2026年金融科技公司算法工程師面試題及答案一、編程題（3題，每題15分，共45分）題目1（15分）：實現(xiàn)一個簡單的貸款審批模型編寫一個函數(shù)`loan_approval_score(credit_score,income,loan_amount,debt_ratio)`，根據(jù)以下規(guī)則計算貸款審批分?jǐn)?shù)（分?jǐn)?shù)范圍為0-100），并返回結(jié)果：1.信用評分（credit_score）每增加10分，分?jǐn)?shù)+5分，最高不超過100分；2.收入（income）每增加5000元，分?jǐn)?shù)+1分，最高不超過50分；3.貸款金額（loan_amount）每減少10萬元，分?jǐn)?shù)+3分，最低不低于0分；4.負(fù)債率（debt_ratio）每降低10%，分?jǐn)?shù)+2分，最低不低于0分。輸入示例：`loan_approval_score(750,20000,80000,0.2)`，輸出應(yīng)為85分。答案：pythondefloan_approval_score(credit_score,income,loan_amount,debt_ratio):score=0信用評分加成score+=(credit_score//10)5score=min(score,100)收入加成score+=(income//5000)score=min(score,50+(credit_score//10)5)貸款金額減成score+=((100-loan_amount//100000)3)score=max(score,0)負(fù)債率減成score+=((100-debt_ratio100)//102)score=max(score,0)returnscore解析：1.信用評分按10分一段計算，最高加成50分（750分對應(yīng)+35分）；2.收入按5000元一段計算，最高加成10分（20000元對應(yīng)+4分）；3.貸款金額每減少10萬元，分?jǐn)?shù)+3分（80000元對應(yīng)+2分）；4.負(fù)債率每降低10%，分?jǐn)?shù)+2分（0.2對應(yīng)+16分）；最終分?jǐn)?shù)為35+4+2+16=57，但需注意各部分限制條件，最終取合理范圍內(nèi)的最高值。題目2（15分）：設(shè)計一個反欺詐規(guī)則引擎編寫一個函數(shù)`fraud_detection(transactions)`，輸入為交易記錄列表（每條記錄包含金額、時間戳、商戶類型、設(shè)備ID），輸出為欺詐交易列表。規(guī)則如下：1.5分鐘內(nèi)同一設(shè)備ID的交易超過3筆；2.金額超過1萬元的交易；3.特定高風(fēng)險商戶類型（如“賭博”、“虛擬貨幣”）的交易。示例輸入：pythontransactions=[{"amount":5000,"timestamp":1679800000,"merchant":"電商","device_id":"A123"},{"amount":15000,"timestamp":1679800050,"merchant":"賭博","device_id":"A123"},{"amount":2000,"timestamp":1679800100,"merchant":"電商","device_id":"A123"},{"amount":5000,"timestamp":1679800150,"merchant":"賭博","device_id":"B456"},{"amount":5000,"timestamp":1679800200,"merchant":"電商","device_id":"A123"},]輸出應(yīng)為：python[{"amount":15000,"timestamp":1679800050,"merchant":"賭博","device_id":"A123"},{"amount":5000,"timestamp":1679800200,"merchant":"電商","device_id":"A123"},]答案：pythonfromcollectionsimportdefaultdictdeffraud_detection(transactions):fraud_transactions=[]device_transactions=defaultdict(list)fortxintransactions:device_id=tx["device_id"]檢查設(shè)備ID交易頻率device_transactions[device_id].append(tx)iflen(device_transactions[device_id])>3:fortindevice_transactions[device_id]:iftnotinfraud_transactions:fraud_transactions.append(t)device_transactions[device_id]=[]檢查金額iftx["amount"]>10000:iftxnotinfraud_transactions:fraud_transactions.append(tx)檢查高風(fēng)險商戶iftx["merchant"]in["賭博","虛擬貨幣"]:iftxnotinfraud_transactions:fraud_transactions.append(tx)returnfraud_transactions解析：1.使用`defaultdict`記錄每個設(shè)備的交易記錄，超過3筆則標(biāo)記為欺詐；2.直接檢查金額是否超過1萬元；3.高風(fēng)險商戶類型直接標(biāo)記為欺詐。需注意避免重復(fù)添加記錄。題目3（15分）：實現(xiàn)推薦系統(tǒng)中的協(xié)同過濾編寫一個函數(shù)`cosine_similarity(matrix)`，輸入為用戶-商品評分矩陣（稀疏表示，如`{"user1":{"item1":5,"item2":3},"user2":{"item1":4}}`），輸出為用戶相似度字典（如`{"user1":{"user2":0.8}}`）。使用余弦相似度計算。答案：pythonimportnumpyasnpdefcosine_similarity(matrix):users=list(matrix.keys())similarity={}fori,user1inenumerate(users):user1_vec=np.array([matrix[user1].get(item,0)foriteminset(sum(matrix.values(),[]))])forj,user2inenumerate(users[i+1:],i+1):user2_vec=np.array([matrix[user2].get(item,0)foriteminset(sum(matrix.values(),[]))])dot_product=np.dot(user1_vec,user2_vec)norm1=np.linalg.norm(user1_vec)norm2=np.linalg.norm(user2_vec)ifnorm1andnorm2:similarity[user1]={user2:dot_product/(norm1norm2)}else:similarity[user1]={user2:0}returnsimilarity解析：1.首先提取所有用戶和商品；2.對每個用戶構(gòu)建商品向量（缺失值為0）；3.計算兩用戶向量的余弦相似度（點積除以模長的乘積）；4.僅當(dāng)兩個用戶均有評分時才計算相似度。二、算法題（3題，每題15分，共45分）題目4（15分）：設(shè)計K近鄰算法（KNN）給定數(shù)據(jù)集和查詢點，實現(xiàn)KNN的核心邏輯。輸入為：1.數(shù)據(jù)點列表（每點包含特征向量）；2.查詢點；3.K值。輸出為K個最近鄰點的索引。答案：pythondefknn(data,query,k):distances=[]fori,pointinenumerate(data):distance=np.linalg.norm(np.array(point)-np.array(query))distances.append((distance,i))distances.sort(key=lambdax:x[0])return[idxfor_,idxindistances[:k]]解析：1.計算查詢點與每個數(shù)據(jù)點的歐氏距離；2.按距離排序，取前K個最近點的索引；適用于低維數(shù)據(jù)，高維需優(yōu)化（如使用近似最近鄰算法）。題目5（15分）：實現(xiàn)梯度下降法優(yōu)化線性回歸給定特征矩陣X（含偏置項）、目標(biāo)向量y，實現(xiàn)批量梯度下降法求解權(quán)重向量θ。輸入為學(xué)習(xí)率α、迭代次數(shù)n。答案：pythondefgradient_descent(X,y,alpha,n):m,n=X.shapetheta=np.zeros(n)for_inrange(n):predictions=X.dot(theta)errors=predictions-ygradient=(1/m)X.T.dot(errors)theta-=alphagradientreturntheta解析：1.初始化權(quán)重為0；2.每次迭代更新權(quán)重：-計算預(yù)測值；-計算誤差；-計算梯度（X轉(zhuǎn)置乘以誤差）；-更新權(quán)重。題目6（15分）：設(shè)計隨機森林的核心邏輯實現(xiàn)隨機森林的決策樹構(gòu)建步驟。輸入為數(shù)據(jù)集、樹的數(shù)量T。輸出為決策樹列表。答案：pythonimportrandomdefbuild_tree(X,y,depth):ifdepth==0orlen(set(y))==1:return{"leaf":True,"value":max(set(y),key=y.count)}num_features=len(X[0])feature_idx=random.randint(0,num_features-1)best_split=Noneforvalueinset(X[:,feature_idx]):left_mask=X[:,feature_idx]<=valueright_mask=~left_maskiflen(X[left_mask,:])>0andlen(X[right_mask,:])>0:left_y=y[left_mask]right_y=y[right_mask]impurity=gini_index(left_y)+gini_index(right_y)ifbest_splitisNoneorimpurity<best_split["impurity"]:best_split={"feature_idx":feature_idx,"value":value,"left":left_mask,"right":right_mask,"impurity":impurity}ifbest_split:left_tree=build_tree(X[best_split["left"],:],y[left_mask],depth-1)right_tree=build_tree(X[best_split["right"],:],y[right_mask],depth-1)return{"leaf":False,best_split,"left":left_tree,"right":right_tree}else:return{"leaf":True,"value":max(set(y),key=y.count)}解析：1.每次隨機選擇一個特征和分割點；2.計算基尼不純度，選擇最優(yōu)分割；3.遞歸構(gòu)建左右子樹，直到滿足停止條件。三、系統(tǒng)設(shè)計題（1題，15分）題目7（15分）：設(shè)計實時反欺詐系統(tǒng)架構(gòu)設(shè)計一個能夠處理每秒100萬筆交易并實時檢測欺詐的系統(tǒng)架構(gòu)。要求：1.描述數(shù)據(jù)流；2.列出關(guān)鍵組件；3.說明性能優(yōu)化方案。答案：1.數(shù)據(jù)流：-交易數(shù)據(jù)通過Kafka輸入，進(jìn)入消息隊列；-流處理引擎（如Flink）實時解析數(shù)據(jù)；-規(guī)則引擎（基于