2026年人工智能技术在金融风控中的应用研究试卷及答案

2026年人工智能技术在金融风控中的应用研究试卷及答案一、单项选择题（每题2分，共20分）1.在信用评分卡建模中，WOE（WeightofEvidence）主要用于描述特征的何种性质？A.特征各分箱内好坏客户占比的差异程度B.特征间的相关程度C.模型预测误差的大小D.样本缺失率的高低答案：A解析：WOE定义为WOEi2.下列算法中，属于集成学习且在结构化风控表格数据上表现最为突出的是？A.K-MeansB.朴素贝叶斯C.XGBoostD.Apriori答案：C解析：XGBoost是梯度提升树集成算法，在信贷、反欺诈等表格数据场景中应用广泛。K-Means属于聚类，朴素贝叶斯为贝叶斯分类器，Apriori为关联规则挖掘。3.在欺诈检测中，当正样本（欺诈样本）占比低于1%时，下列哪种处理方式在工业界最为常用？A.直接删除大量负样本使两类样本均衡B.使用主成分分析自动生成新样本C.降低模型复杂度以忽略少数类D.使用SMOTE等过采样方法合成少数类样本答案：D解析：SMOTE通过在少数类样本间线性插值合成新样本，是处理极端不平衡问题的经典方法。直接删除负样本会丢失大量有效信息，PCA只能降维而不能生成新样本。4.知识图谱在金融风控中的核心应用价值是？A.缩短模型训练时间B.替代征信报告数据C.自动生成信贷审批合同D.刻画实体间的关联关系，识别团伙欺诈与隐性风险传导答案：D5.SHAP值在风控模型中的主要作用是？A.缓解过拟合B.解释模型预测结果，量化各特征对单个预测的贡献C.解决梯度消失问题D.压缩模型存储开销答案：B6.下列指标中，最适合用于评价二分类风控模型区分能力的是？A.R²B.轮廓系数C.困惑度D.AUC答案：D解析：AUC与阈值无关，度量模型将违约客户排在正常客户之后的能力，是风控模型区分能力最常用的指标。R²适用于回归，轮廓系数用于聚类，困惑度用于语言模型。7.KS值在信贷风控中主要用于衡量？A.特征选择的数量B.模型运行延迟C.模型好坏客户累计分布的最大差异，即排序区分能力D.模型参数的稀疏度答案：C8.联邦学习在金融风控中被广泛关注的根本原因在于？A.在多方原始数据不出本地的前提下实现联合建模，兼顾数据合规与隐私保护B.显著降低模型推理时的计算开销C.使模型完全消除偏差D.替代全部人工审核流程答案：A9.根据模型风险管理（MRM）框架，模型验证工作应当由谁执行？A.模型开发团队自身B.独立于开发团队的验证团队C.业务前端销售团队D.外部广告投放团队答案：B解析：模型验证强调独立性，必须由不参与模型开发的人员或团队实施，以保证验证结论客观、有效。10.风控模型上线前开展A/B测试，其核心目的是？A.验证新模型相对当前线上策略是否在真实流量下取得显著更优的业务表现B.计算模型的参数总量C.扩大训练样本规模D.将模型输出概率映射为评分卡分数答案：A二、多项选择题（每题3分，共15分）1.下列属于模型可解释性方法的有？A.LIMEB.SHAPC.决策树规则提取D.Dropout答案：ABC解析：LIME通过局部代理模型解释单条预测，SHAP基于Shapley值分解特征贡献，规则提取将模型转化为可读规则；Dropout是神经网络正则化技术，与可解释性无关。2.在信贷风控特征工程中，下列哪些属于时序衍生特征？A.最近3个月贷款申请次数B.近6个月消费金额的均值与标准差C.设备品牌D.历史最大逾期天数答案：ABD解析：时序特征强调在时间窗口上的统计聚合或历史行为轨迹；设备品牌属于静态设备指纹类特征，不包含时间维度。3.人工智能技术在反洗钱（AML）领域的典型应用包括？A.可疑交易智能识别与预警B.客户身份识别与受益所有人穿透C.资金链路与涉罪团伙网络分析D.客户洗钱风险等级动态划分答案：ABCD4.以下哪些属于AI风控模型在真实业务落地中面临的挑战？A.数据隐私保护与监管合规约束B.模型"黑箱"导致难以解释与审计C.欺诈样本稀缺造成类别高度不平衡D.模型上线后无需持续监控答案：ABC解析：D表述错误，实际情况恰恰相反——模型上线后必须持续监控，以应对客群漂移、概念漂移与黑产策略演化带来的性能衰退。5.关于逻辑回归评分卡，下列说法正确的有？A.通常对连续变量分箱并计算WOE后入模B.模型输出通过线性变换映射为整数信用分数C.评分越高表示违约概率越高D.分数与对数几率（logodds）呈线性关系，分箱与WOE编码可刻画非线性关系答案：ABD解析：标准评分卡中评分越高代表信用风险越低，C错误。分数与对数几率满足：score三、判断题（每题1分，共10分）1.AUC越接近1，说明模型将违约客户排列在正常客户之后的能力越强。答案：正确解析：AUC等价于随机抽取的违约客户的预测得分高于正常客户预测得分的概率，越接近1说明排序区分能力越强。2.逻辑回归对特征间的多重共线性并不敏感，因此风控建模前无需进行相关性筛查。答案：错误解析：多重共线性会使逻辑回归参数估计方差增大、系数符号失真，建模前通常需要进行相关性分析与特征筛选。3.规则引擎与机器学习模型可以混合部署，规则负责兜底拦截，模型负责精准量化风险。答案：正确4.对于正负样本极度不平衡的数据，过采样方法总能在不引入噪声的前提下显著提升模型性能。答案：错误解析：过采样可能造成对少数类样本的过拟合或放大噪声，实践中常与欠采样、代价敏感学习、集成方法结合使用。5.模型验证必须由独立于模型开发团队的团队完成，以保证验证过程的客观性与独立性。答案：正确6.在信贷样本量较小的情况下，深度学习模型一定优于逻辑回归。答案：错误解析：深度学习依赖大规模数据支撑，小样本场景下逻辑回归、梯度提升树等模型往往更稳健且解释性更好。7.联邦学习允许参与方在不共享原始数据的前提下，通过交换模型梯度或参数完成联合建模。答案：正确8.模型一旦上线且业务环境未变，就无需再对模型进行持续监控。答案：错误解析：客群漂移、宏观环境变化、黑产策略演化等因素随时可能导致模型性能衰退，持续监控是模型生命周期管理的必备环节。9.在信贷影像审核中，OCR技术常用于识别身份证、收入证明等材料的文字信息，辅助核验材料真伪。答案：正确10.模型客群偏移（PopulationDrift）是指模型开发样本与上线后实际客群分布发生显著差异，是模型监控的重要关注点。答案：正确四、名词解释（每题3分，共15分）1.评分卡（Scorecard）答案：评分卡是信用风险评估中一类以分数形式输出风险高低的模型工具，通常基于逻辑回归构建，通过对特征分箱、WOE编码并将对数几率线性映射为整数分数。评分越高代表违约概率越低。按应用阶段可分为申请评分卡、行为评分卡和催收评分卡。2.联邦学习（FederatedLearning）答案：一种分布式机器学习框架，多个参与方在不共享原始数据的前提下，通过交换模型梯度、参数或中间结果协同训练全局模型，从而保护数据隐私与数据主权，适用于跨机构联合风控建模。3.替代数据（AlternativeData）答案：指传统征信数据之外的新型数据源，如电商交易记录、水电煤缴费、设备行为、社交与工商舆情等，可用于补充刻画征信白户、薄征信人群的信用水平，扩大普惠金融覆盖面。4.KS值答案：Kolmogorov-Smirnov统计量在风控中用于衡量模型对好坏客户的排序区分能力，定义为好客户与坏客户累计分布之差的绝对值的最大值：KKS值越大表示区分能力越强，通常KS大于0.3认为模型具有较好的区分度。5.对抗样本（AdversarialExamples）答案：指通过对输入数据施加人眼难以察觉的微小扰动，使模型产生错误预测的样本。在金融风控中，黑产可能利用对抗样本规避反欺诈模型的识别，是模型安全研究的重要方向。五、简答题（每题5分，共20分）1.简述申请评分卡、行为评分卡、催收评分卡的应用场景与主要差异。答案：(1)申请评分卡：用于贷前审批，基于申请信息、征信报告与外部三方数据，预测新客户未来违约概率，支持是否授信及额度、利率定价；(2)行为评分卡：用于贷中管理，基于贷后还款行为、用信习惯、账户变动等数据动态评估存量客户风险，支持额度调整、风险预警与交叉营销；(3)催收评分卡：用于贷后催收，预测逾期客户的还款意愿与还款能力，支持催收分群、策略制定与资源分配。三类评分卡的主要差异在于使用阶段（贷前、贷中、贷后）、数据来源、目标变量定义及决策场景不同。2.简述机器学习风控模型开发的标准流程。答案：(1)业务定义：明确预测目标（违约、欺诈等），确定坏样本口径与观察期、表现期；(2)数据与样本设计：采集内外部数据，完成样本切分，注意按时间序列划分训练集与验证集；(3)特征工程：数据清洗、缺失值处理、分箱与WOE编码、衍生特征构造、特征筛选；(4)建模与调优：选择逻辑回归、XGBoost、深度学习等算法，通过交叉验证进行超参数优化；(5)模型评估：使用AUC、KS、PSI、Lift等指标评估区分能力、稳定性与业务增益；(6)验证与审批：由独立验证团队复核，履行内部模型审批与监管备案程序；(7)部署与监控：线上部署后持续监控模型性能与客群漂移，定期迭代优化。3.为什么金融风控中强调模型的公平性与可解释性？请列举两种可能产生歧视偏差的场景。答案：强调公平性是因为模型若因性别、年龄、地域等敏感属性对客群产生系统性歧视，将违反《个人信息保护法》等法律法规，并带来监管处罚、诉讼与声誉风险；强调可解释性则因为监管要求模型决策"可解释、可审计"，同时业务人员需要依据特征贡献进行人工复核、客户申诉处理与策略调优。可能产生歧视偏差的场景：(1)历史偏见传导：训练数据中某地区、某年龄段客户历史坏账率偏高，模型将地域、年龄作为强负向因子，形成间接歧视；(2)代理特征歧视：如"夜间交易时段""使用机型价位"等特征与收入水平、居住区域高度相关，导致模型对该类客群评分产生系统性偏差；(3)样本选择偏差：训练样本以单一获客渠道为主，使模型对该渠道客群过度拟合而对其余客群不公平。4.简述LIME与SHAP的核心思想，并说明二者的主要区别。答案：(1)LIME：在待解释样本的邻近区域进行扰动采样，训练一个可解释的局部代理模型（如线性回归、决策树），以此近似反映各特征对该样本预测结果的边际影响；(2)SHAP：基于合作博弈论的Shapley值，将单条预测值分解为各特征的贡献之和，满足局部精确性、一致性与可加性；(3)主要区别：LIME的局部近似结果受扰动方式与代理模型选择影响，可重复性较弱；SHAP具有严谨的理论保证，解释结果稳定，但计算开销通常高于LIME。二者均为模型无关（Model-agnostic）的解释方法。六、论述题（每题10分，共20分）1.结合当前业界实践，论述人工智能技术在银行信贷风控中的应用现状、主要挑战与未来发展趋势。答案：(1)应用现状：①贷前环节：智能评分卡与机器学习模型用于申请审批，知识图谱与图神经网络被用于识别关联担保、团伙欺诈；OCR与NLP技术自动识别证照材料，解析工商、舆情与司法信息；②贷中环节：行为评分模型实时监控贷后风险，机器学习驱动差异化额度调整与利率定价；③贷后环节：智能催收分群、逾期预测、失联修复模型广泛应用；反洗钱领域使用图计算与异常检测识别可疑资金链路；④技术架构上呈现"规则+机器学习+深度学习"融合态势，XGBoost、LightGBM仍是表格数据的主力模型，图神经网络与大模型开始在复杂场景试点落地。(2)主要挑战：①数据层面：数据孤岛与隐私合规约束限制多源数据融合，坏样本稀疏、标注成本高；②模型层面：黑箱模型难以满足监管对可解释性与可审计性的要求；模型面临对抗攻击与黑产逆向；上线后概念漂移与客群漂移导致性能衰退；③业务与合规层面：AI决策与人工审核的权责边界需要厘清，算法公平性与歧视风险受到高度关注，模型备案与算法治理要求日趋严格。(3)未来趋势：①可信AI：可解释性技术（SHAP、因果推断、规则约束模型）与模型风险管理体系深度融合；②隐私计算：联邦学习、差分隐私、可信执行环境推动跨机构联合建模；③大模型与多模态：应用于智能尽调、舆情分析、反欺诈语义理解与自动报告生成；④图智能：图神经网络与知识图谱强化团伙欺诈识别与关联风险传导分析；⑤全生命周期治理：从模型开发、验证、部署到监控退出的标准化、自动化治理成为行业共识。解析：评分建议——应用现状、主要挑战、未来趋势各3分，能否结合实例论述1分；三部分结构完整且观点明确方可给满分。2.某消费金融公司一款申请评分卡上线运行6个月后，监控发现模型AUC从上线前的0.78下降至0.72，同期审批通过率未发生明显调整。请分析性能下降的可能原因，并提出一套完整的排查与优化方案。答案：(1)可能原因分析：①客群漂移：获客渠道调整、市场下沉或宏观环境变化，使实际申请客群分布与建模样本产生显著差异；②特征漂移与数据质量变化：外部数据源切换、接口不稳定导致字段缺失率上升，部分特征分布发生偏移（PSI超阈值）；③模型老化与策略自适应：虽然整体通过率未变，但线上规则或策略持续拦截高风险客户，使模型实际承接客群的风险分布