• <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 ?

    基于PCA和AP的嵌套式KNN金融時(shí)間序列預(yù)測(cè)模型

    2019-03-13 08:07:10,
    預(yù)測(cè) 2019年1期
    關(guān)鍵詞:測(cè)試點(diǎn)聚類矩陣

    , ,

    (1.西南財(cái)經(jīng)大學(xué) 天府學(xué)院 智能金融學(xué)院,四川 成都 610052; 2.成都大學(xué) 商學(xué)院,四川 成都 610106; 3.重慶金融學(xué)院 智能金融研究中心,重慶 400067)

    1 引言

    金融時(shí)間序列預(yù)測(cè)是一個(gè)極具挑戰(zhàn)性的理論和技術(shù)問(wèn)題,具有重要的經(jīng)濟(jì)意義,近年來(lái)引起了金融界和計(jì)算機(jī)界的廣泛關(guān)注。金融時(shí)間序列概率可預(yù)測(cè)性已被大量文獻(xiàn)所證實(shí)。在有效市場(chǎng)假說(shuō)(EMH)的基礎(chǔ)上,Box和Jenkins[1]提出了ARIMA模型,Engle[2]提出了ARCH模型,Bollerslev[3]提出了GARCH模型,認(rèn)為金融市場(chǎng)的價(jià)格波動(dòng)有可預(yù)測(cè)性,但并非是價(jià)格本身。而一些跨學(xué)科的研究人員采用從其他不同角度繼續(xù)研究金融市場(chǎng)預(yù)測(cè),包括常見(jiàn)的混沌理論模型[4],支持向量機(jī)(SVM)的預(yù)測(cè)模型[5],神經(jīng)網(wǎng)絡(luò)(NN)的預(yù)測(cè)模型[6],和基于k-最鄰近元(KNN)的預(yù)測(cè)模型[7]。

    在這些常用的預(yù)測(cè)模型中,Cover和Hart[8]提出的KNN可以處理高維數(shù)據(jù),并能夠簡(jiǎn)單直觀地從特征空間中提取相似實(shí)例進(jìn)行預(yù)測(cè)分析,由此被廣泛應(yīng)用于時(shí)間序列預(yù)測(cè)[9]。但是KNN有兩個(gè)明顯的缺陷會(huì)影響其性能也是眾所周知的。第一,計(jì)算量過(guò)大,因?yàn)樾枰?jì)算測(cè)試點(diǎn)與已知樣本中的所有點(diǎn)的相似度,并找到k個(gè)最鄰近元;第二,受不均衡樣本影響,當(dāng)不同類所含樣本點(diǎn)數(shù)量差距較大時(shí),測(cè)試點(diǎn)的k個(gè)最鄰近元中,大樣本類容易占多數(shù)而影響測(cè)試點(diǎn)的分類或者回歸效果。為了解決這兩個(gè)問(wèn)題,本文提出了一種嵌套式KNN,稱為Nested KNN。Nested KNN分成兩層:第一層首先計(jì)算預(yù)測(cè)點(diǎn)前一時(shí)點(diǎn)t與各個(gè)聚類中心的相似度,并找到其最近的聚類中心和相應(yīng)的聚類;第二層計(jì)算t與第一層輸出的聚類中的各個(gè)點(diǎn)的相似度,并找到t的k個(gè)最鄰近元。由于第一層只需要計(jì)算t與各個(gè)聚類中心的相似度,所以大大減少了算法的計(jì)算量;第二層只計(jì)算t與同一聚類中的各個(gè)點(diǎn)的相似度,因此避免了受不均衡樣本的影響。

    Tsai和Hsiao[10]指出特征提取是金融時(shí)間序列預(yù)測(cè)的關(guān)鍵。本文采用主成分分析(PCA)和仿射傳播聚類(AP)對(duì)歷史數(shù)據(jù)集進(jìn)行特征提取,將輸出的特征作為Nested KNN預(yù)測(cè)的輸入。由此提出了一種將PCA、AP和Nested KNN組合起來(lái)的智能預(yù)測(cè)模型,簡(jiǎn)稱為PANK模型(PCA+AP+Nested KNN)。該模型將用于實(shí)證預(yù)測(cè)歐元兌美元匯率及滬深300指數(shù)的走勢(shì)。

    2 PANK預(yù)測(cè)模型的結(jié)構(gòu)框架

    本文在KNN回歸的基礎(chǔ)上,提出了PANK金融時(shí)間序列預(yù)測(cè)模型。PANK模型通過(guò)PCA來(lái)減少原始金融時(shí)間序列中的冗余信息,生成富含有效信息的主成分,并將其輸入AP進(jìn)行聚類以找到時(shí)間序列的最優(yōu)聚類方案和相應(yīng)的聚類中心集,最后輸入兩層嵌套式Nested KNN進(jìn)行回歸預(yù)測(cè)。

    一般地,我們?nèi)∫欢巫銐蜷L(zhǎng)的歷史數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練和測(cè)試。首先,需要確定數(shù)據(jù)的時(shí)間框架,本文采用日數(shù)據(jù),用日作為基本時(shí)間尺度。時(shí)間序列X(t)表示t時(shí)間(一天)的數(shù)據(jù),包含了四個(gè)價(jià)格分量:開(kāi)盤(pán)價(jià)X.O(t)、最高價(jià)X.H(t)、最低價(jià)X.L(t)、收盤(pán)價(jià)X.C(t)和交易量X.V(t)。在本文中,我們只考慮X.C(t),因此在后面的論述中X(t)僅包含X.C(t),在后續(xù)研究中我們將會(huì)加入更多的分量。

    對(duì)于任意X(t),定義當(dāng)日相對(duì)收益率

    (1)

    其中λ表示預(yù)測(cè)步長(zhǎng),最基本預(yù)測(cè)步長(zhǎng)為1,因此在沒(méi)有具體說(shuō)明時(shí),本文用RR(t)表示RR(t,λ)。取足夠長(zhǎng)的歷史相對(duì)收益率數(shù)據(jù)

    DR(t,T)=(RR(t),RR(t-1),…,

    RR(t-(T-m)+1))

    (2)

    其中t表示所取得的數(shù)據(jù)中最近的時(shí)間點(diǎn);T表示全部數(shù)據(jù)的總天數(shù);m<

    一般的PANK預(yù)測(cè)模型可以表達(dá)為

    PANK:RR(t+λ)=NKNN(C(t),k)

    (3)

    其中NKNN表示嵌套式KNN;C(t)是AP聚類后生成的最優(yōu)聚類結(jié)果,是預(yù)測(cè)模型提取的特征集;k是模型參數(shù);RR(t+λ)是模型輸出的預(yù)測(cè)日的相對(duì)收益率。具體地,PANK模型使用PCA和AP聚類生成特征集C(t),因此,PANK模型可以進(jìn)一步地表達(dá)為

    PANK:RR(t+λ)=NKNN{FE[AP(PCA(DR(t,m)))],k}

    (4)

    其中FE( )(Feature Extraction, FE)表示聚類提取特征值的過(guò)程。

    3 PANK預(yù)測(cè)模型的三個(gè)組成部分及其算法

    PANK模型由PCA、AP和Nested KNN三個(gè)部分組成。模型首先采用PCA提取富含原始數(shù)據(jù)信息的主分量,并輸入AP進(jìn)行信息傳播聚類,生成特征集C(t),最后輸入Nested KNN進(jìn)行回歸預(yù)測(cè)。下面將依次介紹PANK模型的各個(gè)組成部分及其算法流程。

    3.1 主成分分析(PCA)

    主成分分析(Principal Component Analysis, PCA)是1901年由Pearson提出并于1933年由Hotelling發(fā)展[11,12],是一種常用的減少冗余信息,對(duì)大數(shù)據(jù)進(jìn)行降維的方法。在應(yīng)用PCA提取主分量之前,需要采用滑動(dòng)窗口(窗口寬度為m)技術(shù)截取歷史數(shù)據(jù)[13],形成預(yù)測(cè)模型的輸入,并形成預(yù)測(cè)模型訓(xùn)練輸入輸出數(shù)據(jù)集

    DT(t,T-m)={D→R}

    (5)

    D=(DR(t-1,m)DR(t-2,m)…DR(t-(T-m),m))′

    (6)

    R=(RR(t)RR(t-1)…RR(t-(T-m)+1))′

    (7)

    PANK模型的第一步是PCA變換減少冗余數(shù)據(jù),獲取主分量,這實(shí)際也是一個(gè)奇異值分解過(guò)程。首先對(duì)歷史數(shù)據(jù)矩陣D進(jìn)行標(biāo)準(zhǔn)化處理和奇異值分解,可得矩陣Z

    Z=UΣVT

    (8)

    其中U和V都是正交矩陣,分別是ZZT和ZTZ的特征向量矩陣。Σ是非負(fù)矩形對(duì)角矩陣,其左上角的子矩陣的對(duì)角元素λi(i=1,2,…,r)為ZZT的特征值。由此可以得到數(shù)據(jù)轉(zhuǎn)換矩陣

    P=ZTU=VΣTUTU=VΣT

    (9)

    其中矩陣P的各列依次為各個(gè)主成分。

    實(shí)際上,在時(shí)間序列組成的矩陣中,存在信息冗余,其信息主要集中于前面部分主分量上。因此,我們可根據(jù)對(duì)主成分累積貢獻(xiàn)率(Cumulative Contribution Rate, CCR)的約束來(lái)提取前l(fā)(l<

    (10)

    3.2 仿射傳播聚類(AP)

    仿射傳播聚類(Affinity Propagation, AP)是2007年Frey和 Dueck[14]在Science上提出的一種快速有效的新聚類算法,該算法事先將所有的數(shù)據(jù)點(diǎn)都看作是可能的聚類中心,通過(guò)不斷的循環(huán)迭代,最終獲得包含有一系列聚類中心和相應(yīng)的聚類集的聚類方案。在含有N個(gè)數(shù)據(jù)點(diǎn)的樣本中,AP算法首先計(jì)算每?jī)蓚€(gè)數(shù)據(jù)點(diǎn)之間的相似度,并組成相似度矩陣SN×N。在此基礎(chǔ)上,每個(gè)數(shù)據(jù)點(diǎn)都被看作是潛在的聚類中心(稱為exemplar),然后通過(guò)迭代循環(huán),在信息的搜集和傳遞過(guò)程中不斷競(jìng)爭(zhēng),最后產(chǎn)生一系列最優(yōu)的聚類中心,并將各個(gè)數(shù)據(jù)點(diǎn)分配到最相似的聚類中心所代表的類中,形成AP最優(yōu)的聚類結(jié)果[14]。下面將具體說(shuō)明AP的算法流程。

    在金融時(shí)間序列經(jīng)過(guò)PCA后,將選出的主成分組成樣本空間,計(jì)算每?jī)蓚€(gè)樣本點(diǎn)i和j之間的相似度S(i,j)。在本文中,以歐氏距離作為相似度測(cè)度,后續(xù)的研究中將探索更適合金融時(shí)間序列相似度的測(cè)度方法,有

    S(i,j)=-‖i-j‖2

    (11)

    同時(shí)生成了由所有的相似度S(i,j)組成的相似度矩陣S。

    為了找到最合適的聚類中心,AP算法在相似度矩陣S的基礎(chǔ)上,對(duì)每個(gè)樣本點(diǎn)進(jìn)行信息搜集和傳遞,并進(jìn)行迭代循環(huán)。在每一個(gè)迭代循環(huán)過(guò)程中,對(duì)于任意一個(gè)潛在的聚類中心e,都從任意一個(gè)樣本點(diǎn)i搜集信息R(i,e),同時(shí),也為點(diǎn)i從潛在的聚類中心e搜集信息A(i,e)

    (12)

    (13)

    其中R(i,e)表示點(diǎn)e對(duì)點(diǎn)i的吸引度(responsibility)或者說(shuō)是點(diǎn)e適合作為點(diǎn)i的聚類中心的程度。A(i,e)表示點(diǎn)i對(duì)點(diǎn)e的歸屬度(availability)或者說(shuō)是點(diǎn)i選擇點(diǎn)e作為其聚類中心的適合程度。整個(gè)過(guò)程中R(i,e)和A(i,e)不斷被計(jì)算迭代直到R(i,e)+A(i,e)達(dá)到最大值,點(diǎn)e才是選出來(lái)的最適合點(diǎn)i的聚類中心。

    需要指出的是,在相似度矩陣的對(duì)角線上存在非常重要的偏向參數(shù)p,它表示每個(gè)點(diǎn)被選作聚類中心的傾向性。一般地,設(shè)定p的初始值pm為相似度矩陣S中元素的中值,下降步幅[15]

    (14)

    在迭代循環(huán)的過(guò)程中,若聚類個(gè)數(shù)收斂到某個(gè)值h時(shí),以pstep逐漸減小p,并繼續(xù)迭代,以獲得不同聚類個(gè)數(shù)的不同聚類方案。為了在不同的聚類方案中,選取一個(gè)最優(yōu)的,可引入能夠有效反映聚類結(jié)構(gòu)中的類內(nèi)緊密性和類間分離性的Silhouette指標(biāo)[15]。假設(shè)樣本空間被分成了r個(gè)聚類Ci(i=1,2,…,r),可以計(jì)算點(diǎn)x*的Silhouette指標(biāo)

    (15)

    其中d(x*,Ci)表示聚類Cj中的點(diǎn)x*與另一聚類Ci(i≠j)中所有的點(diǎn)之間的平均不相似度,a(x*)表示聚類Cj中的點(diǎn)與同聚類中其他所有點(diǎn)的平均不相似度。由此,可以計(jì)算出整個(gè)樣本空間中所有點(diǎn)的Silhouette指標(biāo)的平均值Silaverage

    (16)

    Silaverage值可以有效反映聚類結(jié)果的質(zhì)量,Silaverage>0.5表示各個(gè)不同聚類間具有明顯的可分離性,Silaverage值越大表示聚類質(zhì)量越好[15]。

    3.3 嵌套式k-最鄰近元(Nested KNN)

    作為一種簡(jiǎn)單、直觀、有效的非參數(shù)模式識(shí)別方法,KNN既能用于分類,又能用于回歸,因此被廣泛應(yīng)用[16,17]。但是KNN算法有兩個(gè)非常明顯的缺點(diǎn):計(jì)算量過(guò)大和受不均衡樣本影響。為了改進(jìn)KNN算法的這兩個(gè)不足之處,本文特別提出了一種嵌套式的KNN算法,稱為Nested KNN。

    對(duì)于一段足夠長(zhǎng)的、包含N個(gè)樣本點(diǎn)的歷史時(shí)間序列,可構(gòu)建基于原始KNN的預(yù)測(cè)模型

    x(t+λ)=KNN(N,k)

    (17)

    首先,用歐氏距離作為相似度測(cè)度,計(jì)算測(cè)試點(diǎn)x(t)與任意樣本點(diǎn)xn(n=1,2,…,N)的相似度

    S(x(t),xn)=-‖x(t)-xn‖2

    (18)

    將S進(jìn)行排序,找到前k個(gè)最大的S值和最相似的k個(gè)最鄰近元xj(j=1,2,…,k),其中k

    (19)

    針對(duì)KNN的兩大不足之處,本文特別在以上模型的基礎(chǔ)上,將KNN改進(jìn)為兩層嵌套式算法Nested KNN。該算法由三個(gè)函數(shù):NKNN、NKNN1和NKNN0組成。其中NKNN作為主函數(shù),對(duì)應(yīng)整個(gè)算法的輸入-輸出,并調(diào)用NKNN1找到與輸入測(cè)試點(diǎn)最相似的聚類中心和相應(yīng)的聚類;NKNN1再調(diào)用NKNN0在前一步輸出的聚類中找到與測(cè)試點(diǎn)最相似的k個(gè)最鄰近元用于回歸預(yù)測(cè)。具體如下:

    函數(shù)NKNN1, 輸入預(yù)測(cè)點(diǎn)Xt+λ的前一點(diǎn)Xt=DR(t,T)和AP聚類輸出的r個(gè)類Ci(i=1,2,…,r)的集合C和各個(gè)聚類中心ei(i=1,2,…,r)的集合E,輸出與Xt最相似的聚類中心enearest和相應(yīng)的聚類Cnearest,即

    (Cnearest,enearest)=NKNN1(Xt,C,E,k=1)

    (20)

    計(jì)算Xt與任意聚類中心ei(i=1,2,…,r)之間的相似度S(Xt,ei)。當(dāng)S(Xt,enearest)為最大值時(shí),enearest就是與Xt最相似的聚類中心,由此,可以得到以enearest為代表的聚類Cnearest,并將Xt歸為此類。

    函數(shù)NKNN0,輸入Xt和Cnearest,輸出Xt+λ,即

    (Xt+λ)=NKNN0(Xt,Cnearest,k)

    (21)

    (22)

    其中參數(shù)k直接影響輸出結(jié)果。在實(shí)際的測(cè)試中,具體的不同樣本都對(duì)應(yīng)于不同的最優(yōu)k值,因此,為了得到更好的預(yù)測(cè)效果,本文將通過(guò)模型訓(xùn)練,找到最優(yōu)的k值。

    函數(shù)NKNN,輸入Xt、C和E,先調(diào)用NKNN1輸出Cnearest和enearest,再調(diào)用NKNN0輸出Xt+λ,即

    (Xt+λ)=NKNN(Xt,C,E,k)

    (23)

    其中有Xt+λ=DR(t+λ,T),由此可以得出RR(t+λ)。

    在Nested KNN算法中,NKNN1只需要計(jì)算測(cè)試點(diǎn)Xt與各個(gè)聚類中心之間的相似度,因此較KNN算法極大地減少了計(jì)算量。同時(shí)在NKNN0中,只需要計(jì)算測(cè)試點(diǎn)Xt與其最相似的聚類中心所在聚類Cnearest中的各個(gè)點(diǎn)之間的相似度,因此有效避免了不均衡樣本的問(wèn)題。

    4 PANK預(yù)測(cè)模型的結(jié)構(gòu)參數(shù)和效能測(cè)度

    4.1 PANK預(yù)測(cè)模型的結(jié)構(gòu)參數(shù)

    在構(gòu)建一個(gè)具體的PANK預(yù)測(cè)模型時(shí),需要設(shè)定三個(gè)關(guān)鍵的模型結(jié)構(gòu)參數(shù):m,λ,k。其中m表示截取歷史金融時(shí)間序列的滑動(dòng)窗口寬度;λ表示預(yù)測(cè)未來(lái)時(shí)間序列的步幅;k表示所取最鄰近元的個(gè)數(shù)。由此,可以將(3)式和(4)式中的PANK模型表達(dá)為

    PANK:RR(t+λ)=NKNN{AP*[PCA(DR(t,m))],k}

    (24)

    其中AP*=FE(AP)表示聚類提取預(yù)測(cè)輸入的過(guò)程。

    4.2 PANK預(yù)測(cè)模型的效能測(cè)度

    對(duì)于時(shí)間序列預(yù)測(cè)模型的效能測(cè)度,我們常見(jiàn)的指標(biāo)有均方根誤差(Root Mean Square Error, RMSE)[18]、平均絕對(duì)百分比誤差 (Mean Absolute Percentage Error, MAPE)[19]和平均絕對(duì)誤差(Mean Absolute Difference, MAD),用來(lái)測(cè)度實(shí)際值與預(yù)測(cè)值偏差。然而,對(duì)于量化投資而言,只有在預(yù)測(cè)趨勢(shì)方向有了顯著的正確率后,這些效能測(cè)度指標(biāo)才有意義。因此,本文對(duì)于具體PANK預(yù)測(cè)模型的效能測(cè)度將采用衡量預(yù)測(cè)趨勢(shì)方向正確性的命中率(Hit Rate,HR)[20]

    (25)

    5 PANK預(yù)測(cè)模型的實(shí)證分析

    浮動(dòng)匯率制度在世界市場(chǎng)有效,大家對(duì)外匯市場(chǎng)廣泛關(guān)注,為了避免外匯市場(chǎng)風(fēng)險(xiǎn),提出了各種匯率趨勢(shì)預(yù)測(cè)的模型[21,22]。與此同時(shí),中國(guó)的股市,如滬深300股指等也受到了研究者的關(guān)注[23]。在本文的模型實(shí)證部分,我們構(gòu)建了兩個(gè)具體的PANK預(yù)測(cè)模型,分別對(duì)歐元兌美元匯率和滬深300指數(shù)真實(shí)的歷史數(shù)據(jù)進(jìn)行預(yù)測(cè)實(shí)證。

    5.1 PANK_EURUSD_D1預(yù)測(cè)歐元兌美元匯率日線收益率

    PANK_EURUSD_D1預(yù)測(cè)模型針對(duì)歐元兌美元匯率日線收盤(pán)價(jià)數(shù)據(jù),對(duì)t+1日線收益率進(jìn)行預(yù)測(cè),該模型可從(24)式具體化為

    PANK_EURUSD_D1:RR(t+1)

    =NKNN{AP*[PCA(EURUSD_D1_DR(t,m))],k}

    (26)

    模型訓(xùn)練和測(cè)試的歷史數(shù)據(jù)集由2002年11月1日至2017年11月24日期間的3909個(gè)交易日數(shù)據(jù)組成,前面時(shí)段的3128個(gè)數(shù)據(jù)點(diǎn)用于樣本內(nèi)訓(xùn)練,后面時(shí)段的781個(gè)數(shù)據(jù)點(diǎn)用于樣本外檢驗(yàn)。表1顯示了PANK_EURUSD_D1預(yù)測(cè)模型的樣本外檢驗(yàn)預(yù)測(cè)命中率結(jié)果,其中在m=25和k=5時(shí),取得了最高的命中率0.80(80%),這表明PANK_EURUS_D1模型是一種性能優(yōu)良的匯率預(yù)測(cè)模型。

    表1 PANK_EURUSD_D1 預(yù)測(cè)歐元兌美元匯率t+1日線收益率的命中率

    5.2 PANK_HS300_D1預(yù)測(cè)滬深300指數(shù)日線收益率

    PANK_HS300_D1預(yù)測(cè)模型針對(duì)滬深300指數(shù)日線收盤(pán)價(jià)數(shù)據(jù),預(yù)測(cè)t+1日線收益率,該模型可從(24)式具體化為

    PANK_HS300_D1:RR(t+1)

    =NKNN{AP*[PCA(HS300_D1_DR(t,m))],k}

    (27)

    模型訓(xùn)練和測(cè)試的歷史數(shù)據(jù)集由2002年1月4日至2017年7月28日期間的3775個(gè)交易日數(shù)據(jù)組成,前面時(shí)段的3020個(gè)數(shù)據(jù)點(diǎn)用于樣本內(nèi)訓(xùn)練,后面時(shí)段的755個(gè)數(shù)據(jù)點(diǎn)用于樣本外檢驗(yàn)。表2顯示了PANK_HS300_D1預(yù)測(cè)模型的樣本外檢驗(yàn)預(yù)測(cè)命中率結(jié)果,其中在m=25和k=3時(shí),取得了最高的命中率0.80(80%)。該實(shí)證結(jié)果表明PANK_HS300_D1模型仍然具有良好的預(yù)測(cè)效能。

    表2 PANK_HS300_D1預(yù)測(cè)滬深300指數(shù)t+1日線收益率的命中率

    5.3 與KNN和AP+Nested KNN預(yù)測(cè)模型的實(shí)證比較

    為了進(jìn)一步對(duì)PANK模型的預(yù)測(cè)效能進(jìn)行評(píng)價(jià),本文另外構(gòu)建了兩個(gè)具體的KNN預(yù)測(cè)模型和兩個(gè)具體的AP+Nested KNN預(yù)測(cè)模型與之進(jìn)行比較。

    KNN_EURUSD_D1:RR(t+1)

    =KNN{[EURUSD_D1_DR(t,m)],k}

    (28)

    KNN_HS300_D1:RR(t+1)

    =KNN{[HS300_D1_DR(t,m)],k}

    (29)

    AP+NKNN_EURUSD_D1:RR(t+1)

    =NKNN{AP[EURUSD_D1_DR(t,m)],k}

    (30)

    AP+NKNN_HS300_D1:RR(t+1)

    =NKNN{AP[HS300_D1_DR(t,m)],k}

    (31)

    為了更直觀地對(duì)六個(gè)具體模型的預(yù)測(cè)效能進(jìn)行比較,我們選取了每個(gè)模型預(yù)測(cè)的最高命中率。表3顯示了對(duì)比結(jié)果,PANK預(yù)測(cè)模型不管是在外匯市場(chǎng)還是在股指上都有著最優(yōu)的預(yù)測(cè)效果,由此可以說(shuō)明PCA、AP和Nested KNN在PANK模型中都是有效果的,能夠有效改進(jìn)KNN模型的預(yù)測(cè)效果。表3中不同模型的預(yù)測(cè)效能對(duì)比結(jié)果表明PANK預(yù)測(cè)效能優(yōu)于AP+Nested KNN,而AP+Nested KNN又是優(yōu)于KNN預(yù)測(cè)模型的。這正如Krogh和Vedelsby[24]證明的一樣,“當(dāng)構(gòu)成組合預(yù)測(cè)模型的單一模型足夠精確且足夠多樣化時(shí),組合預(yù)測(cè)模型一定能獲得比單一模型更好的預(yù)測(cè)效果?!?/p>

    表3 PANK模型與其他相關(guān)模型的預(yù)測(cè)效能比較

    6 結(jié)論與展望

    本文提出的PANK模型,是一種集成PCA、AP和Nested KNN算法的金融時(shí)間序列預(yù)測(cè)的計(jì)算智能模型。從整體結(jié)構(gòu)上看,該模型具有PCA+AP的特征提取過(guò)程和Nested KNN回歸預(yù)測(cè)兩大部分,是具有創(chuàng)新性的。而模型中的Nested KNN算法是本文針對(duì)KNN算法本身的缺陷,提出的一種嵌套式的KNN改進(jìn)算法。該算法由三個(gè)函數(shù)組成了兩層計(jì)算:(1)在PCA+AP輸出的聚類中心集中進(jìn)行計(jì)算,并找到最相似的聚類中心及所在類。(2)在第一層輸出的聚類中進(jìn)行計(jì)算,并找到最相似的k個(gè)最鄰近元進(jìn)行回歸預(yù)測(cè)。這樣的分層計(jì)算比原始的KNN算法具有更有效的分類效果和更快的運(yùn)算速度,從而能夠更有效地對(duì)金融時(shí)間序列進(jìn)行回歸預(yù)測(cè)。為了驗(yàn)證PANK模型的有效性,本文在預(yù)測(cè)歐元兌美元匯率和中國(guó)基準(zhǔn)指數(shù)滬深300上進(jìn)行了實(shí)證,對(duì)日線收益率進(jìn)行了預(yù)測(cè)。實(shí)證結(jié)果表明PANK模型的預(yù)測(cè)性能明顯優(yōu)于KNN和AP+Nested KNN預(yù)測(cè)模型,在每日時(shí)間框架內(nèi),最佳命中率均達(dá)到0.80(80%)。

    在后續(xù)的研究中,我們的金融時(shí)間序列預(yù)測(cè)模型可以從以下方面進(jìn)行改進(jìn)研究:(1)將線性變換PCA換成一種更適合金融時(shí)間序列的非線性方法,比如“自編碼器”。(2)將歐氏距離換成一個(gè)更適合金融時(shí)間序列相似性度量的方法,以提高模型預(yù)測(cè)性能。(3)將KNN換成更有效的非線性預(yù)測(cè)模型,比如“隨機(jī)森林”。

    猜你喜歡
    測(cè)試點(diǎn)聚類矩陣
    一種新型模擬電路故障字典測(cè)點(diǎn)選擇方法研究
    基于信息熵可信度的測(cè)試點(diǎn)選擇方法研究
    邏輯內(nèi)建自測(cè)試雙重過(guò)濾測(cè)試點(diǎn)選取策略
    基于DBSACN聚類算法的XML文檔聚類
    初等行變換與初等列變換并用求逆矩陣
    基于改進(jìn)的遺傳算法的模糊聚類算法
    矩陣
    南都周刊(2015年4期)2015-09-10 07:22:44
    矩陣
    南都周刊(2015年3期)2015-09-10 07:22:44
    矩陣
    南都周刊(2015年1期)2015-09-10 07:22:44
    一種層次初始的聚類個(gè)數(shù)自適應(yīng)的聚類方法研究
    国产成人aa在线观看| 国产成人一区二区三区免费视频网站| 高清在线国产一区| 国产伦一二天堂av在线观看| 日韩欧美精品v在线| 亚洲精品粉嫩美女一区| 在线观看日韩欧美| 国产精品电影一区二区三区| 国产精品综合久久久久久久免费| 国产高清视频在线观看网站| 国产av又大| 午夜成年电影在线免费观看| 亚洲国产精品合色在线| 一a级毛片在线观看| 国产亚洲精品久久久久5区| 免费在线观看黄色视频的| 精品久久久久久久久久免费视频| 亚洲精品中文字幕在线视频| 亚洲精品粉嫩美女一区| bbb黄色大片| 精品久久久久久久久久免费视频| 日韩欧美 国产精品| 午夜免费观看网址| 一本久久中文字幕| 中文字幕久久专区| 91字幕亚洲| 99在线人妻在线中文字幕| 午夜免费激情av| 国产av一区在线观看免费| 手机成人av网站| 丁香欧美五月| 日本a在线网址| 国产97色在线日韩免费| 亚洲最大成人中文| 国产一区在线观看成人免费| 一级片免费观看大全| 婷婷丁香在线五月| 日本熟妇午夜| 草草在线视频免费看| 51午夜福利影视在线观看| 欧美黄色淫秽网站| 亚洲最大成人中文| 久久99热这里只有精品18| cao死你这个sao货| 成人亚洲精品av一区二区| 不卡av一区二区三区| 午夜福利18| 亚洲性夜色夜夜综合| 精品无人区乱码1区二区| 亚洲中文日韩欧美视频| 国产野战对白在线观看| 亚洲一码二码三码区别大吗| 黄色丝袜av网址大全| 一级黄色大片毛片| 中文字幕人妻丝袜一区二区| 久久久国产成人免费| 久久热在线av| 老汉色∧v一级毛片| 男女床上黄色一级片免费看| 亚洲五月天丁香| 亚洲一卡2卡3卡4卡5卡精品中文| 18禁裸乳无遮挡免费网站照片| 国产激情久久老熟女| 成人欧美大片| 精品福利观看| 欧美绝顶高潮抽搐喷水| 成人高潮视频无遮挡免费网站| 国产精品一区二区三区四区免费观看 | 久久九九热精品免费| 51午夜福利影视在线观看| 免费看a级黄色片| 色在线成人网| 精品国产乱码久久久久久男人| 亚洲成人久久爱视频| 亚洲男人的天堂狠狠| 中文字幕高清在线视频| 亚洲熟女毛片儿| 久久久国产欧美日韩av| 国产高清视频在线观看网站| 国产成人影院久久av| 亚洲国产中文字幕在线视频| 一本大道久久a久久精品| 国产男靠女视频免费网站| 国产精品久久久久久精品电影| 麻豆国产97在线/欧美 | 欧美乱妇无乱码| 日本在线视频免费播放| 无限看片的www在线观看| 婷婷精品国产亚洲av在线| 亚洲精品美女久久久久99蜜臀| 他把我摸到了高潮在线观看| 一个人免费在线观看的高清视频| tocl精华| 久久人妻av系列| 国产精品98久久久久久宅男小说| 日韩 欧美 亚洲 中文字幕| 老汉色av国产亚洲站长工具| 日本一二三区视频观看| 久久伊人香网站| 国产精品亚洲美女久久久| 好男人电影高清在线观看| 美女高潮喷水抽搐中文字幕| 制服丝袜大香蕉在线| 高清毛片免费观看视频网站| 精品久久久久久久久久久久久| 国产精品99久久99久久久不卡| 亚洲精品一区av在线观看| av在线天堂中文字幕| 麻豆国产av国片精品| 淫妇啪啪啪对白视频| 亚洲精品在线美女| 精品乱码久久久久久99久播| 国模一区二区三区四区视频 | 久久午夜综合久久蜜桃| 白带黄色成豆腐渣| 欧美av亚洲av综合av国产av| 欧美性猛交╳xxx乱大交人| 男人的好看免费观看在线视频 | 久久亚洲精品不卡| av在线天堂中文字幕| 桃色一区二区三区在线观看| 国产成人精品久久二区二区免费| 亚洲精品中文字幕在线视频| 国产精品免费一区二区三区在线| 成人午夜高清在线视频| 日韩有码中文字幕| 国产精品电影一区二区三区| 身体一侧抽搐| 国产精品一区二区三区四区久久| a在线观看视频网站| 精品午夜福利视频在线观看一区| 99热这里只有精品一区 | 免费在线观看成人毛片| 伦理电影免费视频| 亚洲男人的天堂狠狠| 夜夜躁狠狠躁天天躁| 日韩大尺度精品在线看网址| 亚洲国产精品合色在线| 免费看a级黄色片| 亚洲精品粉嫩美女一区| 亚洲色图 男人天堂 中文字幕| 99热这里只有精品一区 | 国产精品永久免费网站| 在线十欧美十亚洲十日本专区| www日本黄色视频网| 亚洲九九香蕉| 日本一区二区免费在线视频| 男女那种视频在线观看| 欧美 亚洲 国产 日韩一| 人人妻人人澡欧美一区二区| 久久久精品欧美日韩精品| 麻豆国产av国片精品| 亚洲av成人精品一区久久| 小说图片视频综合网站| 日本五十路高清| 久久香蕉国产精品| a在线观看视频网站| 亚洲天堂国产精品一区在线| 在线a可以看的网站| 亚洲精品在线观看二区| 亚洲熟妇熟女久久| 色播亚洲综合网| 美女扒开内裤让男人捅视频| 99精品在免费线老司机午夜| 一进一出抽搐gif免费好疼| 在线免费观看的www视频| 亚洲精品中文字幕一二三四区| 在线观看免费午夜福利视频| 真人做人爱边吃奶动态| 久久婷婷成人综合色麻豆| 中文字幕人妻丝袜一区二区| 国产亚洲精品综合一区在线观看 | 日韩av在线大香蕉| 精品一区二区三区四区五区乱码| 欧洲精品卡2卡3卡4卡5卡区| 国产亚洲精品av在线| 亚洲国产高清在线一区二区三| 两个人免费观看高清视频| 一夜夜www| 国产区一区二久久| 国产精品久久电影中文字幕| av免费在线观看网站| 亚洲自拍偷在线| 我要搜黄色片| aaaaa片日本免费| 午夜日韩欧美国产| 久久香蕉精品热| 久久精品夜夜夜夜夜久久蜜豆 | 一边摸一边抽搐一进一小说| 免费看日本二区| 757午夜福利合集在线观看| 欧美av亚洲av综合av国产av| 香蕉丝袜av| 久久这里只有精品19| 中文字幕av在线有码专区| 亚洲精品一区av在线观看| 90打野战视频偷拍视频| 18禁美女被吸乳视频| 狂野欧美白嫩少妇大欣赏| 啦啦啦观看免费观看视频高清| 色哟哟哟哟哟哟| 1024香蕉在线观看| 99国产精品一区二区蜜桃av| 精品久久久久久成人av| 欧美精品啪啪一区二区三区| 丁香欧美五月| 男女视频在线观看网站免费 | 色哟哟哟哟哟哟| 床上黄色一级片| 国产成人一区二区三区免费视频网站| 黄色毛片三级朝国网站| 好男人电影高清在线观看| АⅤ资源中文在线天堂| 亚洲一卡2卡3卡4卡5卡精品中文| 国产99久久九九免费精品| 一区二区三区高清视频在线| 日韩欧美三级三区| av超薄肉色丝袜交足视频| 特大巨黑吊av在线直播| 搡老熟女国产l中国老女人| 此物有八面人人有两片| 色综合站精品国产| 免费在线观看黄色视频的| 一级毛片女人18水好多| 每晚都被弄得嗷嗷叫到高潮| 国产精品免费一区二区三区在线| 久久久久久久精品吃奶| 国产亚洲欧美98| 搞女人的毛片| 国产男靠女视频免费网站| 欧美日韩亚洲综合一区二区三区_| 成年女人毛片免费观看观看9| 欧美乱色亚洲激情| 国产在线观看jvid| 国产精品久久久久久人妻精品电影| 午夜福利成人在线免费观看| 午夜激情av网站| 黄色女人牲交| 夜夜爽天天搞| 欧美大码av| 色哟哟哟哟哟哟| 女生性感内裤真人,穿戴方法视频| 成人av在线播放网站| 人人妻人人看人人澡| 午夜影院日韩av| 久久精品国产亚洲av高清一级| 欧美中文综合在线视频| 亚洲国产高清在线一区二区三| 国产黄a三级三级三级人| 桃色一区二区三区在线观看| 手机成人av网站| 中文字幕人妻丝袜一区二区| 无人区码免费观看不卡| 欧美成人午夜精品| 人成视频在线观看免费观看| 欧美 亚洲 国产 日韩一| 亚洲熟妇熟女久久| 国产在线精品亚洲第一网站| 亚洲美女视频黄频| 午夜福利成人在线免费观看| 亚洲国产精品sss在线观看| 99精品久久久久人妻精品| 国产精品99久久99久久久不卡| 舔av片在线| 亚洲欧美日韩高清在线视频| 1024香蕉在线观看| 国产久久久一区二区三区| 最好的美女福利视频网| 国产成人一区二区三区免费视频网站| 成人av一区二区三区在线看| 给我免费播放毛片高清在线观看| 在线观看免费视频日本深夜| 亚洲精华国产精华精| 国产成+人综合+亚洲专区| 日韩欧美在线乱码| 亚洲欧美日韩无卡精品| 国产成人一区二区三区免费视频网站| 亚洲成人免费电影在线观看| 一边摸一边抽搐一进一小说| 亚洲精品一卡2卡三卡4卡5卡| 我要搜黄色片| 国产亚洲精品一区二区www| АⅤ资源中文在线天堂| 50天的宝宝边吃奶边哭怎么回事| 亚洲,欧美精品.| 成人亚洲精品av一区二区| 99国产极品粉嫩在线观看| 制服诱惑二区| 不卡一级毛片| 禁无遮挡网站| 午夜两性在线视频| 国产精品久久视频播放| av免费在线观看网站| 性色av乱码一区二区三区2| 波多野结衣巨乳人妻| 99精品欧美一区二区三区四区| 国产精品久久电影中文字幕| 亚洲国产看品久久| 欧美一级毛片孕妇| 国产成人系列免费观看| 午夜精品久久久久久毛片777| 成人永久免费在线观看视频| 国产不卡一卡二| 99国产精品一区二区蜜桃av| 一本精品99久久精品77| 精品不卡国产一区二区三区| 亚洲中文av在线| 色av中文字幕| 每晚都被弄得嗷嗷叫到高潮| 久久中文字幕一级| √禁漫天堂资源中文www| 亚洲人成网站在线播放欧美日韩| 国产亚洲欧美在线一区二区| 成年女人毛片免费观看观看9| 久久国产精品影院| 久久香蕉国产精品| 91麻豆av在线| 午夜视频精品福利| 夜夜爽天天搞| 最新美女视频免费是黄的| 亚洲av成人不卡在线观看播放网| 制服丝袜大香蕉在线| 国产人伦9x9x在线观看| 日本五十路高清| 成人午夜高清在线视频| 高潮久久久久久久久久久不卡| 伊人久久大香线蕉亚洲五| 国产高清有码在线观看视频 | 中文在线观看免费www的网站 | 午夜老司机福利片| 欧美精品啪啪一区二区三区| 丰满人妻一区二区三区视频av | 久久国产精品影院| 国产91精品成人一区二区三区| 国产真实乱freesex| 国产免费男女视频| 黄色女人牲交| 国产成人一区二区三区免费视频网站| 亚洲色图av天堂| av有码第一页| 亚洲av电影不卡..在线观看| 日韩中文字幕欧美一区二区| 久久精品影院6| 国产69精品久久久久777片 | 国产精品一区二区精品视频观看| 深夜精品福利| 中文字幕精品亚洲无线码一区| 色综合婷婷激情| 久久国产乱子伦精品免费另类| 久久久久九九精品影院| 搡老熟女国产l中国老女人| 午夜免费观看网址| e午夜精品久久久久久久| 成年版毛片免费区| 91成年电影在线观看| 国产久久久一区二区三区| 全区人妻精品视频| 淫秽高清视频在线观看| 91麻豆av在线| 国产精品一区二区三区四区免费观看 | 老汉色∧v一级毛片| 免费看美女性在线毛片视频| 国产成人啪精品午夜网站| 一区二区三区高清视频在线| 大型av网站在线播放| svipshipincom国产片| 欧美一区二区精品小视频在线| 国产精品久久久久久人妻精品电影| 色综合婷婷激情| 巨乳人妻的诱惑在线观看| 久9热在线精品视频| 亚洲色图av天堂| 久久久久久久午夜电影| 制服人妻中文乱码| 亚洲美女黄片视频| 99riav亚洲国产免费| 99热这里只有是精品50| 国产精品久久久久久亚洲av鲁大| 日本免费a在线| 久久午夜综合久久蜜桃| 日本五十路高清| a在线观看视频网站| 啦啦啦观看免费观看视频高清| 国产三级在线视频| 成人午夜高清在线视频| 黄色毛片三级朝国网站| 黄色女人牲交| 在线看三级毛片| 国产亚洲av高清不卡| 国产黄色小视频在线观看| 50天的宝宝边吃奶边哭怎么回事| 久久人人精品亚洲av| 俺也久久电影网| 老司机深夜福利视频在线观看| 99热只有精品国产| 18禁黄网站禁片午夜丰满| 在线观看免费视频日本深夜| 俄罗斯特黄特色一大片| 欧美一级a爱片免费观看看 | 久久久久国内视频| 超碰成人久久| 天天添夜夜摸| 怎么达到女性高潮| 久久99热这里只有精品18| 两人在一起打扑克的视频| 午夜两性在线视频| 色综合站精品国产| 亚洲国产精品久久男人天堂| 每晚都被弄得嗷嗷叫到高潮| 久久亚洲真实| 中文字幕最新亚洲高清| 丁香欧美五月| 三级毛片av免费| 日本黄色视频三级网站网址| 最近最新中文字幕大全免费视频| 国产探花在线观看一区二区| 国产一区在线观看成人免费| 午夜精品久久久久久毛片777| 欧美性长视频在线观看| 19禁男女啪啪无遮挡网站| 色av中文字幕| 狂野欧美白嫩少妇大欣赏| 亚洲国产精品合色在线| АⅤ资源中文在线天堂| 91麻豆av在线| 黄色 视频免费看| 夜夜爽天天搞| 亚洲自偷自拍图片 自拍| 亚洲熟妇熟女久久| 日本三级黄在线观看| 亚洲av成人不卡在线观看播放网| 久久天躁狠狠躁夜夜2o2o| 丁香六月欧美| 久久婷婷人人爽人人干人人爱| 免费在线观看亚洲国产| 中文亚洲av片在线观看爽| 亚洲黑人精品在线| 天天一区二区日本电影三级| 91成年电影在线观看| 国产av在哪里看| 成人午夜高清在线视频| 亚洲欧洲精品一区二区精品久久久| 亚洲全国av大片| 啪啪无遮挡十八禁网站| 精品久久久久久久毛片微露脸| 窝窝影院91人妻| 亚洲激情在线av| 成熟少妇高潮喷水视频| 2021天堂中文幕一二区在线观| 99在线视频只有这里精品首页| 日韩精品中文字幕看吧| 精品国产乱码久久久久久男人| 99精品在免费线老司机午夜| 亚洲熟妇中文字幕五十中出| 级片在线观看| 久久婷婷人人爽人人干人人爱| 特大巨黑吊av在线直播| 国产在线观看jvid| 狂野欧美激情性xxxx| 国产亚洲精品第一综合不卡| 美女 人体艺术 gogo| 黄色 视频免费看| 日韩大码丰满熟妇| 岛国在线观看网站| 久久中文字幕人妻熟女| 国产99久久九九免费精品| 美女黄网站色视频| 黑人欧美特级aaaaaa片| 国产主播在线观看一区二区| 性欧美人与动物交配| 又粗又爽又猛毛片免费看| 麻豆成人午夜福利视频| 精品少妇一区二区三区视频日本电影| 最近最新中文字幕大全免费视频| 亚洲专区字幕在线| 亚洲av电影在线进入| 一级毛片高清免费大全| 亚洲精品美女久久av网站| 制服人妻中文乱码| 他把我摸到了高潮在线观看| 欧美极品一区二区三区四区| 色在线成人网| 中文字幕精品亚洲无线码一区| 999久久久国产精品视频| 给我免费播放毛片高清在线观看| 久久香蕉精品热| 中亚洲国语对白在线视频| 亚洲va日本ⅴa欧美va伊人久久| 一二三四社区在线视频社区8| 国产人伦9x9x在线观看| 久久精品夜夜夜夜夜久久蜜豆 | 午夜成年电影在线免费观看| 精华霜和精华液先用哪个| 成年免费大片在线观看| 女人高潮潮喷娇喘18禁视频| 精品一区二区三区四区五区乱码| 国内少妇人妻偷人精品xxx网站 | x7x7x7水蜜桃| 老司机靠b影院| 好男人在线观看高清免费视频| 精品国产超薄肉色丝袜足j| 高清毛片免费观看视频网站| 久久国产精品影院| av超薄肉色丝袜交足视频| 国产乱人伦免费视频| 18美女黄网站色大片免费观看| 国内精品一区二区在线观看| 69av精品久久久久久| 国产精品国产高清国产av| av视频在线观看入口| 又黄又爽又免费观看的视频| 午夜亚洲福利在线播放| 搞女人的毛片| 一夜夜www| 亚洲va日本ⅴa欧美va伊人久久| 精品国产乱码久久久久久男人| 国产成+人综合+亚洲专区| 香蕉丝袜av| 搞女人的毛片| 国产黄色小视频在线观看| 在线十欧美十亚洲十日本专区| 国产精品爽爽va在线观看网站| 波多野结衣巨乳人妻| 亚洲中文av在线| 久久 成人 亚洲| 亚洲国产欧美人成| 日日摸夜夜添夜夜添小说| 黄色视频不卡| 在线国产一区二区在线| 国产精品日韩av在线免费观看| 搡老熟女国产l中国老女人| 亚洲九九香蕉| 成人永久免费在线观看视频| 两性午夜刺激爽爽歪歪视频在线观看 | 亚洲精品美女久久久久99蜜臀| 男女那种视频在线观看| 欧美黑人精品巨大| 一本精品99久久精品77| 国产成年人精品一区二区| 中文字幕久久专区| 亚洲精品粉嫩美女一区| 男女那种视频在线观看| 久久久水蜜桃国产精品网| 亚洲av中文字字幕乱码综合| 丝袜美腿诱惑在线| 亚洲国产精品合色在线| 人成视频在线观看免费观看| 久久久久国产精品人妻aⅴ院| 亚洲黑人精品在线| 小说图片视频综合网站| 男人的好看免费观看在线视频 | 黄片大片在线免费观看| 亚洲精品中文字幕在线视频| 国产成人aa在线观看| 婷婷精品国产亚洲av在线| 国产精品亚洲av一区麻豆| 国产成人系列免费观看| 精品久久久久久成人av| 久久精品国产清高在天天线| 黑人欧美特级aaaaaa片| 国产黄a三级三级三级人| 亚洲av成人一区二区三| 叶爱在线成人免费视频播放| 欧美日韩国产亚洲二区| 男女视频在线观看网站免费 | 亚洲色图 男人天堂 中文字幕| av天堂在线播放| 蜜桃久久精品国产亚洲av| 岛国视频午夜一区免费看| 国产精品野战在线观看| 黄频高清免费视频| 黑人巨大精品欧美一区二区mp4| 欧美色视频一区免费| 国产野战对白在线观看| 熟女少妇亚洲综合色aaa.| 日本精品一区二区三区蜜桃| 搡老熟女国产l中国老女人| 欧美日韩乱码在线| 国产精品一区二区三区四区免费观看 | 一夜夜www| 麻豆成人av在线观看| 一级作爱视频免费观看| 国产在线观看jvid| 国产人伦9x9x在线观看| 欧美日韩中文字幕国产精品一区二区三区| 中文资源天堂在线| 母亲3免费完整高清在线观看| 777久久人妻少妇嫩草av网站| 毛片女人毛片| 日本五十路高清| 欧美另类亚洲清纯唯美| 亚洲18禁久久av| netflix在线观看网站| 欧美日韩亚洲综合一区二区三区_| 无限看片的www在线观看| 制服丝袜大香蕉在线| 亚洲最大成人中文| 日日干狠狠操夜夜爽| 久久久久国产精品人妻aⅴ院| 日韩av在线大香蕉| 波多野结衣巨乳人妻| 九九热线精品视视频播放| 日韩精品中文字幕看吧| 成年人黄色毛片网站| 国产亚洲精品第一综合不卡| 成人18禁在线播放| 国产一区二区在线av高清观看| 超碰成人久久| 禁无遮挡网站| 久久欧美精品欧美久久欧美| 午夜福利成人在线免费观看| 深夜精品福利| 看黄色毛片网站| 久久久久九九精品影院| 少妇粗大呻吟视频|