• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    動(dòng)態(tài)異質(zhì)集成信用評分模型在P2P網(wǎng)絡(luò)借貸中的應(yīng)用

    2018-12-10 10:25:50劉傳哲馬達(dá)亮夏雨霏
    金融發(fā)展研究 2018年9期
    關(guān)鍵詞:P2P網(wǎng)絡(luò)借貸

    劉傳哲 馬達(dá)亮 夏雨霏

    摘 要:本文借鑒了傳統(tǒng)信用評分方法,提出了適用于P2P網(wǎng)絡(luò)借貸環(huán)境的動(dòng)態(tài)異質(zhì)集成分類模型DSHE。該模型能夠?qū)崿F(xiàn)對冗余特征變量的篩選,具有一定的高維數(shù)據(jù)處理能力;其異質(zhì)集成結(jié)構(gòu)與動(dòng)態(tài)篩選策略能夠?qū)崿F(xiàn)基礎(chǔ)模型權(quán)重的自適應(yīng)調(diào)整,從而提高信用評估性能。使用UCI數(shù)據(jù)庫中的數(shù)據(jù)和網(wǎng)貸真實(shí)數(shù)據(jù)進(jìn)行實(shí)證分析,結(jié)果表明,異質(zhì)集成模型整體表現(xiàn)較優(yōu);DSHE模型在預(yù)測準(zhǔn)確率上表現(xiàn)突出,在4個(gè)評價(jià)指標(biāo)下的平均秩優(yōu)于Logistic回歸等對比模型。

    關(guān)鍵詞:信用評分;動(dòng)態(tài)異質(zhì)集成;P2P網(wǎng)絡(luò)借貸

    中圖分類號:F832 文獻(xiàn)標(biāo)識碼:B 文章編號:1674-2265(2018)09-0024-08

    DOI:10.19647/j.cnki.37-1462/f.2018.09.004

    一、引言

    P2P網(wǎng)絡(luò)借貸是指資金供需雙方通過互聯(lián)網(wǎng)平臺實(shí)現(xiàn)的直接借貸,是互聯(lián)網(wǎng)金融的重要組成部分。但是,P2P網(wǎng)絡(luò)借貸的壞賬率遠(yuǎn)高于同期商業(yè)銀行的平均水平,信用風(fēng)險(xiǎn)不容小覷:由于其在線交易、陌生人交易和缺乏抵押品的特點(diǎn),P2P網(wǎng)絡(luò)借貸的投資決策常依賴于非標(biāo)準(zhǔn)化的、未經(jīng)驗(yàn)證的軟信息;出借人多不具備專業(yè)知識,所做的投資決策常為非理性的,且無充足資金構(gòu)建投資組合以分散風(fēng)險(xiǎn)。因此,急需開發(fā)一套適用于P2P網(wǎng)絡(luò)借貸環(huán)境的準(zhǔn)確、易操作的信用評分系統(tǒng)來識別信用風(fēng)險(xiǎn),協(xié)助投資者做出理性的決策。

    信用風(fēng)險(xiǎn)的研究具有較高的理論與應(yīng)用價(jià)值,一直是學(xué)術(shù)界的熱點(diǎn)。信用評分可實(shí)現(xiàn)對違約概率的預(yù)測,是識別和管理信用風(fēng)險(xiǎn)的重要工具。很多研究關(guān)注傳統(tǒng)金融領(lǐng)域的客戶信用評分問題,涌現(xiàn)出大量建模方法。近年來,集成模型尤為受到關(guān)注:根據(jù)偏差—方差均衡理論,集成分類模型可通過融合多個(gè)基礎(chǔ)分類模型提高其預(yù)測結(jié)果的方差,從而實(shí)現(xiàn)降低預(yù)測誤差的目的。如吳沖和夏晗(2008)、肖進(jìn)等(2015)等學(xué)者提出的集成支持向量機(jī)信用評分模型;West等(2005)、Tsai等(2008)提出的集成神經(jīng)網(wǎng)絡(luò)的信用風(fēng)險(xiǎn)評估模型。盡管這些集成模型取得了不錯(cuò)的效果,但是從結(jié)構(gòu)上看,大多數(shù)為同質(zhì)集成模型,即僅集成了一種分類模型,根據(jù)“沒有免費(fèi)午餐理論”,這可能對模型的外推性和泛化能力產(chǎn)生不良影響;從集成方法上看,大多數(shù)模型使用了簡單的靜態(tài)集成方法,如多數(shù)投票法、Dempster-Shafer等方法,未能充分考慮樣本特征對集成模型進(jìn)行自適應(yīng)調(diào)整。另外,當(dāng)前對P2P網(wǎng)絡(luò)借貸的信用評分關(guān)注還不多。一些研究對P2P網(wǎng)絡(luò)借貸的信用評分系統(tǒng)進(jìn)行了探索,比較有代表性的是Guo等(2016)基于核方法度量P2P網(wǎng)絡(luò)借貸的信用風(fēng)險(xiǎn)、Emekter等(2015)的Logistic回歸模型、Malekipirbazari 和 Aksakalli(2015)的隨機(jī)森林信用評分模型、傅彥銘等(2014)的支持向量機(jī)模型。但總體而言,這些模型以單一模型為主,結(jié)構(gòu)比較簡單且預(yù)測精度尚有待提高。有鑒于此,有必要借鑒傳統(tǒng)金融領(lǐng)域的信用評分模型,并結(jié)合P2P網(wǎng)絡(luò)借貸特點(diǎn),構(gòu)建適應(yīng)于P2P網(wǎng)絡(luò)借貸環(huán)境的信用評分模型。在傳統(tǒng)金融領(lǐng)域,Visentini等(2016)提出使用F分?jǐn)?shù)對信用評分模型中的基礎(chǔ)模型進(jìn)行動(dòng)態(tài)篩選;Alaraj和Abbod(2016)提出了一種基于議會(huì)系統(tǒng)的異質(zhì)集成信用評分模型。

    本文借鑒先前信用評分的研究,并充分考慮P2P網(wǎng)絡(luò)借貸的特點(diǎn),提出了動(dòng)態(tài)選擇異質(zhì)集成模型(Dynamic Selective Heterogeneous Ensemble Model, DSHE)。相較于先前模型,本文提出的DSHE模型的創(chuàng)新點(diǎn)主要體現(xiàn)在以下幾個(gè)方面:第一,DSHE是一種異質(zhì)集成模型,引入了多個(gè)常用的數(shù)據(jù)挖掘分類算法,擴(kuò)展了監(jiān)督學(xué)習(xí)的假設(shè)空間,從而提高了模型的泛化能力和對不同數(shù)據(jù)集的預(yù)測能力,而當(dāng)前應(yīng)用至信用評分領(lǐng)域的異質(zhì)集成模型還較少,且相較于劉大洪等(2013)提出的動(dòng)態(tài)模糊聚類信用評分模型,DSHE模型采用的是有監(jiān)督學(xué)習(xí)的集成分類方法,而非無監(jiān)督學(xué)習(xí)的聚類方法,二者建模思想上存在較大差別。第二,DSHE使用AUC-H指標(biāo)對基礎(chǔ)模型進(jìn)行篩選,可依據(jù)測試樣本的特征自動(dòng)調(diào)整基礎(chǔ)模型的決策權(quán)重,實(shí)現(xiàn)有選擇性的集成,從而進(jìn)一步提高模型的性能,而當(dāng)前研究多使用F分?jǐn)?shù)或準(zhǔn)確率進(jìn)行篩選。第三,該模型充分考慮了P2P網(wǎng)絡(luò)借貸中的冗余變量問題,在模型中包含了變量篩選算法,可刪除高維度的P2P網(wǎng)絡(luò)借貸信用數(shù)據(jù)中的冗余變量,提高模型的運(yùn)算速度和精度。更為重要的是,實(shí)驗(yàn)結(jié)果表明,在多個(gè)信用數(shù)據(jù)集中,該模型的表現(xiàn)優(yōu)于當(dāng)前的主流信用評估模型。

    二、動(dòng)態(tài)選擇異質(zhì)集成模型

    (一)基本思想

    當(dāng)前實(shí)證研究所使用的數(shù)據(jù)集多來自加州大學(xué)歐文分校提出的用于機(jī)器學(xué)習(xí)的UCI數(shù)據(jù)庫,這些數(shù)據(jù)集中特征變量數(shù)通常少于20個(gè),且樣本數(shù)在1000個(gè)以下;而本文所關(guān)注的P2P網(wǎng)絡(luò)借貸領(lǐng)域具有高維度、高噪聲、復(fù)雜性等特點(diǎn),比如當(dāng)前全球最大的P2P網(wǎng)絡(luò)借貸平臺Lending Club的公開交易記錄中具有55維特征變量且樣本數(shù)眾多,連續(xù)變量與離散變量混雜。本文提出的DSHE模型旨在根據(jù)P2P網(wǎng)絡(luò)借貸的信用數(shù)據(jù)特點(diǎn),構(gòu)建適合的信用評分模型。

    假設(shè)Dtrain與Dtest分別為信用評分問題中的訓(xùn)練集和測試集。信用評分的目標(biāo)是將測試集中的每個(gè)樣本分成違約與非違約兩類。DSHE的構(gòu)建共包含三個(gè)階段(見圖1)。

    第一階段為變量篩選階段。原始數(shù)據(jù)集中的冗余特征變量會(huì)增加模型訓(xùn)練時(shí)間、降低預(yù)測精度,本階段通過變量選擇算法篩選出具有代表性的特征變量子集[D*train]用于訓(xùn)練基礎(chǔ)模型。

    第二階段為建立基礎(chǔ)模型池??紤]到不同分類模型在處理不同類型數(shù)據(jù)、噪聲敏感性和多樣性上存在差異,本文使用異質(zhì)集成結(jié)構(gòu),即引入三種主流數(shù)據(jù)挖掘信用評分模型——支持向量機(jī)(SVM)、多層感知器神經(jīng)網(wǎng)絡(luò)(MLP)和決策樹(DT)建模。為進(jìn)一步提高集成分類模型的多樣性,引入了Bagging算法對[D*train]重復(fù)抽樣,并逐個(gè)構(gòu)建基礎(chǔ)模型組成基礎(chǔ)池,然后針對測試集Dtest中第i個(gè)樣本輸出預(yù)測分類和概率(ci,pi)。

    第三階段對基礎(chǔ)分類模型池進(jìn)行篩選、組合。對于Dtest中的每一個(gè)樣本xj,在[D*train]中尋找xj的近鄰作為驗(yàn)證集Dvalid,然后以模型在檢驗(yàn)集中的表現(xiàn)為依據(jù)對基礎(chǔ)模型池中每個(gè)模型賦予權(quán)重,對檢驗(yàn)集預(yù)測較為準(zhǔn)確的模型會(huì)被賦予較高的權(quán)重,反之則賦予較低的權(quán)重。最后通過加權(quán)多數(shù)投票的方式得到分類的最終結(jié)果。

    需要注意的是,DSHE獲得的驗(yàn)證集越貼近測試集,理論上基于驗(yàn)證集調(diào)整的各基礎(chǔ)模型權(quán)重對測試集樣本預(yù)測精度的提高越明顯。特別是當(dāng)樣本數(shù)量較大時(shí),在訓(xùn)練集中可以尋找到與測試集更為相近的樣本。因此該方法一定程度上克服了Nascimento等(2014)提出的動(dòng)態(tài)篩選方法的不足,更加適用于P2P網(wǎng)絡(luò)借貸信用評分這種樣本數(shù)量多的情況。

    (二)變量篩選

    變量篩選有助于降低數(shù)據(jù)集維度,提高模型運(yùn)行效率。變量篩選的目標(biāo)主要為兩個(gè):第一,保留與結(jié)果變量高度相關(guān)的特征;第二,刪除冗余變量。因此該問題通??梢暈閮?yōu)化問題,即保留與結(jié)果變量高度相關(guān)的特征的同時(shí),盡可能降低特征間的相關(guān)性。DSHE引入遺傳算法求解該優(yōu)化問題。將特征變量的非空子集視為遺傳算法中相互競爭的個(gè)體,每個(gè)個(gè)體具有k個(gè)基因的二元染色體,每個(gè)基因?qū)?yīng)代表原始數(shù)據(jù)集中的特征變量。若某基因位點(diǎn)數(shù)值為1,則表示其被選中組成子集用于構(gòu)建基礎(chǔ)模型。初始種群確定后,按照適應(yīng)度函數(shù)計(jì)算適應(yīng)值,并通過選擇、交叉、變異等算子形成新的群體并記錄適應(yīng)值,經(jīng)多次迭代后在滿足預(yù)先設(shè)定的停止規(guī)則后輸出最優(yōu)解。DSHE模型采取了基于相關(guān)系數(shù)的適應(yīng)度函數(shù)作為該遺傳算法的優(yōu)化規(guī)則。適應(yīng)度函數(shù)如式(1)所示:

    [fλ=kλ×rλ,cfkλ+kλkλ-1rλ,if] (1)

    其中[λ]表示第[λ]個(gè)特征變量子集,[kλ]表示子集中特征變量數(shù)量。式(1)越大,則說明該特征變量子集越優(yōu)。[rλ,cf]代表該子集與結(jié)果變量的平均相關(guān)系數(shù),而[rλ,if]表示子集中各變量間的平均相關(guān)系數(shù)。[rλ,cf]與[rλ,if]指標(biāo)由Symmetrical Uncertainty(SU)度量。SU是一種基于信息理論的相關(guān)性度量方法,其計(jì)算如下:

    [SUX,Y=IGX|YHX+H(Y)] (2)

    其中[IGX|Y]表示觀察到Y(jié)后對X的信息增益,[HX]與[H(Y)]分別表示X與Y的信息熵。SU值范圍為[0,1],1表示兩變量完全相關(guān),0則表示相互獨(dú)立。根據(jù)SU定義分別計(jì)算[rλ,cf]與[rλ,if]。值得注意的是,式(1)的分子表示該子集的預(yù)測能力,而分母則衡量了子集中變量的冗余程度。與結(jié)果變量相關(guān)度低或與子集中其他特征高度相關(guān)的變量會(huì)使適應(yīng)度函數(shù)值變小而被排除。因此,式(1)同步實(shí)現(xiàn)了變量篩選保留預(yù)測變量和刪除冗余變量的目標(biāo)。經(jīng)篩選后的最優(yōu)特征訓(xùn)練子集[D*train]被用于下一階段的基礎(chǔ)模型池訓(xùn)練。

    (三)基礎(chǔ)模型池構(gòu)建

    為使基礎(chǔ)模型池更具多樣性,DSHE模型使用Bagging方法對訓(xùn)練集[D*train]進(jìn)行了重復(fù)抽樣:從具有N個(gè)樣本的[D*train]中隨機(jī)有放回抽取N個(gè)樣本組成訓(xùn)練子集Dtrain并用其訓(xùn)練基礎(chǔ)模型,如此往復(fù)進(jìn)行k次隨機(jī)抽樣。本文的基礎(chǔ)模型池中包含三類常用于信用評分領(lǐng)域的分類模型,包括多層感知器神經(jīng)網(wǎng)絡(luò)、決策樹和支持向量機(jī)。接下來對這三類分類模型進(jìn)行簡要描述。

    MLP作為最常見的神經(jīng)網(wǎng)絡(luò)之一,其核心思想是將輸入/輸出的映射問題轉(zhuǎn)化為非線性優(yōu)化問題,其一般由輸入層、隱含層和輸出層等三層組成,每層各包含若干個(gè)節(jié)點(diǎn),每層節(jié)點(diǎn)與鄰層節(jié)點(diǎn)相互連接,而同層節(jié)點(diǎn)之間沒有連接。當(dāng)數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)后,由輸入層經(jīng)由隱含層向輸出層傳播,隨后按照網(wǎng)絡(luò)實(shí)際輸出與期望輸出間的均方誤差(MSE)進(jìn)行反向傳播,根據(jù)梯度下降算法經(jīng)多次迭代修正網(wǎng)絡(luò)權(quán)值,以實(shí)現(xiàn)MSE的最小化。神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的泛化能力和模式識別優(yōu)勢,較符合信用風(fēng)險(xiǎn)分類這一特點(diǎn)。

    DT是一種基于信息理論建立的由上到下的樹狀結(jié)構(gòu),由一系列結(jié)點(diǎn)和分支組成。決策樹的構(gòu)建本質(zhì)上是一個(gè)依據(jù)特定規(guī)則對數(shù)據(jù)的拆分過程:每個(gè)結(jié)點(diǎn)對應(yīng)一個(gè)特征變量,結(jié)點(diǎn)延伸出的分支對應(yīng)按該結(jié)點(diǎn)對應(yīng)特征變量的臨界值拆分出的樣本集。理想情況下,分支對應(yīng)的樣本應(yīng)屬于同一類別。使用決策樹進(jìn)行決策的過程就是從根結(jié)點(diǎn)開始,測試待分類項(xiàng)中相應(yīng)的特征屬性,屬性選擇?;谛畔⒃鲆妫↖D3算法)和信息增益率(C4.5算法),然后按照其值選擇輸出分支,直到到達(dá)葉子結(jié)點(diǎn),將葉子結(jié)點(diǎn)存放的類別作為決策結(jié)果。決策樹具有較強(qiáng)的可讀性和描述性,與信用評分的特點(diǎn)較為吻合。

    SVM是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化建立的機(jī)器學(xué)習(xí)方法,其基本思想是將低維線性不可分的訓(xùn)練集按照映射函數(shù)投射至更高維度使其線性可分,從而找到一個(gè)最優(yōu)分類超平面區(qū)分輸入樣本。SVM結(jié)構(gòu)簡單、推廣能力強(qiáng),在處理非線性及高維度模式識別中具有優(yōu)勢,因此在信用評分領(lǐng)域得到廣泛應(yīng)用。

    令Bagging次數(shù)為k,使用Bagging方法對訓(xùn)練集[D*train]重復(fù)抽樣獲得的訓(xùn)練子集被分別用上述三類方法構(gòu)建分類模型,共訓(xùn)練[C1,C2,???,C3k],共計(jì)3k個(gè)模型作為基礎(chǔ)模型池以備下階段模型篩選,并對測試集Dtest中的樣本進(jìn)行預(yù)測,輸出分類矩陣[ctest]及樣本非違約的概率矩陣[ptest]。

    (四)模型動(dòng)態(tài)篩選

    DSHE模型使用一種基于遺傳算法的篩選準(zhǔn)則對構(gòu)建的基礎(chǔ)模型池進(jìn)行篩選,其基本思路是從基礎(chǔ)模型池中挑選恰當(dāng)?shù)淖蛹?,對每一基礎(chǔ)模型測試集預(yù)測結(jié)果的權(quán)重進(jìn)行自適應(yīng)調(diào)整。為實(shí)現(xiàn)上述過程,模型首先從訓(xùn)練集[D*train]中逐個(gè)尋找與測試集Dtest中每個(gè)樣本最為相似的樣本。經(jīng)過特征變量選擇階段,訓(xùn)練集中特征變量間的相關(guān)性已經(jīng)比較低,本文使用歐式距離衡量用作樣本間相似性的度量,n維向量[xi]和[xj]的歐氏距離定義為:

    [Dxi,xj=l=1n(xil-xjl)2] (3)

    通過式(3)從訓(xùn)練集中找到與測試集中最為相近的樣本組成驗(yàn)證集Dvalid,使用基礎(chǔ)模型池中的所有模型對Dvalid進(jìn)行預(yù)測。對于Dvalid中的任意樣本[si],輸出分類結(jié)果[cvalidi=ci|C1,ci|C2,???,ci|C3kT]與樣本非違約的可信度:

    [pvalidi=Pci=1C1,Pci=1C2,???,P(ci=1)|C3kT]

    (4)

    為實(shí)現(xiàn)對基礎(chǔ)分類模型[Cii=1,2,…,3k]的篩選,本文引入第二個(gè)遺傳算法以對每個(gè)基礎(chǔ)模型池賦予恰當(dāng)?shù)臋?quán)重。先前研究多基于基礎(chǔ)模型預(yù)測結(jié)果的多樣性指標(biāo)修剪模型,常用的指標(biāo)有Yule Q 統(tǒng)計(jì)量、Kohavi-Wolpert方差、Kuncheva熵等,但是上述指標(biāo)經(jīng)常會(huì)對同一組分類器的多樣性度量產(chǎn)生分歧。而基于精度的篩選是另一種思路,Visentini等(2016)比較了精度和多樣性的篩選規(guī)則,并提出一種基于F分?jǐn)?shù)的模型修剪方法。本文提出一種基于精度指標(biāo)AUC-H的篩選規(guī)則,AUC-H指標(biāo)由Hand(2009)提出,修正了傳統(tǒng)AUC指標(biāo)受模型可信度輸出分布的影響導(dǎo)致的結(jié)果缺乏可比性的弊病,本文使用該指標(biāo)作為基礎(chǔ)模型池的篩選準(zhǔn)則。

    令[AUCH(*)]為給定一組可信度和實(shí)際類別后的AUC-H值,給定[pvalidi],使用遺傳算法尋找基礎(chǔ)模型池中各模型的最優(yōu)權(quán)重[w*],遺傳算法適應(yīng)度函數(shù)為

    [fs=argmax[AUCHpvalidi×w*]] (5)

    求得[w*]后,對輸出分類矩陣[ctest]及樣本非違約的概率矩陣[ptest]進(jìn)行加權(quán)處理,DSHE模型對驗(yàn)證集中任一樣本[xi]的最終預(yù)測結(jié)果為:

    [cxi=1,pxi=ptest×w*≥0.5-1,pxi=ptest×w*<0.5] (6)

    三、實(shí)證分析

    為驗(yàn)證DSHE模型對P2P網(wǎng)絡(luò)借貸信用評分性能,本文選用美國P2P網(wǎng)絡(luò)借貸平臺Lending Club和中國平臺人人貸的真實(shí)交易記錄作為原始數(shù)據(jù)集;另外為驗(yàn)證模型的普適性,本文也引入U(xiǎn)CI數(shù)據(jù)庫中的經(jīng)典信用評分?jǐn)?shù)據(jù)集German進(jìn)行實(shí)證分析。同時(shí),將DSHE模型同以下幾種常見的信用評分模型進(jìn)行比較、驗(yàn)證。這些常用信用評分模型包括樸素貝葉斯(na?ve Bayesian,NB)、K近鄰(KNN)、Logistic回歸(LR)、MLP、DT和RBF核支持向量機(jī)等單一分類模型以及MLP-bagging、DT-bagging、SVM-bagging、隨機(jī)森林(Random Forest,RF)、AdaBoost和LogitBoost等同質(zhì)集成分類模型以及基于三種不同篩選策略的異質(zhì)集成分類模型:多數(shù)投票、局部類別精度(Local Class Accuracy,LCA)、總體精度(Total Accuracy)。

    (一)數(shù)據(jù)集描述

    German數(shù)據(jù)集是UCI數(shù)據(jù)庫中著名的信用數(shù)據(jù)集,常被用于構(gòu)建信用評分模型,實(shí)現(xiàn)模型間的橫向比較。該數(shù)據(jù)集共包含24個(gè)屬性變量和1個(gè)類別變量,共包含1000個(gè)樣本,類別變量將全體樣本劃分為good和bad兩類,分別由1和-1表示,其中g(shù)ood樣本有700個(gè),bad樣本有300個(gè)。

    Lending Club的數(shù)據(jù)可從其網(wǎng)站下載。原始數(shù)據(jù)集共包含55維屬性變量和1個(gè)類別變量。去除難以量化或與信用評分無關(guān)的變量,如借款描述、借款人地區(qū)、政策編碼等,剩余14個(gè)特征變量。變量說明見表1。本文從2014年1月和2月發(fā)生的交易中各抽取2642個(gè)具有還款結(jié)果(類別變量為全部還清或發(fā)生違約,分別由1和-1表示)的樣本組成的數(shù)據(jù)集。數(shù)據(jù)集中非違約貸款有1322個(gè),違約貸款1320個(gè)。

    人人貸數(shù)據(jù)集由Spider爬蟲軟件抓取,獲得人人貸平臺2015年1月間的交易記錄,共包含借款人年齡、教育水平、平臺評級等在內(nèi)的14個(gè)特征變量,樣本數(shù)共計(jì)2842個(gè),其中非違約貸款有2144個(gè),違約貸款有698個(gè)。

    所有特征變量在進(jìn)行投入模型前均實(shí)施[0,1]標(biāo)準(zhǔn)化以消除量綱影響。需要說明的是,上述數(shù)據(jù)集均不存在缺失值。

    (二)實(shí)驗(yàn)設(shè)置

    實(shí)驗(yàn)首先應(yīng)確定Bagging的實(shí)施次數(shù),Paleologo 等(2010)發(fā)現(xiàn)抽樣次數(shù)定為20—50次會(huì)獲取較好的分類效果。本文設(shè)置Bagging次數(shù)為50,即各構(gòu)建50個(gè)SVM、MLP和DT模型,共構(gòu)建150個(gè)基礎(chǔ)分類模型。

    三類分類算法——SVM、MLP和DT的參數(shù)設(shè)置參考Nascimento等(2014)的研究。SVM使用徑向基函數(shù)核,成本參數(shù)C以及RBF核寬度γ使用網(wǎng)格搜索法尋優(yōu);MLP設(shè)置隱含層數(shù)為1,隱含層節(jié)點(diǎn)數(shù)按照公式“隱含層節(jié)點(diǎn)數(shù)=2[×]輸入層節(jié)點(diǎn)數(shù)+1”設(shè)置;DT則使用C4.5算法,置信值設(shè)置為0.25。

    為客觀檢驗(yàn)DSHE模型與上述信用評分模型的評估性能,本文采用十折交叉檢驗(yàn),即將全體樣本隨機(jī)十等分,每次取其中一份作為測試集,其他作為訓(xùn)練集,如此循環(huán)10次。為使實(shí)驗(yàn)結(jié)果更加穩(wěn)定,本文對每個(gè)模型共進(jìn)行30次十折交叉檢驗(yàn)并取平均數(shù)作為該模型的表現(xiàn)。本文的實(shí)驗(yàn)基于Matlab R2015a和Weka 3.6.12實(shí)現(xiàn)。

    (三)評價(jià)準(zhǔn)則

    為實(shí)現(xiàn)各模型間評估性能的比較,本文使用下列4種評價(jià)指標(biāo):準(zhǔn)確率(AR)、第一類錯(cuò)誤率(Error I)、第二類錯(cuò)誤率(Error II)和AUC-H。指標(biāo)具體的計(jì)算公式引入混淆矩陣進(jìn)行說明。

    表3為標(biāo)準(zhǔn)的二分類混淆矩陣,TP、FP、FN、TN分別表示預(yù)測結(jié)果與實(shí)際結(jié)果的4種情況。其中,

    表3:混淆矩陣示意圖

    [預(yù)測結(jié)果

    實(shí)際結(jié)果 正類 負(fù)類 正類(信用好) TP FN TP+FN 負(fù)類(信用差) FP TN FP+TN TP+FP FN+TN TP+FP+FN+TN ]

    [AR=TP+FNTP+FP+FN+TN] (6)

    [Error I=FPFP+TN] (7)

    [Error II=FNTP+FN] (8)

    Hand(2009)指出傳統(tǒng)的AUC假設(shè)不同分類模型的誤分類成本不同,但實(shí)際上該成本取決于分類問題本身而非模型,因此提出了改進(jìn)的AUC-H指標(biāo)。該指標(biāo)使用[β]分布,修正了不同分類模型誤分類成本的不同,使指標(biāo)更加可信。

    針對不同的指標(biāo)和數(shù)據(jù)集,模型間往往互有優(yōu)劣。由于分類模型間的比較會(huì)違背參數(shù)檢驗(yàn)的假設(shè),本文引入非參數(shù)的Friedman檢驗(yàn),利用秩檢驗(yàn)多個(gè)總體分布是否存在顯著差異。Friedman檢驗(yàn)的統(tǒng)計(jì)量值表示如下:

    [χ2F=12DK(K+1)k=1KAvR2j-K(K+1)24] (9)

    其中[AvR2j=1Di=1Drji],D為數(shù)據(jù)集個(gè)數(shù),K是分類模型個(gè)數(shù),[rji]表示第j個(gè)模型在第i個(gè)數(shù)據(jù)集上的平均排序。當(dāng)Friedman檢驗(yàn)的零假設(shè)被拒絕后,可實(shí)施post-hoc檢驗(yàn),用于確認(rèn)分類模型間的總體分布差異是否顯著。本文使用post-hoc檢驗(yàn)中的Nemenyi檢驗(yàn)。該檢驗(yàn)認(rèn)為如果兩個(gè)分類模型的平均排名大于某一臨界值CD則存在顯著差別。CD的計(jì)算如式(10)所示:

    [CD=qα,∞,kK(K+1)12D] (10)

    其中[qα,∞,k]值大小基于t統(tǒng)計(jì)量。為將本文提出的DSHE模型與其他基準(zhǔn)模型比較,本文對CD進(jìn)行Bonferroni-Dunn修正。

    (四)結(jié)果分析

    表4給出了DSHE模型與其他對比模型在German數(shù)據(jù)集、Lending Club數(shù)據(jù)集和人人貸數(shù)據(jù)集上的性能,表中的粗體字表示每一列對應(yīng)的最佳表現(xiàn)。根據(jù)模型在各評價(jià)指標(biāo)上的表現(xiàn)由好至壞排序,分別賦予1,2,…,16,最后通過對每個(gè)模型對應(yīng)的序值取平均,即可得到平均秩。從中可以得出:

    1. 對于單一分類模型而言,LR的表現(xiàn)優(yōu)于其他統(tǒng)計(jì)學(xué)方法和SVM、MLP、DT等數(shù)據(jù)挖掘方法,這與Lessmann等(2015)、晏艷陽和蔣恒波(2010)的研究結(jié)果是一致的。LR取得了最低的平均秩且錯(cuò)誤率較為平衡。加之LR易于操作,使得其在當(dāng)今信用評分領(lǐng)域仍占據(jù)一席之地;而樸素貝葉斯和K近鄰的表現(xiàn)較差,這是因?yàn)檫@兩個(gè)模型較容易過擬合。

    2. 在同質(zhì)集成模型中,比較單一模型及應(yīng)用Bagging方法構(gòu)建的集成模型,發(fā)現(xiàn)MLP集成模型的精度提升較大,而SVM集成模型的提升較小,這也從側(cè)面證明Bagging、Boosting等集成方法較適宜能夠提供更高多樣性的不穩(wěn)定分類模型。隨機(jī)森林在同質(zhì)集成模型中表現(xiàn)最佳,Lessmann等(2015)也提出將隨機(jī)森林作為新的信用評分模型的對照模型。

    3. 異質(zhì)集成模型的表現(xiàn)整體上優(yōu)于單一分類模型和同質(zhì)集成模型,簡單的多數(shù)投票異質(zhì)模型(HE-MV)就取得了相當(dāng)可觀的分類效果,包含行業(yè)標(biāo)桿的LR和隨機(jī)森林模型,這可能是由于不同類型的基礎(chǔ)模型提供了不同的假設(shè)空間和搜索空間,從而增強(qiáng)了模型的泛化能力。這一結(jié)果為構(gòu)建信用評分模型提供了新的思路,可繼續(xù)探索異質(zhì)集成信用評分模型。本文提出的DSHE模型是在HE-MV模型的基礎(chǔ)上更進(jìn)一步,在P2P網(wǎng)絡(luò)借貸數(shù)據(jù)集和傳統(tǒng)信用數(shù)據(jù)集均取得令人滿意的效果,特別是AR和AUC-H兩個(gè)指標(biāo),處于全體模型的前兩位。而對于信用評分中比較關(guān)心的第一類錯(cuò)誤,DSHE的表現(xiàn)也比較好,在集成分類模型中均處于前列,這也從側(cè)面說明本文提出的基于AUC-H指標(biāo)的動(dòng)態(tài)篩選策略的有效性。

    為更加清晰地分析各模型跨數(shù)據(jù)集和跨評價(jià)準(zhǔn)則的表現(xiàn),使用式(9)對表2中各模型性能使用非參數(shù)Friedman檢驗(yàn),得到[χ2F=65.875],對應(yīng)p值小于0.001,拒絕零假設(shè),各模型的平均秩存在顯著差異,進(jìn)而實(shí)施Nemenyi檢驗(yàn)比較DSHE是否與其他模型存在統(tǒng)計(jì)學(xué)上的顯著差異進(jìn)行具體分析,其結(jié)果如圖2所示。

    圖2中橫軸表示各模型,縱軸則表示模型在3個(gè)數(shù)據(jù)集、共計(jì)12個(gè)評價(jià)準(zhǔn)則下的平均秩。平均秩越大,則表明該模型表現(xiàn)越差。其中DSHE模型具有最低的平均秩,說明其綜合表現(xiàn)最優(yōu);針對其他模型而言,若高于對比線,則表明在該顯著水平下其平均表現(xiàn)顯著地劣于DSHE模型。在最為嚴(yán)格的p=0.01的水平下,DSHE的平均秩顯著低于全體單一模型和除隨機(jī)森林外的絕大部分同質(zhì)集成模型,DSHE相較于當(dāng)前的主流方法能夠提供更佳的信用評估性能。而DSHE與大部分其他異質(zhì)集成模型的表現(xiàn)在統(tǒng)計(jì)學(xué)上不存在顯著差別,表明異質(zhì)集成模型整體上取得令人滿意的評估性能。

    四、結(jié)論

    建立準(zhǔn)確且易操作的信用評分體系,對于P2P網(wǎng)絡(luò)借貸的參與者而言具有十分重大的意義。本文借鑒了傳統(tǒng)信用評分方法,特別地對P2P網(wǎng)絡(luò)借貸的信用評分進(jìn)行了研究,相比于相關(guān)集成信用評分模型研究,在結(jié)構(gòu)和集成策略上進(jìn)行了改進(jìn),提出了三階段的動(dòng)態(tài)異質(zhì)集成信用評估模型DSHE,并使用UCI數(shù)據(jù)庫中的數(shù)據(jù)集和P2P網(wǎng)絡(luò)借貸的真實(shí)數(shù)據(jù)進(jìn)行了實(shí)證分析,結(jié)果發(fā)現(xiàn)在3個(gè)數(shù)據(jù)集中DSHE的平均表現(xiàn)最佳,特別是在準(zhǔn)確率和AUC-H指標(biāo)上表現(xiàn)較為突出,其綜合表現(xiàn)顯著優(yōu)于包括行業(yè)普遍使用的LR模型在內(nèi)的大部分基準(zhǔn)模型,從而為異質(zhì)集成信用評分模型的建模提供了一個(gè)新的思路:在今后的信用評分模型的構(gòu)建中,可充分考慮引入評估性能更具優(yōu)勢的異質(zhì)集成模型,對P2P借款人信用情況做出更準(zhǔn)確的預(yù)測。

    參考文獻(xiàn):

    [1]吳沖,夏晗.基于支持向量機(jī)集成的電子商務(wù)環(huán)境下客戶信用評估模型研究[J].中國管理科學(xué),2008,24(S1).

    [2]肖進(jìn),劉敦虎,顧新.銀行客戶信用評估動(dòng)態(tài)分類器集成選擇模型[J].管理科學(xué)學(xué)報(bào),2015,17(3).

    [3]傅彥銘,臧敦剛,戚名鈺.P2P網(wǎng)絡(luò)貸款信用的風(fēng)險(xiǎn)評估[J].統(tǒng)計(jì)與決策,2014,29(21).

    [4]劉大洪,廖檢文,陳柳潔.動(dòng)態(tài)模糊聚類信用評價(jià)模型及其應(yīng)用研究[J].企業(yè)導(dǎo)報(bào),2013,19(16).

    [5]晏艷陽,蔣恒波.信用評分模型應(yīng)用比較研究——基于個(gè)體工商戶數(shù)據(jù)的檢驗(yàn)[J].統(tǒng)計(jì)與信息論壇,2010, 25(5).

    [6]Guo Y,Zhou W,Luo C, et al. 2016. Instance-Based Credit Risk Assessment for Investment Decisions in P2P Lending[J].European Journal of Operational Research,249(2).

    [7]West D,Dellana S,Qian J. 2005. Neural network ensemble strategies for financial decision applications[J].Computers & operations research,32(10).

    [8]Tsai C-F,Wu J-W. 2008. Using neural network ensembles for bankruptcy prediction and credit scoring[J].Expert systems with applications,34(4).

    [9]Wolpert D H,Macready W G. 1997. No free lunch theorems for optimization[J].IEEE transactions on evolutionary computation,1(1).

    [10]Emekter R,Tu Y,Jirasakuldech B,et al. 2015. Evaluating credit risk and loan performance in online Peer-to-Peer (P2P) lending[J]. Applied Economics,47(1).

    [11]Malekipirbazari M,Aksakalli V. 2015. Risk assessment in social lending via random forests[J].Expert Systems with Applications,42(10).

    [12]Visentini I,Snidaro L,F(xiàn)oresti G L. 2016. Diversity-aware classifier ensemble selection via f-score[J].Information Fusion,28.

    [13]Ala'raj M,Abbod M F. 2016. Classifiers consensus system approach for credit scoring[J].Knowledge-Based Systems,10.

    [14]Nascimento D S,Coelho A L,Canuto A M. 2014. Integrating complementary techniques for promoting diversity in classifier ensembles: A systematic study[J].Neurocomputing,138(8).

    [15]Visentini I,Snidaro L,F(xiàn)oresti G L. 2016. Diversity-aware classifier ensemble selection via f-score[J].Info Infus, 28(3).

    [16]Hand D J. 2009. Measuring classifier performance: a coherent alternative to the area under the ROC curve[J]. Machine learning,77(1).

    [17]Paleologo G,Elisseeff A,Antonini G. 2010. Subagging for credit scoring models[J].European Journal of Operational Research,201(2).

    [18]Dem?ar J. 2006. Statistical comparisons of classifiers over multiple data sets[J].J Mach Learn Res,7(1).

    [19]Lessmann S,Baesens B,Seow H-V,et al. 2015. Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research[J].European Journal of Operational Research,247(1).

    Abstract:Following the mechanism of traditional credit scoring methods,a novel dynamic selective heterogeneous ensemble(DSEH)model suitable to the application of P2P lending is proposed. The model provides a feature selection algorithm,which is able to filter redundant features and handle high-dimension data. The heterogeneous structure and dynamic selection strategy can adaptively adjust the weights of base models and thus,enhance the evaluation capability. UCI credit dataset and real dataset from two P2P lending platforms are used to validate the proposal. The results show that DSHE outperforms other mainstream credit scoring approaches in several measures. The average rank of proposed DSHE is superior to baseline models including logistic regression.

    Key Words:credit scoring,dynamic selective heterogeneous ensemble model,P2P lending

    (責(zé)任編輯 耿 欣;校對 LX,GX)

    猜你喜歡
    P2P網(wǎng)絡(luò)借貸
    我國p2p網(wǎng)絡(luò)借貸發(fā)展面臨的風(fēng)控困境及法律對策研究
    東方教育(2016年15期)2017-01-16 12:29:35
    基于平臺經(jīng)濟(jì)視角的P2P網(wǎng)絡(luò)借貸實(shí)質(zhì)研究
    法制博覽(2016年12期)2016-12-28 13:30:36
    P2P網(wǎng)絡(luò)借貸風(fēng)險(xiǎn)防范的監(jiān)管制度重構(gòu)
    基于P2P網(wǎng)絡(luò)借貸的信用風(fēng)險(xiǎn)管控研究
    我國P2P網(wǎng)絡(luò)借貸的發(fā)展現(xiàn)狀與監(jiān)管建議
    商(2016年34期)2016-11-24 15:00:48
    我國P2P網(wǎng)絡(luò)借貸平臺的風(fēng)險(xiǎn)防范
    P2P網(wǎng)貸的風(fēng)險(xiǎn)探析及防控措施
    中國市場(2016年35期)2016-10-19 02:39:15
    論我國P2P借貸平臺的監(jiān)管問題研究
    商(2016年20期)2016-07-04 17:08:11
    淺析中國P2P網(wǎng)絡(luò)借貸發(fā)展現(xiàn)狀及其方向
    P2P平臺管控債務(wù)人信用風(fēng)險(xiǎn)私法機(jī)制運(yùn)用社會(huì)調(diào)查報(bào)告
    商(2016年14期)2016-05-30 09:52:22
    国内揄拍国产精品人妻在线| netflix在线观看网站| 别揉我奶头~嗯~啊~动态视频| 一个人免费在线观看电影 | 国产午夜福利久久久久久| 婷婷丁香在线五月| 亚洲成av人片免费观看| 久久久国产精品麻豆| 色噜噜av男人的天堂激情| 午夜福利18| 亚洲精品在线观看二区| 国产爱豆传媒在线观看 | 制服丝袜大香蕉在线| 波多野结衣高清作品| 亚洲,欧美精品.| 精品乱码久久久久久99久播| 男人舔女人下体高潮全视频| 国产男靠女视频免费网站| 国产三级在线视频| 伊人久久大香线蕉亚洲五| 三级男女做爰猛烈吃奶摸视频| 欧美精品亚洲一区二区| 免费无遮挡裸体视频| 欧美性长视频在线观看| 国产亚洲精品综合一区在线观看 | АⅤ资源中文在线天堂| 亚洲美女视频黄频| www日本黄色视频网| 日韩成人在线观看一区二区三区| 成人国产一区最新在线观看| 久久精品91蜜桃| 亚洲精品中文字幕在线视频| 国产午夜福利久久久久久| 妹子高潮喷水视频| 亚洲人成网站在线播放欧美日韩| 在线观看66精品国产| 欧美日韩黄片免| 国产高清视频在线播放一区| 每晚都被弄得嗷嗷叫到高潮| 日本免费一区二区三区高清不卡| 久久婷婷成人综合色麻豆| 国产精品久久久久久久电影 | 久久久久久久精品吃奶| 男女之事视频高清在线观看| 国产精品精品国产色婷婷| 久久精品国产亚洲av高清一级| 午夜亚洲福利在线播放| 日日干狠狠操夜夜爽| 久久天躁狠狠躁夜夜2o2o| 18禁美女被吸乳视频| 久久久精品欧美日韩精品| 国产精品自产拍在线观看55亚洲| 亚洲无线在线观看| 国产一区二区激情短视频| 国产一区二区在线av高清观看| 久久中文看片网| 美女黄网站色视频| 宅男免费午夜| 丰满的人妻完整版| 国产主播在线观看一区二区| 国产三级在线视频| 国产在线观看jvid| 97人妻精品一区二区三区麻豆| 中文字幕人成人乱码亚洲影| 在线观看一区二区三区| av欧美777| 天堂√8在线中文| 久久精品影院6| 亚洲精品美女久久久久99蜜臀| 亚洲精品美女久久av网站| 琪琪午夜伦伦电影理论片6080| 精品乱码久久久久久99久播| 琪琪午夜伦伦电影理论片6080| 搡老妇女老女人老熟妇| 两个人视频免费观看高清| 一个人免费在线观看电影 | 欧美一区二区国产精品久久精品 | 午夜老司机福利片| 亚洲成a人片在线一区二区| 欧美一级毛片孕妇| 国产人伦9x9x在线观看| 日本在线视频免费播放| 亚洲av电影不卡..在线观看| 国产精品永久免费网站| 久久久精品大字幕| 夜夜躁狠狠躁天天躁| 精品高清国产在线一区| 欧美激情久久久久久爽电影| 亚洲一区二区三区不卡视频| 国产av一区在线观看免费| 久久午夜综合久久蜜桃| 亚洲人成网站高清观看| 啦啦啦韩国在线观看视频| 免费一级毛片在线播放高清视频| 国产伦在线观看视频一区| 欧美日韩国产亚洲二区| 国产免费男女视频| 亚洲午夜精品一区,二区,三区| 在线观看免费视频日本深夜| 色哟哟哟哟哟哟| 又粗又爽又猛毛片免费看| 波多野结衣高清无吗| 久久国产乱子伦精品免费另类| 久久人人精品亚洲av| 国产不卡一卡二| 岛国视频午夜一区免费看| 免费高清视频大片| 午夜福利免费观看在线| 日本免费a在线| 母亲3免费完整高清在线观看| 高清毛片免费观看视频网站| 日韩有码中文字幕| aaaaa片日本免费| 熟女少妇亚洲综合色aaa.| 中文在线观看免费www的网站 | 国产高清视频在线观看网站| 久久久水蜜桃国产精品网| 亚洲人成77777在线视频| 亚洲欧美一区二区三区黑人| 日韩av在线大香蕉| 久久午夜亚洲精品久久| 成人国语在线视频| 国产片内射在线| 一级毛片高清免费大全| 国产精品一区二区三区四区免费观看 | 天堂√8在线中文| 久久久国产精品麻豆| 精品免费久久久久久久清纯| 成人午夜高清在线视频| 18美女黄网站色大片免费观看| 久久久久久久久久黄片| АⅤ资源中文在线天堂| 两个人的视频大全免费| 国产成人啪精品午夜网站| 91成年电影在线观看| 亚洲狠狠婷婷综合久久图片| 免费看美女性在线毛片视频| 1024视频免费在线观看| 一进一出抽搐动态| 亚洲av电影不卡..在线观看| 国产探花在线观看一区二区| 欧美乱色亚洲激情| 又紧又爽又黄一区二区| 欧美日本亚洲视频在线播放| 精品国产美女av久久久久小说| 十八禁网站免费在线| 51午夜福利影视在线观看| 亚洲成av人片免费观看| www国产在线视频色| 九色国产91popny在线| 午夜日韩欧美国产| av免费在线观看网站| 午夜福利高清视频| 亚洲自拍偷在线| 国产欧美日韩一区二区三| 日韩三级视频一区二区三区| 日日干狠狠操夜夜爽| 一进一出抽搐动态| 午夜久久久久精精品| 国产亚洲精品av在线| 午夜两性在线视频| 两个人的视频大全免费| 国产精品香港三级国产av潘金莲| 亚洲精品美女久久久久99蜜臀| 在线观看美女被高潮喷水网站 | 久久婷婷人人爽人人干人人爱| 国产精品精品国产色婷婷| 一级作爱视频免费观看| 精品午夜福利视频在线观看一区| 日韩欧美国产在线观看| 欧美日韩国产亚洲二区| 午夜两性在线视频| 精华霜和精华液先用哪个| 亚洲av美国av| 亚洲精品中文字幕一二三四区| 国产熟女午夜一区二区三区| 国产成人啪精品午夜网站| 日韩欧美在线乱码| 动漫黄色视频在线观看| 久久国产乱子伦精品免费另类| 国产精品一区二区三区四区久久| 欧美在线一区亚洲| 免费在线观看成人毛片| 精品久久久久久久久久免费视频| 欧美乱色亚洲激情| 亚洲精品在线观看二区| 男女下面进入的视频免费午夜| 国产av麻豆久久久久久久| 在线观看舔阴道视频| 亚洲成人免费电影在线观看| 免费看a级黄色片| 久久精品影院6| 十八禁人妻一区二区| 婷婷丁香在线五月| 麻豆一二三区av精品| 日韩精品中文字幕看吧| 我的老师免费观看完整版| 亚洲国产看品久久| 久久久久久国产a免费观看| 日韩av在线大香蕉| 久久久国产成人免费| 欧美黄色淫秽网站| 99精品在免费线老司机午夜| av福利片在线观看| www.自偷自拍.com| 深夜精品福利| 两个人视频免费观看高清| 国产成人aa在线观看| 国产成人啪精品午夜网站| 亚洲一区二区三区不卡视频| 亚洲中文字幕一区二区三区有码在线看 | 91大片在线观看| 超碰成人久久| 99久久久亚洲精品蜜臀av| 久久99热这里只有精品18| a级毛片a级免费在线| 毛片女人毛片| 国产精品永久免费网站| 一本大道久久a久久精品| 好男人电影高清在线观看| 免费电影在线观看免费观看| 舔av片在线| 成人av在线播放网站| 亚洲欧洲精品一区二区精品久久久| 99久久99久久久精品蜜桃| 亚洲中文字幕一区二区三区有码在线看 | 9191精品国产免费久久| 身体一侧抽搐| 国产精品久久久人人做人人爽| 亚洲精品中文字幕一二三四区| 欧美日韩一级在线毛片| 成人18禁在线播放| 老司机深夜福利视频在线观看| 国产爱豆传媒在线观看 | e午夜精品久久久久久久| 制服人妻中文乱码| 亚洲一区中文字幕在线| 女人高潮潮喷娇喘18禁视频| 床上黄色一级片| 久久天躁狠狠躁夜夜2o2o| 成人三级做爰电影| 黑人操中国人逼视频| 亚洲成人久久性| 久久精品国产清高在天天线| 国产成人精品无人区| 亚洲成a人片在线一区二区| 免费一级毛片在线播放高清视频| 国产乱人伦免费视频| 在线观看一区二区三区| 我要搜黄色片| 99热6这里只有精品| 啦啦啦韩国在线观看视频| 国产亚洲av高清不卡| 五月伊人婷婷丁香| 亚洲精品中文字幕一二三四区| xxxwww97欧美| 久久人妻av系列| 久久香蕉精品热| 一a级毛片在线观看| 欧美性猛交╳xxx乱大交人| 美女 人体艺术 gogo| 在线观看舔阴道视频| 此物有八面人人有两片| 国产精品av久久久久免费| 中出人妻视频一区二区| 亚洲av中文字字幕乱码综合| 99久久久亚洲精品蜜臀av| 亚洲av成人av| 1024手机看黄色片| 日日夜夜操网爽| 悠悠久久av| 深夜精品福利| 给我免费播放毛片高清在线观看| 国产aⅴ精品一区二区三区波| 一二三四在线观看免费中文在| 久久这里只有精品中国| 男人的好看免费观看在线视频 | 日本 av在线| 日韩av在线大香蕉| 成人三级做爰电影| 一二三四在线观看免费中文在| 在线永久观看黄色视频| 免费看十八禁软件| 久久人妻av系列| 亚洲人成网站在线播放欧美日韩| 男女做爰动态图高潮gif福利片| 99riav亚洲国产免费| 一卡2卡三卡四卡精品乱码亚洲| 欧美绝顶高潮抽搐喷水| 国内揄拍国产精品人妻在线| 日韩高清综合在线| 中文字幕久久专区| 国产精品影院久久| 精品国产乱码久久久久久男人| 狂野欧美激情性xxxx| 精品福利观看| 国产精品久久久久久精品电影| 两个人视频免费观看高清| √禁漫天堂资源中文www| 国产精品国产高清国产av| 国产成人系列免费观看| 18禁美女被吸乳视频| 高清在线国产一区| 日韩中文字幕欧美一区二区| 十八禁网站免费在线| 9191精品国产免费久久| 无限看片的www在线观看| 最好的美女福利视频网| 亚洲av电影在线进入| 两人在一起打扑克的视频| 激情在线观看视频在线高清| 国产野战对白在线观看| 亚洲精品中文字幕一二三四区| 性欧美人与动物交配| 国产精品98久久久久久宅男小说| 亚洲激情在线av| 欧美成人一区二区免费高清观看 | av片东京热男人的天堂| 久久热在线av| 在线十欧美十亚洲十日本专区| 熟女电影av网| 日本精品一区二区三区蜜桃| 国内精品久久久久久久电影| 国产亚洲精品一区二区www| 少妇被粗大的猛进出69影院| 亚洲成av人片免费观看| 亚洲中文日韩欧美视频| 亚洲欧美日韩无卡精品| 99国产精品一区二区蜜桃av| 久久午夜综合久久蜜桃| 国产一区二区三区视频了| www.999成人在线观看| 很黄的视频免费| 少妇熟女aⅴ在线视频| 两个人免费观看高清视频| 久久精品成人免费网站| 久久午夜综合久久蜜桃| 老司机靠b影院| 露出奶头的视频| www国产在线视频色| 一二三四在线观看免费中文在| 美女高潮喷水抽搐中文字幕| 免费在线观看亚洲国产| 成年版毛片免费区| 国产主播在线观看一区二区| 国产亚洲av嫩草精品影院| 一级毛片女人18水好多| 国产三级在线视频| 亚洲国产欧美一区二区综合| 国产成人av激情在线播放| 国产精品久久久久久亚洲av鲁大| 91成年电影在线观看| 成人国语在线视频| 亚洲专区国产一区二区| 亚洲熟妇中文字幕五十中出| 女警被强在线播放| 国产午夜精品论理片| 久久这里只有精品中国| 香蕉国产在线看| 国产成+人综合+亚洲专区| 国产蜜桃级精品一区二区三区| av福利片在线| 老熟妇乱子伦视频在线观看| 五月玫瑰六月丁香| 久久香蕉激情| 国产爱豆传媒在线观看 | 久久国产精品人妻蜜桃| 欧美一区二区精品小视频在线| 国产一区二区在线av高清观看| 亚洲第一欧美日韩一区二区三区| 婷婷精品国产亚洲av| 国产高清视频在线观看网站| 国产成人av教育| 日韩国内少妇激情av| 99热只有精品国产| 女警被强在线播放| 国产精品乱码一区二三区的特点| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲国产精品成人综合色| 黑人欧美特级aaaaaa片| 嫩草影视91久久| 99久久无色码亚洲精品果冻| 中文字幕久久专区| 一级a爱片免费观看的视频| 日本一二三区视频观看| 亚洲国产欧美网| 男人舔女人下体高潮全视频| 给我免费播放毛片高清在线观看| 日韩欧美在线乱码| 色综合亚洲欧美另类图片| 久久这里只有精品19| 欧美精品亚洲一区二区| 19禁男女啪啪无遮挡网站| 欧美一级毛片孕妇| 一进一出抽搐gif免费好疼| 叶爱在线成人免费视频播放| 久久久久精品国产欧美久久久| 久久久久久九九精品二区国产 | 中文字幕高清在线视频| 国产精品久久久av美女十八| 在线观看免费日韩欧美大片| 中文字幕av在线有码专区| www日本黄色视频网| 黄片大片在线免费观看| 久久久久久久久中文| 国产欧美日韩一区二区三| 亚洲欧美激情综合另类| 国产精品1区2区在线观看.| 国产一区二区在线av高清观看| 欧美成人免费av一区二区三区| 国产99白浆流出| 一个人免费在线观看电影 | 两个人看的免费小视频| 大型黄色视频在线免费观看| 久久精品91无色码中文字幕| 午夜日韩欧美国产| 免费在线观看完整版高清| 很黄的视频免费| 精品国产超薄肉色丝袜足j| 亚洲欧美一区二区三区黑人| 欧美一级a爱片免费观看看 | 久久久久国产一级毛片高清牌| 全区人妻精品视频| 国产伦人伦偷精品视频| 久久久久久久久免费视频了| 2021天堂中文幕一二区在线观| 两性夫妻黄色片| 手机成人av网站| 亚洲国产欧美人成| 中文在线观看免费www的网站 | 久久久久久亚洲精品国产蜜桃av| 女同久久另类99精品国产91| 我要搜黄色片| 中文字幕av在线有码专区| 免费高清视频大片| 免费人成视频x8x8入口观看| 97超级碰碰碰精品色视频在线观看| 亚洲专区国产一区二区| 少妇裸体淫交视频免费看高清 | ponron亚洲| 母亲3免费完整高清在线观看| 黑人操中国人逼视频| 亚洲国产欧洲综合997久久,| 日本三级黄在线观看| 97人妻精品一区二区三区麻豆| xxxwww97欧美| 亚洲电影在线观看av| 亚洲黑人精品在线| 9191精品国产免费久久| 久久久久久久久久黄片| 欧洲精品卡2卡3卡4卡5卡区| 午夜影院日韩av| 国产成人一区二区三区免费视频网站| 欧美日韩黄片免| 1024视频免费在线观看| 婷婷亚洲欧美| 丝袜美腿诱惑在线| 日日摸夜夜添夜夜添小说| 一进一出好大好爽视频| 中文在线观看免费www的网站 | 很黄的视频免费| 不卡一级毛片| 日韩大码丰满熟妇| 国产乱人伦免费视频| 免费观看人在逋| 男男h啪啪无遮挡| 长腿黑丝高跟| 91大片在线观看| 男女下面进入的视频免费午夜| 免费在线观看亚洲国产| 每晚都被弄得嗷嗷叫到高潮| а√天堂www在线а√下载| 99久久99久久久精品蜜桃| 天堂动漫精品| 久久人妻av系列| 国产主播在线观看一区二区| 成年女人毛片免费观看观看9| 亚洲人成网站在线播放欧美日韩| 亚洲国产欧洲综合997久久,| 中文字幕最新亚洲高清| 欧美日本亚洲视频在线播放| 在线观看免费日韩欧美大片| av免费在线观看网站| 国产成人精品久久二区二区91| 99热这里只有是精品50| 国产蜜桃级精品一区二区三区| 特大巨黑吊av在线直播| 无遮挡黄片免费观看| 久久这里只有精品19| 日韩欧美国产一区二区入口| 99精品久久久久人妻精品| 麻豆久久精品国产亚洲av| 国产亚洲av嫩草精品影院| 国产亚洲av高清不卡| 中国美女看黄片| 757午夜福利合集在线观看| 岛国在线免费视频观看| 国产亚洲精品一区二区www| 舔av片在线| 欧美乱色亚洲激情| 亚洲人成77777在线视频| 99精品在免费线老司机午夜| 国产精品一及| 两个人看的免费小视频| 久久精品国产清高在天天线| 欧美国产日韩亚洲一区| 啦啦啦免费观看视频1| 老司机午夜十八禁免费视频| 久久久久久人人人人人| 精品欧美国产一区二区三| www日本在线高清视频| 国产三级黄色录像| 国产av麻豆久久久久久久| 99在线人妻在线中文字幕| 脱女人内裤的视频| 长腿黑丝高跟| 中文字幕久久专区| 日韩欧美一区二区三区在线观看| www.精华液| 欧美在线黄色| 成人三级做爰电影| 国产一区二区在线观看日韩 | 久久精品91蜜桃| 十八禁人妻一区二区| 精品少妇一区二区三区视频日本电影| 亚洲av第一区精品v没综合| 国产伦一二天堂av在线观看| 久久香蕉国产精品| 欧美一级a爱片免费观看看 | 色尼玛亚洲综合影院| 国产蜜桃级精品一区二区三区| 高清在线国产一区| 丰满人妻一区二区三区视频av | 色老头精品视频在线观看| 91麻豆精品激情在线观看国产| 国产又黄又爽又无遮挡在线| 国产精品,欧美在线| 99热这里只有精品一区 | 国产精品1区2区在线观看.| 国产精品 国内视频| 亚洲av五月六月丁香网| 亚洲av第一区精品v没综合| 超碰成人久久| 久久久久久久精品吃奶| 亚洲最大成人中文| 久久亚洲真实| 国产黄片美女视频| 色播亚洲综合网| 老熟妇乱子伦视频在线观看| 国产精品久久久久久人妻精品电影| 天天一区二区日本电影三级| 18禁美女被吸乳视频| 欧美 亚洲 国产 日韩一| 精品免费久久久久久久清纯| 免费在线观看视频国产中文字幕亚洲| 一夜夜www| 麻豆一二三区av精品| 国产一区二区三区在线臀色熟女| 国产亚洲精品一区二区www| 亚洲精品美女久久av网站| 脱女人内裤的视频| 久久久久久国产a免费观看| 国产激情偷乱视频一区二区| 精品久久久久久久毛片微露脸| 成人精品一区二区免费| 亚洲无线在线观看| 女人爽到高潮嗷嗷叫在线视频| 男女之事视频高清在线观看| 一本大道久久a久久精品| 日日干狠狠操夜夜爽| 国产精品国产高清国产av| 国模一区二区三区四区视频 | 999久久久精品免费观看国产| 成年人黄色毛片网站| 亚洲成人久久性| 亚洲欧美激情综合另类| 在线视频色国产色| 夜夜夜夜夜久久久久| 欧美在线黄色| 国产精品永久免费网站| 国产91精品成人一区二区三区| 人妻丰满熟妇av一区二区三区| 国产亚洲欧美在线一区二区| 国产亚洲精品综合一区在线观看 | 精品国内亚洲2022精品成人| 中文字幕人妻丝袜一区二区| 国产激情欧美一区二区| 国产一区二区激情短视频| 最近最新中文字幕大全电影3| 国产高清视频在线观看网站| 可以在线观看毛片的网站| 精品久久久久久久毛片微露脸| 免费一级毛片在线播放高清视频| 午夜福利免费观看在线| 国产午夜精品论理片| 99久久无色码亚洲精品果冻| 夜夜看夜夜爽夜夜摸| tocl精华| 激情在线观看视频在线高清| 亚洲成人国产一区在线观看| 亚洲av中文字字幕乱码综合| 欧美日韩乱码在线| 两性午夜刺激爽爽歪歪视频在线观看 | 动漫黄色视频在线观看| 国产熟女午夜一区二区三区| 国产精品影院久久| 精品午夜福利视频在线观看一区| 精品国产美女av久久久久小说| 午夜精品一区二区三区免费看| 女生性感内裤真人,穿戴方法视频| 香蕉久久夜色| 国产成人精品久久二区二区91| 全区人妻精品视频| 亚洲人与动物交配视频| 99国产极品粉嫩在线观看|