银行风控模型工程师考试试卷及答案

银行风控模型工程师考试试卷及答案银行风控模型工程师考试试卷及答案一、填空题（共10题，每题1分）1.风控模型中，衡量正负样本区分能力的核心指标是______。2.逻辑回归模型的输出结果是______区间的概率值。3.混淆矩阵中，真正例的英文缩写为______。4.信用评分卡的分数转换通常基于______分布。5.特征工程中，处理缺失值的常见方法包括均值填充、______和删除法。6.针对时间序列数据的模型验证方法是______验证。7.PSI指标用于评估特征或模型输出的______变化程度。8.决策树模型中，衡量节点纯度的指标之一是______系数。9.银行风控中，“坏账率”指无法收回的贷款占______的比例。10.机器学习中，______正则化会使部分特征系数变为0，实现特征选择。二、单项选择题（共10题，每题2分）1.以下哪个指标用于评估模型的预测准确性？（）A.KSB.AUCC.PSID.IV2.信用评分卡最常用的基础模型是？（）A.随机森林B.逻辑回归C.XGBoostD.SVM3.处理数据不平衡时，属于过采样方法的是？（）A.SMOTEB.随机下采样C.权重调整D.特征选择4.CSI指标主要用于监控？（）A.特征分布漂移B.模型性能下降C.样本分布变化D.业务规则变化5.以下哪项不属于风控模型的输入特征？（）A.客户年龄B.历史逾期记录C.天气情况D.收入水平6.逻辑回归模型的损失函数是？（）A.均方误差B.交叉熵损失C.绝对误差D.平方误差7.适合时间序列数据的验证方法是？（）A.随机交叉验证B.时间外验证C.分层交叉验证D.留一验证8.特征IV值的合理范围是？（）A.0-1B.0-10C.0-∞D.-1-19.风控术语中“PD”指的是？（）A.违约概率B.违约损失率C.风险敞口D.预期损失10.属于树模型集成方法的是？（）A.逻辑回归B.决策树C.随机森林D.线性回归三、多项选择题（共10题，每题2分）1.风控模型的常用评估指标包括？（）A.KSB.AUCC.准确率D.召回率2.特征选择的常用方法有？（）A.IV值筛选B.相关性分析C.L1正则化D.随机森林重要性3.模型监控的核心内容包括？（）A.特征分布漂移B.模型性能下降C.业务规则变化D.数据质量问题4.信用评分卡的构建步骤包括？（）A.数据清洗B.特征工程C.模型训练D.分数转换5.处理缺失值的方法有？（）A.均值填充B.中位数填充C.众数填充D.模型预测填充6.属于有监督学习的模型是？（）A.逻辑回归B.聚类C.决策树D.随机森林7.风控场景常用的模型类型有？（）A.分类模型B.回归模型C.聚类模型D.时间序列模型8.模型部署后需监控的指标包括？（）A.PSIB.CSIC.KSD.逾期率9.影响模型性能的因素有？（）A.数据质量B.特征选择C.模型选择D.样本量10.以下属于银行风控应用场景的是？（）A.信用评分B.欺诈检测C.反洗钱D.客户分群四、判断题（共10题，每题2分）1.KS值越高，模型区分能力越强，但过高可能存在过拟合风险。（）2.逻辑回归只能处理线性关系的问题。（）3.信用评分卡分数越高，客户信用风险越低。（）4.PSI值大于0.2表示特征分布发生显著变化。（）5.随机森林模型不易发生过拟合。（）6.逾期率和违约率是同一概念。（）7.特征工程是模型构建中最不重要的步骤。（）8.时间外验证适用于所有类型的数据。（）9.L2正则化会惩罚大系数，有效防止过拟合。（）10.模型监控仅需在部署初期进行。（）五、简答题（共4题，每题5分）1.简述信用评分卡的构建流程。2.简述模型监控的主要内容和流程。3.简述处理数据不平衡问题的常用方法。4.简述特征工程在风控模型中的重要性及主要步骤。六、讨论题（共2题，每题5分）1.讨论风控模型在实际业务中遇到的挑战及解决策略。2.讨论AI模型在银行风控中的伦理问题及应对措施。答案部分：一、填空题答案1.KS2.0-13.TP4.logistic5.中位数填充6.时间外7.分布8.Gini9.总贷款额10.L1二、单项选择题答案1.B2.B3.A4.A5.C6.B7.B8.A9.A10.C三、多项选择题答案1.ABCD2.ABCD3.ABD4.ABCD5.ABCD6.ACD7.AB8.ABCD9.ABCD10.ABC四、判断题答案1.√2.×3.√4.√5.√6.×7.×8.×9.√10.×五、简答题答案1.信用评分卡构建流程：1.数据准备：收集客户基本信息、交易记录、逾期数据等；2.数据清洗：处理缺失值、异常值，剔除无效样本；3.特征工程：分箱（如WOE分箱）、计算IV值筛选特征；4.模型训练：选择逻辑回归等模型训练；5.模型评估：用KS、AUC等指标验证；6.分数转换：将概率转换为评分（基于logistic分布公式）；7.部署监控：时间外验证后上线，持续监控性能。2.模型监控内容：特征分布（CSI）、模型输出分布（PSI）、模型性能（KS/AUC）、业务指标（逾期率）。流程：1.设定阈值（如PSI>0.2预警）；2.定期提取生产数据；3.计算监控指标；4.异常分析（数据漂移/业务变化）；5.采取措施（重新训练/调整特征）；6.记录结果并优化。3.数据不平衡处理方法：1.过采样：SMOTE合成少数类样本；2.下采样：减少多数类样本；3.权重调整：给少数类更高权重；4.模型选择：用XGBoost等鲁棒模型；5.指标调整：用F1/AUC替代准确率；6.特征工程：增加区分度特征。需结合场景选择，如SMOTE适合样本少的情况。4.特征工程重要性：决定模型性能，提升区分度，减少过拟合。步骤：1.特征提取：从原始数据提取相关特征；2.清洗：处理缺失/异常值；3.转换：分箱、标准化、编码；4.选择：IV值、相关性、正则化筛选；5.验证：检查稳定性和区分能力。六、讨论题答案1.风控模型挑战及策略：挑战1.数据质量差：缺失/异常值多，建立清洗规则和质量监控；2.分布漂移：客户行为变化，定期监控PSI/CSI，及时重训；3.业务变化：政策调整，更新特征/模型；4.解释性要求：监管需可解释，用逻辑回归或SHAP工具；5.样本不平衡：少数类少，用SMOTE处理。策略需结合业务，持续迭代优化。2.AI风控伦理问题及措施：问题1.公平性：