2025年征信数据质量控制考试题库：信用评估方法.docxVIP

2025年征信数据质量控制考试题库：信用评估方法

一、单项选择题（每题2分，共40分）

1.信用评估中，Logistic回归模型的核心假设是？

A.特征变量服从正态分布

B.违约概率与特征变量的线性组合满足Logistic函数关系

C.特征间存在显著多重共线性

D.因变量为连续型变量

答案：B

解析：Logistic回归通过S型函数将线性组合映射到0-1概率空间，核心假设是违约概率P与特征变量的线性组合满足P=1/(1+e^-(β0+β1X1+…+βnXn))。

2.以下哪项不属于专家判断法的局限性？

A.主观性强，依赖评估人员经验

B.难以处理大规模数据

C.可解释性弱

D.评估标准一致性差

答案：C

解析：专家判断法的优势之一是可解释性强（评估逻辑基于明确的规则或经验总结），局限性包括主观性、效率低、标准不统一等。

3.在信用评分卡开发中，WOE（证据权重）转换的主要目的是？

A.消除特征量纲影响

B.增强特征与违约概率的单调性

C.降低模型计算复杂度

D.提高模型预测精度

答案：B

解析：WOE转换通过计算各分箱中违约与正常样本的比例对数，使特征分箱后的取值与违约概率呈单调关系，便于Logistic回归建模。

4.随机森林模型在信用评估中优于单棵决策树的关键原因是？

A.采用Boosting集成策略

B.通过自助采样（Bootstrap）和特征随机选择降低过拟合

C.支持处理缺失值

D.输出结果具有严格可解释性

答案：B

解析：随机森林通过Bagging集成多棵决策树（每棵树基于自助样本和随机选择的特征子集训练），降低了单棵树的方差，提升了泛化能力。

5.评估信用模型区分能力的常用指标是？

A.准确率（Accuracy）

B.KS值（Kolmogorov-Smirnov）

C.均方误差（MSE）

D.混淆矩阵中的真负率（TNR）

答案：B

解析：KS值衡量模型将违约与正常样本区分开的能力，计算违约样本累积分布与正常样本累积分布的最大差值，值越大（通常0.2-0.3为良好），区分能力越强。

6.当信用模型的PSI（人口稳定性指数）为0.3时，最合理的应对措施是？

A.直接使用模型，无需调整

B.重新校准模型参数

C.立即开发新模型

D.检查数据分布变化原因，视情况更新模型

答案：D

解析：PSI≤0.1表示稳定性高，0.1-0.25需关注，0.25需重新建模。0.3属于显著变化，需先分析原因（如客群结构变化、政策调整），再决定是否更新模型。

7.小微企业信用评估中，以下哪类数据属于“替代数据”？

A.企业资产负债表

B.企业主个人征信报告

C.电商平台交易流水

D.银行信贷记录

答案：C

解析：替代数据指传统征信未覆盖的非结构化或半结构化数据（如水电缴费、电商交易、社交行为等），用于补充小微企业信用信息。

8.在处理信用数据中的缺失值时，以下方法最可能引入偏差的是？

A.删除缺失值超过50%的变量

B.用变量均值填充连续型特征

C.用众数填充分类型特征

D.新增“缺失”标记作为独立类别

答案：B

解析：均值填充假设缺失值与非缺失值分布一致，但实际中缺失可能与违约风险相关（如收入缺失可能因高风险客户隐瞒），均值填充会模糊这种关联，导致模型低估风险。

9.信用评估中，“过拟合”的典型表现是？

A.训练集准确率远高于测试集

B.模型对新样本预测偏差大

C.特征重要性排序不稳定

D.混淆矩阵中假阳性率过高

答案：A

解析：过拟合指模型过度学习训练集的噪声，导致训练集表现优异但测试集泛化能力差，核心表现是训练集与测试集性能差距显著。

10.以下哪项是XGBoost模型相比随机森林的优势？

A.天然支持并行计算

B.对异常值不敏感

C.内置正则化防止过拟合

D.输出结果可解释性更强

答案：C

解析：XGBoost通过L1/L2正则化控制模型复杂度，随机森林主要通过树的数量和特征随机选择控制过拟合，XGBoost的正则化更灵活。

二、多项选择题（每题3分，共30分）

1.传统信用评分卡（如FICO评分）的主要特点包括？

A.基于Logistic回归或线性模型

B.特征经过分箱和WOE转换

C.强调可解释性和稳定性

D.适用于高维非结构化数据

答案：ABC

解析：传统评分卡通常使用线性模型，通过分箱提升特征与目标的单调性，注