2025年特许金融分析师机器学习基本概念与金融应用专题试卷及解析.pdfVIP

2025年特许金融分析师机器学习基本概念与金融应用专题试卷及解析1

2025年特许金融分析师机器学习基本概念与金融应用专题

试卷及解析

2025年特许金融分析师机器学习基本概念与金融应用专题试卷及解析

第一部分：单项选择题（共10题，每题2分）

1、在金融风控中，以下哪种机器学习算法最适合处理非线性可分的高维数据？

A、线性回归

B、逻辑回归

C、支持向量机（SVM）

D、K近邻算法

【答案】C

【解析】正确答案是C。支持向量机通过核技巧可以有效处理非线性可分的高维数

据，在信用评分、欺诈检测等金融风控场景中表现优异。A和B都是线性模型，无法

处理复杂非线性关系；D在处理高维数据时容易受维度灾难影响。知识点：SVM的核

函数应用。易错点：误以为逻辑回归能处理所有分类问题。

2、量化交易中，以下哪种方法属于无监督学习？

A、基于历史数据预测股价

B、通过客户行为划分用户群体

C、利用财务报表预测违约概率

D、根据宏观经济指标预测利率

【答案】B

【解析】正确答案是B。用户群体划分属于聚类问题，是无监督学习的典型应用。A、

C、D都是预测类任务，属于监督学习。知识点：监督学习与无监督学习的区别。易错

点：混淆预测任务与聚类任务的分类。

3、在构建投资组合时，主成分分析（PCA）的主要作用是？

A、预测资产收益率

B、降低数据维度

C、计算风险价值

D、识别交易信号

【答案】B

【解析】正确答案是B。PCA通过线性变换将高维数据映射到低维空间，在投资组

合管理中常用于因子提取和降维。A、C、D分别对应预测、风险度量和信号生成，不

是PCA的主要功能。知识点：PCA的金融应用场景。易错点：误以为PCA具有预测

能力。

4、以下哪种技术可以有效防止机器学习模型在金融数据上过拟合？

2025年特许金融分析师机器学习基本概念与金融应用专题试卷及解析2

A、增加模型复杂度

B、使用正则化

C、减少训练数据量

D、忽略特征工程

【答案】B

【解析】正确答案是B。正则化通过惩罚复杂模型来防止过拟合，在金融建模中尤

为重要。A会加剧过拟合；C会降低模型泛化能力；D会导致模型性能下降。知识点：

过拟合的防治方法。易错点：认为更多数据总是更好。

5、在信用评分模型中，ROC曲线下面积（AUC）为0.8表示？

A、模型完全随机

B、模型完美分类

C、模型表现良好

D、模型完全错误

【答案】C

【解析】正确答案是C。AUC=0.8表示模型有较好的区分能力，0.5为随机，1为完

美。AUC是评估二分类模型的重要指标。知识点：模型评估指标。易错点：混淆AUC

与准确率。

6、以下哪种深度学习架构最适合处理时间序列金融数据？

A、卷积神经网络（CNN）

B、循环神经网络（RNN）

C、生成对抗网络（GAN）

D、自编码器

【答案】B

【解析】正确答案是B。RNN及其变体（如LSTM）能捕捉时间依赖关系，适合股

价、利率等序列数据。A适合图像处理；C用于生成数据；D用于降维。知识点：深度

学习架构选择。易错点：误用CNN处理序列数据。

7、在算法交易中，强化学习的主要优势是？

A、需要大量标注数据

B、能通过试错学习最优策略

C、仅适用于线性问题

D、计算成本极低

【答案】B

【解析】正确答案是B。强化学习通过与环境交互学习策略，适合动态交易环境。A

是监督学习的特点；C和D不符合强化学习特性。知识点：强化学习特点。易错点：混

淆强化学习与监督学习。

2025年特许金融分析师机器学习基本概念与金融应用专题试卷及解析3

8、以下哪种特征工程方法对金融时间序列数据最不适用？

A、移动平均

B、滞后特征