易产生伪回归风险。五、编程题（20分）1.编写Python函数max_drawdown(prices)，计算给定价格序列的最大回撤。要求：（1）说明算法思路；（2）给出完整Python代码；（3）计算prices=[100,105,102,98,110,95]的最大回撤。答案：算法思路：最大回撤定义为遍历任意历史高点之后、当前价格相对该高点的最大下跌比例：M其中pi为pj之前出现的最高价格。遍历时维护历史最高价peak；每遇到更高价格就更新peak，否则计算当前回撤并与历史最大回撤比较。时间复杂度为O(完整代码如下：defmax_drawdown(prices):

ifnotprices:

return0.0

peak=prices[0]

mdd=0.0

forpriceinprices[1:]:

ifprice>peak:

peak=price

dd=(peak-price)/peak

ifdd>mdd:

mdd=dd

returnmdd以prices=[100,105,102,98,110,95]为例：-价格105更新峰值；-价格102的回撤为105−-价格98的回撤为1