2025年CFA二級數量方法考生回憶版+官方校正真題答案

2025年CFA二級數量方法考生回憶版+官方校正真題答案

一、單項選擇題（每題2分，共20分）1.在多元線性回歸中，若解釋變量之間存在高度線性相關，則最可能出現的后果是A.標準誤被低估，t統計量被高估B.標準誤被高估，t統計量被低估C.系數估計值不再無偏D.殘差平方和顯著減小2.對AR(1)過程yt=0.8yt?1+εt進行單位根檢驗，若DF檢驗統計量為?2.3，臨界值?2.86（5%），則結論為A.拒絕原假設，序列平穩B.不拒絕原假設，存在單位根C.拒絕原假設，存在單位根D.不拒絕原假設，序列平穩3.使用廣義最小二乘（GLS）代替OLS的主要動機是A.解釋變量內生B.誤差項異方差或自相關C.模型遺漏變量D.解釋變量非正態4.在二元Probit模型中，邊際效應計算通常采用A.對平均個體取概率密度再乘系數B.直接取系數值C.對全部個體邊際效應平均D.對因變量均值求導5.若樣本協方差矩陣非正定，最可能的原因是A.變量量綱差異過大B.樣本量小于變量數C.存在缺失值D.變量非平穩6.對GARCH(1,1)模型，長期無條件方差存在的條件是A.α+β<1B.α+β>1C.α+β=1D.α=β7.在機器學習中，k折交叉驗證的k增大將導致A.偏差減小，方差增大B.偏差增大，方差減小C.偏差與方差均增大D.偏差與方差均減小8.主成分分析中第一主成分的方差貢獻率等于A.對應特征值除以總特征值之和B.對應特征值除以變量個數C.對應特征向量之和D.變量方差之和9.若Durbin-Watson統計量接近4，則誤差項最可能存在A.正自相關B.負自相關C.無自相關D.異方差10.在蒙特卡洛模擬中，降低方差的技術不包括A.對偶變量法B.控制變量法C.增加模擬次數D.提高隨機數種子長度二、填空題（每題2分，共20分）11.當ARCH檢驗顯著時，表明誤差項存在________。12.若回歸模型中VIF值大于________，通常認為存在嚴重多重共線性。13.在AR(p)模型中，特征方程所有根的模大于1時，過程________。14.對于隨機游走序列，其一階差分后的過程為________噪聲。15.在Logit模型中，幾率比的對數線性形式稱為________。16.當樣本量n→∞時，OLS估計量漸近服從________分布。17.若樣本偏度為?0.9，則分布左側尾部比右側________。18.在LASSO回歸中，懲罰項采用________范數。19.若兩變量樣本相關系數為0，僅能說明線性________相關。20.對GMM估計，最優權重矩陣為矩條件協方差矩陣的________。三、判斷題（每題2分，共20分，正確寫“T”，錯誤寫“F”）21.當模型存在內生解釋變量時，OLS估計量仍保持一致性。22.若殘差呈現“喇叭口”形狀，表明存在異方差。23.在VAR模型中，所有變量均被視作內生。24.若樣本kurtosis>3，則分布峰度比正態分布更平緩。25.對于白噪聲過程，其ACF在所有滯后階數均顯著為零。26.當懲罰回歸的λ=0時，LASSO等價于OLS。27.若隨機變量聯合正態，則零相關等價于獨立。28.在Bootstrap中，有放回抽樣會導致原樣本信息丟失。29.若模型R2很高但Durbin-Watson接近0，仍可信任系數顯著性。30.對非平穩序列直接進行OLS回歸可能出現偽回歸。四、簡答題（每題5分，共20分）31.簡述多重共線性對回歸結果的具體影響及兩種常用診斷方法。32.說明GARCH模型相比ARCH模型的優勢，并寫出GARCH(1,1)的無條件方差公式。33.解釋Probit模型中“潛變量”假設，并說明如何由此推導似然函數。34.比較k折交叉驗證與留出法在偏差—方差權衡上的差異。五、討論題（每題5分，共20分）35.討論在金融風險預測中，GARCH族模型與機器學習回歸方法各自的適用場景及局限。36.當面對高維數據（p≈n）時，傳統OLS面臨哪些問題？LASSO與嶺回歸如何緩解這些問題？37.若宏觀經濟變量存在結構突變，傳統單位根檢驗可能出現何種誤判？應如何修正？38.在構建多因子資產定價模型時，若因子之間存在高度共線性，會對因子風險溢價估計產生何種影響？提出兩種可行的實證處理方案。答案與解析一、單項選擇題1.B2.B3.B4.A5.B6.A7.A8.A9.B10.D二、填空題11.條件異方差12.1013.平穩14.白15.Logit16.正態17.更長18.L119.不20.逆矩陣三、判斷題21.F22.T23.T24.F25.T26.T27.T28.F29.F30.T四、簡答題（每題約200字）31.多重共線性使系數估計方差膨脹，t值下降，個別變量顯著性被掩蓋，但R2可仍高。診斷：1.方差膨脹因子VIF>10；2.條件指數>30且方差比例集中。補救可刪除、合并變量或用主成分回歸。32.GARCH用少量參數刻畫波動持久性，避免ARCH高階冗長。GARCH(1,1)無條件方差σ2=ω/(1?α?β)，要求α+β<1確保平穩。33.設潛變量y=xβ+ε,ε~N(0,1)，觀測y=1若y>0。P(y=1|x)=Φ(xβ)，似然L=∏[Φ(xiβ)^yi][1?Φ(xiβ)]^{1?yi}，通過最大化L得Probit估計。34.k折將數據分k份，輪流用k?1訓練，1份驗證，平均k次結果；偏差小但方差因重復估計增大。留出法一次性拆分，偏差大（樣本減少）但方差小，計算快。五、討論題（每題約200字）35.GARCH擅長刻畫時變波動聚集與厚尾，參數經濟含義清晰，但對非線性結構捕捉不足；機器學習可納入大量外生變量與非線性交互，預測彈性高，卻易過擬合且解釋性差。高頻數據、監管報表宜用GARCH；復雜高維市場狀態，可用隨機森林、XGBoost，但需交叉驗證控制過擬合。36.p≈n時OLS系數方差無窮大，模型不穩定，變量選擇困難。LASSO通過L1懲罰將不重要系數壓縮至零，實現變量選擇；嶺回歸用L2懲罰縮小系數但不置零，保持所有變量，適合共線高維預測。二者均在偏差—方差權衡中降低方差，提升泛化。37.結構突變使單位根檢驗-size扭曲，易將平穩過程誤判為單位根。可采用Zivot-Andrews內生斷點檢驗，或滾動窗口/遞推ADF，先識別突變點再分