2025年金融风险管理师大数据风控模型专题试卷及解析.pdfVIP

2025年金融风险管理师大数据风控模型专题试卷及解析1

2025年金融风险管理师大数据风控模型专题试卷及解析

2025年金融风险管理师大数据风控模型专题试卷及解析

第一部分：单项选择题（共10题，每题2分）

1、在构建大数据风控模型时，下列哪项数据源最能反映借款人的短期偿债能力？

A、社交媒体行为数据

B、银行流水记录

C、电商消费记录

D、设备指纹信息

【答案】B

【解析】正确答案是B。银行流水记录直接反映借款人的资金流动情况和短期偿债

能力，是评估短期还款能力的重要依据。A选项社交媒体行为数据更多反映个人特征和

社交风险，C选项电商消费记录反映消费习惯和偏好，D选项设备指纹信息主要用于反

欺诈识别。知识点：数据源类型与风险评估维度。易错点：容易混淆消费数据与现金流

数据的评估价值。

2、在机器学习模型中，下列哪种算法最适合处理高维稀疏特征？

A、逻辑回归

B、决策树

C、因子分解机

D、Kmeans聚类

【答案】C

【解析】正确答案是C。因子分解机专门设计用于处理高维稀疏特征，能有效捕捉

特征间的交互关系。A选项逻辑回归对稀疏特征处理能力有限，B选项决策树容易过拟

合，D选项Kmeans是无监督算法不适合风控场景。知识点：算法适用场景。易错点：

容易忽视稀疏特征对传统算法的挑战。

3、在模型验证中，KS值主要用于评估模型的什么能力？

A、稳定性

B、区分能力

C、预测精度

D、可解释性

【答案】B

【解析】正确答案是B。KS值衡量好坏样本累积分布的差异，是评估模型区分能力

的重要指标。A选项稳定性通常用PSI衡量，C选项预测精度用AUC或准确率，D选

项可解释性用特征重要性等。知识点：模型评估指标。易错点：容易混淆KS与AUC

的应用场景。

2025年金融风险管理师大数据风控模型专题试卷及解析2

4、在反欺诈场景中，下列哪种技术最能有效识别团伙欺诈？

A、孤立森林

B、图神经网络

C、XGBoost

D、朴素贝叶斯

【答案】B

【解析】正确答案是B。图神经网络能捕捉实体间的关系模式，特别适合识别有组

织的团伙欺诈。A选项孤立森林适合异常检测，C选项XGBoost擅长特征学习但不擅

长关系建模，D选项朴素贝叶斯假设特征独立不适合复杂欺诈模式。知识点：反欺诈技

术选型。易错点：容易忽视关系数据在风控中的价值。

5、在模型监控中，当发现特征分布发生显著变化时，应首先采取什么措施？

A、直接弃用模型

B、分析变化原因

C、调整模型参数

D、增加样本量

【答案】B

【解析】正确答案是B。特征分布变化可能是业务变化或数据问题，需要先分析根

本原因。A选项过于激进，C选项治标不治本，D选项不能解决分布偏移问题。知识点：

模型监控与维护。易错点：容易急于调整模型而忽视问题诊断。

6、在信贷审批中，下列哪种特征工程方法最能有效处理缺失值？

A、直接删除

B、均值填充

C、多重插补

D、忽略处理

【答案】C

【解析】正确答案是C。多重插补能保持数据分布特性，比简单填充更科学。A选

项会损失信息，B选项可能引入偏差，D选项不可行。知识点：特征工程方法。易错点：

容易低估缺失值处理对模型性能的影响。

7、在模型可解释性方面，SHAP值相比LIME的主要优势是什么？

A、计算速度更快

B、全局一致性更好

C、实现更简单

D、支持更多模型

【答案】B

2025年金融风险管理师大数据风控模型专题试卷及解析3

【解析】正确答案是B。SHAP值满足加性特征，保证全局一致性。A选项LIME

通常更快，C选项LIME更简单，D选项两者支持模型相当。知识点：可解释性技术对

比。易错点：容易忽视理论保证的重要性。

8、在实