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.智能风控中，申请评分卡（A卡）的核心预测目标是（）A.客户授信额度使用率B.客户申请通过后未来一段时间内的违约概率C.客户活期存款余额变化D.客户历史交易笔数答案B解析A卡是贷前申请评分模型，用于评估申请人未来一段时间内的违约风险概率，为授信决策提供依据。2.逻辑回归输出的是[0,1]区间内的概率值，其主要原因是采用了（）A.ReLU函数B.Tanh函数C.Sigmoid函数D.Softmax函数答案C解析Sigmoid函数将任意实数映射到[0,1]区间，适用于二分类概率输出。Softmax用于多分类概率归一化。3.评估二分类模型区分能力的AUC值表示（）A.模型预测准确率的曲线下面积B.ROC曲线下面积C.精确率-召回率曲线下面积D.宏平均F1的曲线下面积答案B解析AUC通常指ROC曲线下面积，取值范围[0.5,1]，越接近1说明区分能力越强。4.在风控建模中，KS值（Kolmogorov-Smirnov）主要用于衡量（）A.模型稳定性B.特征之间的相关性C.好样本与坏样本累积分布的差异程度D.模型训练速度答案C解析KS值衡量好坏样本预测分数累积分布的最大差值，是评估风控模型排序和区分能力的重要指标。5.模型训练中，特征变量“近6个月贷款审批查询次数”属于典型的（）特征，是“多头借贷”的重要度量之一。A.行为特征B.身份特征C.设备环境特征D.收入证明特征答案A解析审批查询次数属于行为特征，反映客户近期资金饥渴程度。6.模型上线后，输入数据特征分布相对建模样本发生偏移，但特征与标签的真实关系未改变，这种偏移称为（）A.概念漂移（ConceptDrift）B.协变量偏移（CovariateShift）C.标签偏移（LabelShift）D.特征缺失答案B解析协变量偏移指输入特征分布变化、但条件分布P(y|7.在评分卡建模中，WOE（WeightofEvidence）编码的本质是（）A.对类别特征进行独热编码B.衡量某个特征分箱内好坏样本比例相对总体好坏比例的差异C.填充缺失值D.对连续特征进行标准化答案B解析WOE反映某一分箱中好样本与坏样本之比相对总体的对数优势，是评分卡建模中特征离散化的常用表示。8.以下哪个指标对样本类别不平衡最不敏感，因而常作为模型选型的综合评价指标？（）A.准确率B.AUCC.精确率D.坏样本召回率答案B解析AUC基于排序而非阈值，对类别不平衡相对鲁棒。准确率在高度不平衡场景下容易虚高。9.以下哪一项是身份欺诈风险的主要特征？（）A.客户还款账户资金不足B.申请人冒用他人身份信息申请贷款C.客户近期查询次数略微增加D.客户授权额度使用率较高答案B解析身份欺诈是指使用虚假或冒用他人身份信息进行贷款申请，属于典型的反欺诈场景。10.反欺诈模型上前监控中，若发现某设备短时间内关联了多个不同实名账户，这通常属于（）A.第一方欺诈B.第三方欺诈C.集中度异常/关联关系异常D.信用风险答案C解析同一设备关联多实名账户属于团伙欺诈/关联关系的集中度异常信号，是反欺诈的重要特征。11.模型监控中，PSI（PopulationStabilityIndex）的主要作用是（）A.评估模型预测精度B.评估特征或分数的分布稳定性C.评估特征共线性D.评估坏样本浓度答案B解析PSI衡量变量或模型分数在两组样本间分布差异，是模型稳定性监控的核心指标。12.以下哪一个模型具备原生特征交互建模能力，且通常采用直方图算法加速训练？（）A.线性回归B.LightGBMC.朴素贝叶斯D.主成分分析答案B解析LightGBM是梯度提升决策树模型，基于直方图寻找分裂点，能自动学习特征交互和非线性关系。13.风控模型开发中，样本定义时通常将以下哪一类客户标记为“坏客户”？（）A.申请被拒绝的客户B.授信后未激活的客户C.逾期达到约定观察期内逾期天数阈值的客户（如M3+逾期）D.提前结清的客户答案C解析坏样本通常以逾期状态定义，如逾期超过90天（M3+）；未激活或提前结清本质不一定是坏客户。14.在评分卡刻度转换中，若设定基础分数为600分，PDO（PointstoDoubletheOdds）为50分，则当客户好样本/坏样本比率（Odds）翻倍时，其分数应（）A.增加50分B.减少50分C.保持不变D.增加100分答案A解析PDO表示Odds翻倍时分数的变化量。Odds翻倍说明客户更好的程度翻倍，分数增加50分。15.以下关于过采样的说法，正确的是（）A.过采样会减少少数类样本数量B.过采样一定会造成模型过拟合，其效果必定不如欠采样C.过采样会人为增加少数类样本信息，可能存在过拟合风险，需结合交叉验证评估D.过采样只适用于回归问题答案C解析过采样通过复制或合成少数类样本改变样本分布，可能带来过拟合风险，需谨慎使用并配合验证。16.在风控模型特征分析中，IV（InformationValue）值小于0.02的特征通常被认为是（）A.极高预测力的特征B.中等预测力的特征C.预测力极弱的特征D.只能用于反欺诈模型的特征答案C解析经验上IV<0.02表示特征几乎没有预测力。17.下列哪项更适合用于衡量模型概率校准效果？（）A.KS值B.AUCC.BrierScore/可靠性曲线D.缺失率答案C解析KS和AUC衡量排序能力，不直接衡量概率校准。BrierScore和可靠性曲线用于评估概率校准。18.使用决策树模型时，限制树的最大深度主要是为了（）A.提高模型训练速度并减少过拟合风险B.增加特征数量C.提高模型可解释性的同时必然提升AUCD.消除所有样本噪声答案A解析限制树深度是为了降低过拟合，同时通常也会减少训练复杂度。19.“好人”被误判为“坏人”而拒绝贷款，在风控中称为（）A.第二类错误（FalseNegative）B.第一类错误（FalsePositive）C.既不是第一类也不是第二类错误D.模型排序错误答案B解析在风控语境中，第一类错误常指将好客户误拒（FalsePositive）；将坏客户误放贷为第二类错误（FalseNegative）。20.决策树划分节点时，信息增益的计算基础是（）A.基尼系数B.熵（Entropy）的减少C.方差膨胀因子D.余弦相似度答案B解析信息增益衡量划分前后熵的减少程度。方差膨胀因子用于多重共线性诊断。21.以下关于正则化的说法，正确的是（）A.L1正则化容易产生稀疏解，L2正则化会使权重平滑衰减B.L1正则化和L2正则化作用完全相同C.正则化系数越大，模型拟合训练集能力越强D.正则化只能用于线性模型答案A解析L1会引起部分权重为0，易产生稀疏解；L2让权重平滑缩小。22.关于数据泄露（DataLeakage），下列哪项属于典型情形？（）A.将建模样本随机切分为训练集和测试集B.特征计算中使用了目标变量未来信息或标签构造特征C.使用交叉验证选择超参数D.对训练集和测试集统一做缺失值处理答案B解析数据泄露是指特征构造中引入了预测时无法获得的信息，尤其是未来信息或标签信息，会导致评估虚高。23.在评分卡中，归一化后的WOE变量代入逻辑回归后，若某分箱WOE为正，则该分箱客户相对于总体更容易表现为（）A.好客户B.坏客户C.无影响D.无法判断答案A解析WOE为正表示该分箱内好样本占比高于坏样本占比，风险相对较低。24.使用随机森林进行特征重要性评估时，最常用的两种重要性度量是基尼重要性和（）A.方差重要性B.排列重要性（PermutationImportance）或基于袋外误差的重要性C.相关系数重要性D.主成分重要性答案B解析树模型通常使用分裂增益/基尼重要性，以及排列重要性、袋外误差等度量。25.以下情况最容易导致线上模型效果显著低于离线验证效果的是（）A.线上使用完全相同的特征口径和稳定的数据分布B.训练数据与线上数据存在显著的样本选择偏差或时间穿越C.使用交叉验证调参D.增加正则化强度答案B解析样本选择偏差、时间穿越、分布偏移是线上效果衰减的常见原因。26.模型区分“逾期1天”与“逾期90天”时，若将逾期1天也定义为坏样本，这种做法的潜在问题是（）A.坏样本过多B.标签噪声增大，模型学习到的规律不稳定C.必然提高KS值D.对模型没有影响答案B解析逾期1天可能是偶然的还款延迟，将其定义为坏样本会引入大量标签噪声，影响模型稳定性。27.反欺诈场景中的“撞库攻击”通常表现为（）A.用自己的真实信息申请多笔贷款B.利用其他平台泄露的账号密码批量尝试登录，从而获取客户账户控制权C.伪造收入证明D.短期内提前结清贷款答案B解析撞库攻击是利用已泄露的账号密码组合批量登录其他平台，属于典型的账户安全类欺诈。28.以下哪一项不是LightGBM等GBDT模型的常见超参数？（）A.learning_rateB.num_leavesC.max_depthD.batch_size答案D解析batch_size是深度学习优化器的超参数，GBDT通常不需要。29.在风控模型开发流程中，模型验证（Validation）通常不包括（）A.时间外样本验证（OOT）B.交叉验证C.线上实时决策效果验证D.使用训练集留出样本进行评估答案C解析模型验证通常指离线验证，线上实时决策效果属于上线后的监控与评估阶段。30.某一评分卡模型的PD预测值为0.05，实际坏样本率为0.08，且经过校准曲线验证确实存在系统性偏差。该模型最需要优化的是（）A.特征数量B.排序能力校准C.概率校准D.模型训练速度答案C解析预测概率与实际坏样本率存在系统性偏差，说明模型排序可能尚可，但概率校准需要优化。---二、多项选择题（每题2分，共30分，多选、少选、错选均不得分）1.智能风控中常用的有监督学习算法包括（）A.逻辑回归B.XGBoostC.K-MeansD.决策树答案ABD解析逻辑回归、XGBoost、决策树均属于有监督学习；K-Means属于无监督聚类算法。2.以下关于模型区分度指标的说法，正确的有（）A.KS值越高，区分能力一定越强B.AUC是基于ROC曲线的度量指标C.KS值对分数分布的中间部分敏感D.AUC对类别不平衡的敏感性低于准确率答案BD解析AUC基于ROC曲线；AUC对类别不平衡相对鲁棒。KS值高低与分数排序有关，但需考虑业务可解释性和稳定性；KS主要受最大累积分布差异影响，不专门针对中间部分。3.在评分卡建模中，进行特征分箱的目的包括（）A.降低异常值对模型的影响B.将非线性特征离散化以提升线性模型的表达能力C.处理缺失值D.提升特征的业务可解释性答案ABCD解析分箱可降低异常值影响、处理缺失值、增强可解释性，并配合WOE有利于线性模型捕捉趋势。4.以下哪些是模型上线前需要完成的工作？（）A.特征口径文档编写B.模型部署代码与离线训练代码一致性校验C.模型数据库或决策引擎的部署D.确定模型监控指标与阈值答案ABCD解析上线前需确保特征口径一致、部署正确、监控指标和阈值明确，以及文档完整。5.关于SMOTE过采样方法，下列说法错误的有（）A.SMOTE通过对少数类样本进行随机复制来生成新样本B.SMOTE可应用于连续型特征C.SMOTE可用于回归问题，做法与分类完全一致D.SMOTE会改变原始数据的类别分布答案ACD解析SMOTE通过插值合成新样本而非简单复制；它主要用于分类问题的连续特征，回归问题不能直接套用；但它确实会改变类别分布，因此该项不是错误说法。6.以下哪些属于常见的风控业务问题？（）A.申请反欺诈B.贷中额度调整C.贷后早期催收D.客户流失预测答案ABCD解析风控业务涵盖贷前反欺诈、贷中额度/定价/行为监控、贷后催收模型等；客户流失也可能影响整体风险管理。7.在使用逻辑回归建模时，可能引起模型系数过大的原因包括（）A.特征之间存在严重多重共线性B.特征未做标准化或归一化C.样本量大，特征量多D.正则化系数极小答案ABD解析多重共线性、特征未标准化以及正则化不足都可能使系数过大。8.对于第三方欺诈（如团伙欺诈）的识别，以下哪些特征可能有帮助？（）A.同一IP地址短时间申请次数B.设备关联账户数量C.身份证号与姓名匹配度D.通讯录中与已命中黑名单人员的重叠比例答案ABD解析身份证与姓名匹配度主要帮助识别身份冒用，对团伙欺诈的直接作用有限。9.以下关于模型稳定性的说法，正确的有（）A.PSI值大于0.25通常认为分布发生明显变化B.PSI可用于评估模型分数分布和特征分布稳定性C.当训练集和测试集有明显时间间隔时，应关注时间外验证表现D.AUC能全面反映模型的概率校准程度答案ABC解析AUC不能反映概率校准程度，D错误。PSI是常用稳定性指标，OOT验证用于评估时间外表现。10.以下哪些属于逻辑回归模型的优点？（）A.模型训练速度快B.可解释性强C.能直接学习复杂的特征交互D.容易部署到评分卡系统中答案ABD解析逻辑回归属于线性模型，不能直接学习复杂特征交互；优点是训练快、可解释性和部署友好。11.关于风控建模样本设计，以下说法正确的有（）A.样本观察期不宜过长，否则业务环境变化影响模型B.样本观察期和表现期之间应有合理间隔C.应避免引入尚未到观察期末的样本D.逾期标签的观察期越长，样本越充足，因此可以随意延长答案ABC解析观察期和表现期需要根据业务合理设定，不能随意延长或引入未成熟样本。12.在决策树和GBDT模型训练中，以下哪些方法可能降低过拟合风险？（）A.增加树的最大深度B.增加正则化参数C.降低learning_rate并适当增加树的数量D.早停（EarlyStopping）答案BCD解析增加树深度通常会增加过拟合风险。其他方法有助于降低过拟合。13.以下哪些原因是造成模型线上坏样本率高于验证集坏样本率的重要原因？（）A.线上业务渠道发生变化B.欺诈团伙集中攻击C.宏观经济下行D.所有特征完全缺失答案ABC解析渠道变化、欺诈攻击、宏观经济波动都可能导致线上坏样本率升高；所有特征完全缺失是极端异常情况，一般不会出现在正常线上流程。14.以下关于评分卡刻度与PD关系的描述，正确的有（）A.评分越高，违约概率越低B.PDO越大，相同Odds变化引起的分数变化越小C.评分与Odds在标准刻度转换中呈对数线性关系D.评分可以直接解释为违约概率百分比答案ABC解析标准评分卡中，分数越高代表违约概率越低；评分与Odds对数呈线性关系，不能直接解释为违约概率百分比。15.在风控特征工程中，以下哪些属于衍生特征？（）A.近3个月平均使用额度B.近6个月逾期次数的移动平均C.客户年龄D.负债总额与收入之比答案ABD解析客户年龄为原始（基础）特征，其他为基于多个基础特征或时间窗口组合/统计得到的衍生特征。---三、判断题（每题1分，共20分）1.申请评分卡是贷前阶段使用的模型。答案正确2.在二分类模型中，AUC=0.5表示模型区分能力与随机猜测相当。答案正确解析AUC为0.5表示模型没有区分能力，等价于随机预测。3.KS值最大值为1，最小值为0。答案正确解析KS值取值范围为[0,1]。4.风控模型中，可以把当前月是否逾期作为预测下个月是否逾期的特征。答案正确解析贷中行为模型可以用当期行为预测未来，但需注意时间窗口穿越问题。5.特征分箱后，WOE值越大，坏客户比例一定越高。答案错误解析WOE值越大，说明该分箱好样本占比越高，坏客户比例越低。6.评分卡模型中，任何变量都需要进行WOE编码，不能直接使用连续变量。答案错误解析WOE编码是常用的评分卡处理方式，但并非所有模型或评分卡都必须使用WOE编码，也可以使用连续变量、其他编码方式或非WOE评分卡。7.在风控建模中，样本不平衡的情况下，准确率依然是最好的评估指标。答案错误解析样本不平衡时准确率容易失真，通常需结合AUC、KS、F1、召回率等指标。8.达到相同KS值，模型上线后坏账率一定完全一致。答案错误解析KS反映排序能力，与实际坏账水平和分数阈值设置有关，不能保证坏账率完全一致。9.模型上线后不需要进行监控，因为离线验证已经足够。答案错误解析模型上线后需要持续监控分数分布、特征稳定性和业务效果，以发现衰减和异常。10.逻辑回归属于线性模型的一种。答案正确11.特征共线性不会对逻辑回归模型产生影响。答案错误解析特征共线性会导致系数不稳定、方差增大，影响模型解释和稳定性。12.数据建模中的时间穿越指的是使用未来信息来预测过去，或特征计算中使用了预测时点之后的信息。答案正确13.决策树模型可以依靠自身直接输出每个客户所属类别的概率。答案正确解析决策树叶子节点可以通过样本占比输出概率估计，但需注意其概率校准可能不够理想。14.在评分卡开发中，坏样本通常定义为逾期1天即算坏客户。答案错误解析坏样本一般按业务定义，如M3+逾期等，不一定是逾期1天。15.模型上线时，线上特征处理逻辑可以与离线不一致，只要模型参数一致即可。答案错误解析线上特征处理逻辑必须与离线保持一致，否则模型输入口径不一致，预测结果不可靠。16.SMOTE通过随机复制少数类样本解决类别不平衡问题。答案错误解析SMOTE是合成少数类样本，不是随机复制。17.使用L1正则化可能使部分特征权重为零。答案正确18.随机森林相对单棵决策树通常具有更低的方差。答案正确19.似然比检验可以用于比较两个嵌套模型。答案正确解析似然比检验用于比较嵌套模型的拟合优度。20.评分卡中PDO值越大，Odds翻倍所需分数变化越小。答案错误解析PDO是Odds翻倍时分数变化量，PDO越大，分数变化也越大。---四、简答题（每题5分，共20分）1.简述申请评分卡（A卡）与行为评分卡（B卡）的核心区别。答案A卡主要用于贷前申请环节，评估新申请客户的违约风险，特征以申请表、征信、外部数据为主；B卡主要用于存量客户贷中管理，基于客户在账户使用过程中的行为数据（如还款、消费、使用率、