• <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AUC及Q統(tǒng)計(jì)值的集成學(xué)習(xí)訓(xùn)練方法

    2019-08-01 01:54章寧陳欽
    計(jì)算機(jī)應(yīng)用 2019年4期

    章寧 陳欽

    摘 要:針對(duì)借貸過程中的信息不對(duì)稱問題,為更有效地整合不同的數(shù)據(jù)源和貸款違約預(yù)測(cè)模型,提出一種集成學(xué)習(xí)的訓(xùn)練方法,使用AUC(Area Under Curve)值和Q統(tǒng)計(jì)值對(duì)學(xué)習(xí)器的準(zhǔn)確性和多樣性進(jìn)行度量,并實(shí)現(xiàn)了基于AUC和Q統(tǒng)計(jì)值的集成學(xué)習(xí)訓(xùn)練算法(TABAQ)。基于個(gè)人對(duì)個(gè)(P2P)貸款數(shù)據(jù)進(jìn)行實(shí)證分析,發(fā)現(xiàn)集成學(xué)習(xí)的效果與基學(xué)習(xí)器的準(zhǔn)確性和多樣性關(guān)系密切,而與所集成的基學(xué)習(xí)器數(shù)量相關(guān)性較低,并且各種集成學(xué)習(xí)方法中統(tǒng)計(jì)集成表現(xiàn)最好。實(shí)驗(yàn)還發(fā)現(xiàn),通過融合借款人端和投資人端的信息,可以有效地降低貸款違約預(yù)測(cè)中的信息不對(duì)稱性。TABAQ能有效發(fā)揮數(shù)據(jù)源融合和學(xué)習(xí)器集成兩方面的優(yōu)勢(shì),在保持預(yù)測(cè)準(zhǔn)確性穩(wěn)步提升的同時(shí),預(yù)測(cè)的一類錯(cuò)誤數(shù)量更是進(jìn)一步下降了4.85%。

    關(guān)鍵詞:集成學(xué)習(xí);曲線下面積;Q統(tǒng)計(jì)值;貸款違約預(yù)測(cè);信息不對(duì)稱性;個(gè)人對(duì)個(gè)人借貸

    中圖分類號(hào):TP181;TP391.77

    文獻(xiàn)標(biāo)志碼:A

    文章編號(hào):1001-9081(2019)04-0935-05

    Abstract: Focusing on the information asymmetry problem in the process of lending, in order to integrate different data sources and loan default prediction models more effectively, an ensemble learning training method was proposed, which measured the accuracy and the diversity of learners by Area Under Curve (AUC) value and Q statistics, and an ensemble learning training method named TABAQ (Training Algorithm Based on AUC and Q statistics) was implemented. By empirical analyses based on Peer-to-Peer (P2P) loan data, it was found that the performance of ensemble learning was closely related to the accuracy and diversity of the base learners and had low correlation with the number of base learners, and statistical ensemble performed best in all ensemble learning methods. It was also found in the experiments that by integrating the information sources of borrower side and investor side, the information asymmetry in loan default prediction was effectively reduced. TABAQ can combine the advantages of both information sources fusion and ensemble learning. With the accuracy of prediction steadily improved, the number of forecast errors further reduced by 4.85%.

    Key words: ensemble learning; Area Under Curve (AUC); Q statistics; loan default prediction; information asymmetry; Peer-to-Peer loan (P2P loan)

    銀行信貸風(fēng)險(xiǎn)一般是指借款人違約不償還貸款的風(fēng)險(xiǎn),相關(guān)研究包括借款人信用評(píng)級(jí)、貸款違約預(yù)測(cè)、金融欺詐分析等,其中貸款違約預(yù)測(cè)與保障信貸資金安全、防范投資損失直接相關(guān),是銀行信貸風(fēng)險(xiǎn)研究中非常重要的子領(lǐng)域。數(shù)據(jù)統(tǒng)計(jì)和機(jī)器學(xué)習(xí)等方法和技術(shù)在該領(lǐng)域研究中得到了廣泛使用,但由于相關(guān)研究主要還是基于借款人提供的信息開展,實(shí)際效果受借貸雙方間信息不對(duì)稱性的限制較大。

    個(gè)人對(duì)個(gè)人借貸(Peer-to-Peer Lending或Peer-to-Peer Loan)即個(gè)人對(duì)個(gè)人貸款,整個(gè)借貸交易過程都在電子平臺(tái)線上完成。除了借款人方提供的個(gè)人基本情況、經(jīng)濟(jì)信用、借款用途等信息以外,交易平臺(tái)也會(huì)將投資人投標(biāo)、貸款還款與違約、投資人收益等信息予以公開,以這些數(shù)據(jù)為基礎(chǔ),逐步形成了基于投資人端信息的預(yù)測(cè)模型,這為研究如何降低借貸交易的信息不對(duì)稱性提供了基礎(chǔ)。

    機(jī)器學(xué)習(xí)(Machine Learning, ML)主要研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為,以獲取新的知識(shí)或技能,或者重新組織已有知識(shí)結(jié)構(gòu)使之不斷改善自身性能。集成學(xué)習(xí)(Ensemble Learning, EL)屬于機(jī)器學(xué)習(xí)的一個(gè)重要分支,是指通過把多個(gè)學(xué)習(xí)器進(jìn)行整合,獲得比單個(gè)學(xué)習(xí)器更好學(xué)習(xí)效果的方法,集成學(xué)習(xí)越來越廣泛地被運(yùn)用在計(jì)算機(jī)視覺識(shí)別、信息安全、輔助醫(yī)療診斷、金融欺詐預(yù)防、銀行貸款違約預(yù)測(cè)等領(lǐng)域[1]。但在貸款違約預(yù)測(cè)的研究中,目前缺乏具體方法對(duì)集成學(xué)習(xí)構(gòu)建、優(yōu)化和檢驗(yàn)的全過程進(jìn)行有效指導(dǎo)。

    以P2P借貸為切入點(diǎn),提出一種集成學(xué)習(xí)的訓(xùn)練方法,將不同預(yù)測(cè)模型以及不同來源的數(shù)據(jù)信息進(jìn)行集成融合,對(duì)于降低信息不對(duì)稱性、提升貸款違約預(yù)測(cè)準(zhǔn)確性、減少可能的投資失誤和資金損失具有較大研究意義。

    1?研究背景

    1.1?傳統(tǒng)銀行貸款違約預(yù)測(cè)

    傳統(tǒng)的貸款違約預(yù)測(cè)是指對(duì)銀行貸款是否會(huì)出現(xiàn)違約進(jìn)行預(yù)判,是對(duì)銀行信貸業(yè)務(wù)中各類風(fēng)險(xiǎn)進(jìn)行有效管理的基礎(chǔ)。20世紀(jì)90年代以前,該領(lǐng)域研究主要使用線性判別分析(Linear Discriminant Analysis,LDA)、邏輯回歸(Logistic Regression, LR)等數(shù)據(jù)統(tǒng)計(jì)方法和技術(shù)[2-3],進(jìn)入20世紀(jì)90年代以后,各類機(jī)器學(xué)習(xí)算法,包括支持向量機(jī)(Support Vector Machine,SVM)、決策樹(Decision Tree,DT)、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)等[4-6],逐漸得到了較廣泛的應(yīng)用。決策樹是目前使用最多的方法,文獻(xiàn)[7]認(rèn)為基于C4.5算法的決策樹方法較之基于ID3算法表現(xiàn)更優(yōu),而如果將決策樹與ANN方法進(jìn)行集成,貸款違約預(yù)測(cè)的準(zhǔn)確度將獲得進(jìn)一步提升[8]。

    但從總體上來說,目前還沒有發(fā)現(xiàn)某一種單一的方法,可以在所有數(shù)據(jù)集上都保持最好的預(yù)測(cè)表現(xiàn)。從2010年以后,集成學(xué)習(xí)由于具有綜合多種方法優(yōu)勢(shì)的特點(diǎn),逐步成為了信用風(fēng)險(xiǎn)評(píng)估領(lǐng)域研究的熱點(diǎn)方向[9-10]。

    1.2?P2P貸款違約預(yù)測(cè)

    目前對(duì)P2P貸款的違約預(yù)測(cè)方法主要分為基于借款人端信息和基于投資人端信息兩類。前一類方法與傳統(tǒng)銀行貸款違約預(yù)測(cè)方法類似,基于借款人提供的各類信息對(duì)貸款違約概率進(jìn)行預(yù)測(cè),主要算法包括線性判別分析[11]、決策樹[12]、邏輯回歸[13-14]、支持向量機(jī)[15]、貝葉斯網(wǎng)絡(luò)(Bayesian Network)[15]等,這些研究發(fā)現(xiàn)借款總期數(shù)、借款金額、借款人收入、借款人負(fù)債收入比、借款人信用級(jí)別都與貸款是否違約有較強(qiáng)關(guān)聯(lián)性。

    針對(duì)P2P貸款的借貸雙方信息不對(duì)稱性問題[16-17],文獻(xiàn)[18-19]提出利用貸款投資人端信息,構(gòu)建基于投資人投資穩(wěn)定性的P2P貸款違約預(yù)測(cè)(Lender Stability,LS)模型;文獻(xiàn)[20]則基于投資效用理論,利用投資人歷史收益率、貸款利率出價(jià)等信息,使用TF-IDF算法構(gòu)造逆向比例權(quán)重因子,建立了優(yōu)化的基于投資人效用的貸款違約預(yù)測(cè)模型(Lender Utility2, LU2),并取得了更為準(zhǔn)確和穩(wěn)定的預(yù)測(cè)效果。

    1.3?集成學(xué)習(xí)

    集成學(xué)習(xí)也被稱為多分類器系統(tǒng)(Multiple Classifier System, MCS),一般來說機(jī)器學(xué)習(xí)中的學(xué)習(xí)器(Learner)通常是由一個(gè)現(xiàn)有的學(xué)習(xí)算法從訓(xùn)練數(shù)據(jù)中產(chǎn)生,比如決策樹、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等,而集成學(xué)習(xí)則通過某種規(guī)則,將多個(gè)學(xué)習(xí)器進(jìn)行組合,集成產(chǎn)生新的學(xué)習(xí)器。

    集成學(xué)習(xí)中被集成的學(xué)習(xí)器稱為基學(xué)習(xí)器(Base Learner),將單一算法訓(xùn)練而成的基學(xué)習(xí)器進(jìn)行集成的方法被稱為同質(zhì)集成(Homogeneous Ensemble);與之對(duì)應(yīng),若集成包含了多種不同類型算法生成的基學(xué)習(xí)器,則被稱為異質(zhì)集成(Heterogeneous Ensemble)。異質(zhì)集成中基學(xué)習(xí)器也被稱為個(gè)體學(xué)習(xí)器(Individual Learner)或組件學(xué)習(xí)器(Component Leaner)。為使最終得到的學(xué)習(xí)器表現(xiàn)更好,除了提高基學(xué)習(xí)器的準(zhǔn)確性以外,提高基學(xué)習(xí)器之間的差異性(Diversity)也是關(guān)鍵因素之一[21]。

    集成學(xué)習(xí)的過程主要由兩步組成:一是訓(xùn)練生成基學(xué)習(xí)器,二是將這些基學(xué)習(xí)器進(jìn)行集成組合。按照基學(xué)習(xí)器的不同生成方法,可將集成學(xué)習(xí)分為四類[22]:一是通過重采樣或復(fù)制等方法改變訓(xùn)練數(shù)據(jù),如Bagging、Boosting;二是通過選取特征值(Feature)對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行變化,如隨機(jī)子空間(Random Subspace,RS)、隨機(jī)森林(Random Forest,RF);三是對(duì)基學(xué)習(xí)器的配置參數(shù)進(jìn)行變化,如K近鄰(K Nearest Neighbors,KNN)算法分類器中的核函數(shù)、神經(jīng)網(wǎng)絡(luò)調(diào)的撲結(jié)構(gòu);四是對(duì)基學(xué)習(xí)器的算法類型進(jìn)行多樣化,即對(duì)不同類型的基學(xué)習(xí)器進(jìn)行集成。

    按照基學(xué)習(xí)器組合的不同方式,集成學(xué)習(xí)又可以被分為線性集成、非線性集成,以及統(tǒng)計(jì)集成(或智能集成)三類。其中線性集成指通過加和或者取平均的方式得到最終結(jié)果,非線性集成則指通過多數(shù)投票、加權(quán)計(jì)算等方式獲得最終結(jié)果,而統(tǒng)計(jì)集成(或智能集成)方式則是采取回歸預(yù)測(cè)、貝葉斯算法、神經(jīng)網(wǎng)絡(luò)等方法計(jì)算最終結(jié)果[23]。

    2?貸款違約預(yù)測(cè)的集成學(xué)習(xí)訓(xùn)練方法

    2.1?總體研究框架

    本文的總體研究框架主要包括四部分:1)訓(xùn)練基學(xué)習(xí)器。2)選擇基學(xué)習(xí)器進(jìn)入集成過程。3)對(duì)基學(xué)習(xí)器進(jìn)行集成,根據(jù)集成方法不同可分為兩類操作:一類是針對(duì)線性集成、非線性集成方法,對(duì)基學(xué)習(xí)器結(jié)果的組合參數(shù)進(jìn)行調(diào)整和優(yōu)化;另一類則對(duì)應(yīng)統(tǒng)計(jì)集成方法,在基學(xué)習(xí)器之上進(jìn)行多層模型學(xué)習(xí)。4)對(duì)生成的集成學(xué)習(xí)器進(jìn)行測(cè)試檢驗(yàn),并根據(jù)結(jié)果決定是否繼續(xù)進(jìn)行集成。

    2.2?基學(xué)習(xí)器篩選

    集成學(xué)習(xí)通過找到準(zhǔn)確且互補(bǔ)的基分類器,并對(duì)其進(jìn)行集成來提高學(xué)習(xí)器的泛化能力,從而獲得更優(yōu)的學(xué)習(xí)效果。故需要找到合適的指標(biāo),對(duì)基學(xué)習(xí)器的準(zhǔn)確性和多樣性進(jìn)行度量,從而篩選出預(yù)測(cè)準(zhǔn)確性高,且有較強(qiáng)的多樣性和互補(bǔ)性的基學(xué)習(xí)器。

    2.2.1?基學(xué)習(xí)器的預(yù)測(cè)準(zhǔn)確性度量

    ROC(Receiver Operating Characteristic)曲線和AUC(Area Under Curve)值常被用來評(píng)價(jià)一個(gè)二值分類器(Binary Classifier)的優(yōu)劣。ROC曲線最早運(yùn)用在軍事上,后來逐漸運(yùn)用到醫(yī)學(xué)領(lǐng)域,再被運(yùn)用到統(tǒng)計(jì)分析研究中,可準(zhǔn)確反映某分析方法特異性和敏感性的關(guān)系[24]。

    ROC曲線以下部分的面積即為AUC,AUC值越高表示模型預(yù)測(cè)效果越好,它可以被解釋為任取一對(duì)(正、負(fù))樣本,正樣本的預(yù)測(cè)值大于負(fù)樣本預(yù)測(cè)值的概率[25]。AUC值具有一致性和穩(wěn)定性的特點(diǎn),不受判斷閾值選擇的影響,而且即使測(cè)試數(shù)據(jù)集正負(fù)樣本分布不平衡也能保持穩(wěn)定,故本文使用預(yù)測(cè)AUC值作為各學(xué)習(xí)器準(zhǔn)確性的度量指標(biāo)。

    2.2.2?基學(xué)習(xí)器之間的多樣性度量

    基學(xué)習(xí)器之間的多樣性(Diversity)與其相互之間的互補(bǔ)性緊密相關(guān),多樣性越強(qiáng)的基學(xué)習(xí)器,集成以后模型的泛化能力越強(qiáng),目前越來越多的研究已經(jīng)把注意力放到了如何更準(zhǔn)確地對(duì)分類器之間的多樣性進(jìn)行度量[21]。

    假設(shè)有兩個(gè)學(xué)習(xí)器分別為Ci和Cj,N00(N11)為兩個(gè)學(xué)習(xí)器都判斷錯(cuò)誤(正確)的樣本數(shù)量,N10為Ci判斷正確而Cj判斷錯(cuò)誤的樣本數(shù)量,N01則為Ci判斷錯(cuò)誤而Cj判斷正確的樣本數(shù)量,可以發(fā)現(xiàn)樣本總數(shù)量N=N00+N01+N10+N11,具體關(guān)系如表1所示。

    當(dāng)前研究中對(duì)不同學(xué)習(xí)器之間差異性的度量方法主要有四種,分別為Q統(tǒng)計(jì)、相關(guān)系數(shù)ρ、不一致度量(disagreement measure, dis)、雙次失敗度量(Double-Fault measure, DF)。

    1)Q統(tǒng)計(jì)值(Q statistics)。

    Q統(tǒng)計(jì)值源自統(tǒng)計(jì)學(xué)領(lǐng)域,計(jì)算方法如式(1)所示,其值為-1~1。如果兩個(gè)分類器總是同時(shí)正確或錯(cuò)誤分類,則Qi, j=1,此時(shí)兩個(gè)學(xué)習(xí)器完全相同,相互之間的差異性最小。反之,如果兩個(gè)分類器在每個(gè)樣例上分類結(jié)果都相反,則Qi, j=-1,這種情況兩個(gè)學(xué)習(xí)器之間差異性最高。

    2)相關(guān)系數(shù)ρ。

    兩個(gè)學(xué)習(xí)器Ci和Cj之間相關(guān)系數(shù)ρ計(jì)算方法見式(2), ρ與Q統(tǒng)計(jì)值具有相同的符號(hào),代表的意義也類似,即值越小則學(xué)習(xí)器之間的差異性越大。

    3)不一致度量dis。

    不一致度量dis計(jì)算方法如式(3),其關(guān)注分類器Ci和Cj分類結(jié)果差異的樣本比例,這個(gè)比例越高,兩個(gè)分類器之間差異性越高;反之則差異性越低。

    4)雙次失敗度量DF。

    雙次失敗度量DF的計(jì)算方法見式(4),其值為兩個(gè)學(xué)習(xí)器Ci和Cj在相同的樣例上判別錯(cuò)誤的比例,可以認(rèn)為這個(gè)比例越高,兩個(gè)學(xué)習(xí)器越容易犯同樣的錯(cuò)誤,其集成以后泛化性也越低。

    總體看來,Q統(tǒng)計(jì)指標(biāo)的意義更加清晰明確,且計(jì)算過程相比相關(guān)系數(shù)ρ更為簡便,故本文使用Q統(tǒng)計(jì)值作為各學(xué)習(xí)器之間差異性的度量指標(biāo)。

    2.3?集成學(xué)習(xí)訓(xùn)練

    當(dāng)前集成學(xué)習(xí)的訓(xùn)練方法主要可分為線性集成、非線性集成、統(tǒng)計(jì)集成三種。前兩種方法都是對(duì)基學(xué)習(xí)器的預(yù)測(cè)結(jié)果進(jìn)行直接組合,區(qū)別只是在于對(duì)各個(gè)基學(xué)習(xí)器結(jié)果的權(quán)重因子計(jì)算方法不同;第三種方法則是基于各基學(xué)習(xí)器的輸出結(jié)果之上,使用其他模型進(jìn)行多次學(xué)習(xí),并生成獲得新的學(xué)習(xí)器。

    2.3.1?線性集成及非線性集成

    由于貸款違約預(yù)測(cè)的結(jié)果是一個(gè)連續(xù)性的概率值,故本文的線性集成采取平均值法(AVerage, AV),即通過計(jì)算各基學(xué)習(xí)器所預(yù)測(cè)貸款違約概率的算術(shù)平均值得到集成后的違約概率 pAV,具體如式(5)所示:

    其中:m為參與集成的基學(xué)習(xí)器數(shù); pi為基學(xué)習(xí)器Ci預(yù)測(cè)的貸款違約概率。

    而非線性集成方法需要為各基學(xué)習(xí)器的輸出結(jié)果設(shè)置不同的權(quán)重因子(Weight Factor, WF),各基學(xué)習(xí)器權(quán)重因子與其預(yù)測(cè)準(zhǔn)確性相關(guān)[26]。由于AUC值具有一致性和穩(wěn)定性特點(diǎn),本文使用基學(xué)習(xí)器的預(yù)測(cè)結(jié)果AUC值代表其預(yù)測(cè)準(zhǔn)確性,并以此計(jì)算其權(quán)重因子,集成后的違約概率pWF如式(6)所示:

    2.3.2?統(tǒng)計(jì)學(xué)習(xí)集成

    二層學(xué)習(xí)(Double-level Learning,DL)集成是統(tǒng)計(jì)集成的一種,是指以基學(xué)習(xí)器結(jié)果作為輸入,通過第二層模型學(xué)習(xí)訓(xùn)練獲得集成學(xué)習(xí)器的方法。本文選擇使用邏輯回歸(LR)作為二層學(xué)習(xí)集成的模型。二層學(xué)習(xí)集成方法的貸款違約概率 pDL計(jì)算方法如式(7)所示:

    2.4?集成學(xué)習(xí)器的預(yù)測(cè)效果檢驗(yàn)

    對(duì)于訓(xùn)練獲得的集成學(xué)習(xí)器,將從預(yù)測(cè)準(zhǔn)確性和錯(cuò)誤情況兩方面進(jìn)行檢驗(yàn),其中準(zhǔn)確性使用預(yù)測(cè)結(jié)果的AUC值進(jìn)行度量。

    學(xué)習(xí)器在預(yù)測(cè)時(shí)出現(xiàn)的錯(cuò)誤可分為一類錯(cuò)誤和二類錯(cuò)誤。前者是指將實(shí)際違約貸款判別為正常,后者則是將未違約貸款判別為違約。一類錯(cuò)誤可能造成對(duì)違約貸款的投資失誤,對(duì)資金安全影響更大。本文使用一類錯(cuò)誤數(shù)量作為度量學(xué)習(xí)器犯錯(cuò)情況的指標(biāo),該數(shù)值越高,則學(xué)習(xí)器預(yù)測(cè)失誤越嚴(yán)重。

    2.5?算法實(shí)現(xiàn)

    按照總體研究框架,本文構(gòu)建了基于AUC和Q統(tǒng)計(jì)值的集成學(xué)習(xí)訓(xùn)練算法(Training Algorithm Based on AUC and Q statistics, TABAQ),覆蓋集成學(xué)習(xí)從構(gòu)造、篩選、訓(xùn)練、檢驗(yàn)和持續(xù)優(yōu)化的全過程。

    算法說明:在所有備選基學(xué)習(xí)器中,選擇分類準(zhǔn)確性最高,且差異性最大的基學(xué)習(xí)器作為初始集成學(xué)習(xí)器,然后循環(huán)篩選剩余的基學(xué)習(xí)器進(jìn)入集成學(xué)習(xí)過程,直到集成后學(xué)習(xí)器的準(zhǔn)確性不再提升,或者所有基學(xué)習(xí)器都被集成后為止。

    3?P2P貸款數(shù)據(jù)實(shí)證分析

    基于實(shí)際P2P貸款數(shù)據(jù),使用本文算法TABAQ來訓(xùn)練并生成集成學(xué)習(xí)器,并基于此對(duì)單一數(shù)據(jù)源與融合數(shù)據(jù)源、單學(xué)習(xí)器與集成學(xué)習(xí)器的預(yù)測(cè)結(jié)果分別進(jìn)行了實(shí)證對(duì)比分析。

    實(shí)證分析主要分為三部分:1)訓(xùn)練基學(xué)習(xí)器,設(shè)置實(shí)驗(yàn)對(duì)比基準(zhǔn),并對(duì)不同基學(xué)習(xí)器之間差異性進(jìn)行對(duì)比分析;2)使用TABAQ訓(xùn)練生成集成學(xué)習(xí)器,并對(duì)不同集成方法、集成參數(shù)對(duì)集成學(xué)習(xí)效果的影響進(jìn)行對(duì)比分析;3)對(duì)單信息源與多信息源、單學(xué)習(xí)器與集成學(xué)習(xí)器的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析。

    實(shí)驗(yàn)使用到的基學(xué)習(xí)器共5類,覆蓋了基于借款人端信息和投資人端信息的兩類預(yù)測(cè)模型,前者包括邏輯回歸(LR)、支持向量機(jī)(SVM)、決策樹(DT),后者包括投資人穩(wěn)定性(LS)和投資人效用(LU2)。集成學(xué)習(xí)方法則選擇平均值法(AV)、權(quán)重因子(WF)和二層學(xué)習(xí)(DL)三種。

    3.1?實(shí)驗(yàn)數(shù)據(jù)說明

    實(shí)證數(shù)據(jù)來自P2P借貸平臺(tái)Prosper,使用的樣本屬性在借款人端包括借款人信用評(píng)級(jí)分、借款人預(yù)期損失率、借款利率、借款人每月還款金額、借款人借款收入比、借款人是否擁有住房等,投資人端則包括投資總金額、歷史投資違約情況、貸款出價(jià)利率、貸款出資額等。

    實(shí)證數(shù)據(jù)分別被劃分為訓(xùn)練數(shù)據(jù)集(Train Dataset)、驗(yàn)證數(shù)據(jù)集(Verification Dataset)和測(cè)試數(shù)據(jù)集(Test Dataset)。其中:測(cè)試數(shù)據(jù)集用于訓(xùn)練基學(xué)習(xí)器;驗(yàn)證數(shù)據(jù)集用于計(jì)算基學(xué)習(xí)器的AUC值、一類錯(cuò)誤數(shù)量、相互間的差異性Q統(tǒng)計(jì)值等數(shù)值,以訓(xùn)練獲得集成學(xué)習(xí)的參數(shù);測(cè)試數(shù)據(jù)集則用于對(duì)各種基學(xué)習(xí)器和集成學(xué)習(xí)器的預(yù)測(cè)效果進(jìn)行檢測(cè)和對(duì)比。

    各數(shù)據(jù)集通過放回取樣的方式從貸款數(shù)據(jù)中隨機(jī)選取,每個(gè)數(shù)據(jù)集包含的貸款數(shù)量都為1000筆,共抽取10個(gè)數(shù)據(jù)集,各數(shù)據(jù)集輪流用于訓(xùn)練、驗(yàn)證和測(cè)試。進(jìn)行10次實(shí)驗(yàn),將各輪次實(shí)驗(yàn)結(jié)果取平均值用作對(duì)比分析。

    3.2?實(shí)驗(yàn)結(jié)果分析

    3.2.1?基學(xué)習(xí)器之間多樣性分析

    表2為各基學(xué)習(xí)器間的差異性Q統(tǒng)計(jì)值,可以發(fā)現(xiàn):基于不同信息源的學(xué)習(xí)器之間Q統(tǒng)計(jì)值較低,如基于借款人端信息的LR、SVM、DT學(xué)習(xí)器,與基于投資人端信息的LS和LU2學(xué)習(xí)器之間,說明這些基學(xué)習(xí)器之間存在較強(qiáng)互補(bǔ)性。而基于相同信息源的模型之間Q統(tǒng)計(jì)值則都較高,表示較低的多樣性。

    3.2.2?不同集成方法的比較

    三種集成方法訓(xùn)練獲得的學(xué)習(xí)器的預(yù)測(cè)結(jié)果見表3,其中,Error-I為預(yù)測(cè)結(jié)果中的一類錯(cuò)誤數(shù)量。可以看到屬于統(tǒng)計(jì)集成的二層學(xué)習(xí)方法(DL)表現(xiàn)更好,取得了更高的AUC值以及更低的一類錯(cuò)誤數(shù)量,而平均值方法(AV)和權(quán)重因子方法(WF)則表現(xiàn)欠佳,訓(xùn)練獲得的集成學(xué)習(xí)器預(yù)測(cè)效果甚至低于單個(gè)基學(xué)習(xí)器。

    在集成更多的基學(xué)習(xí)器后,并不能確保獲得更好的預(yù)測(cè)效果,在集成學(xué)習(xí)訓(xùn)練過程中,需要考慮“更多并非更好”的原則,避免盲目增加基學(xué)習(xí)器對(duì)實(shí)際效果產(chǎn)生負(fù)面影響。

    3.2.3?模型預(yù)測(cè)結(jié)果綜合對(duì)比分析

    不同信息源、不同學(xué)習(xí)器預(yù)測(cè)結(jié)果的綜合對(duì)比見表4,其中BL列表示是單個(gè)基學(xué)習(xí)器(Base Learner),EL表示的是集成學(xué)習(xí)器(Ensemble Learner),總體上來看通過融合數(shù)據(jù)源和采取集成學(xué)習(xí)的方法,對(duì)提升預(yù)測(cè)效果都有幫助。從不同的數(shù)據(jù)源來看,基于投資人端信息的學(xué)習(xí)器獲得了比基于借款人端信息學(xué)習(xí)器更好的效果,即更高的預(yù)測(cè)AUC值及更低的一類錯(cuò)誤數(shù)量,這說明由于不存在提供虛假信息的道德風(fēng)險(xiǎn),投資人端的信息對(duì)于貸款違約預(yù)測(cè)更有幫助。在借款人端信息的基礎(chǔ)之上,通過融入投資人端的信息,預(yù)測(cè)AUC值獲得了較大提升,而預(yù)測(cè)的一類錯(cuò)誤數(shù)量則更少,這證明引入投資人端的信息,對(duì)于降低信息不對(duì)稱性、提高預(yù)測(cè)準(zhǔn)確性,特別是降低一類錯(cuò)誤造成的投資失誤有幫助。

    無論是基于借款人端的信息源,還是投資人端的信息源,集成學(xué)習(xí)方法總體上都取得了比單學(xué)習(xí)器更好的預(yù)測(cè)效果。

    需要關(guān)注的一點(diǎn)是基于投資人端信息的基學(xué)習(xí)器經(jīng)過集成學(xué)習(xí)以后,預(yù)測(cè)AUC值降低了0.00054,這應(yīng)該與基學(xué)習(xí)器之間的多樣性不足有關(guān)。

    從表2可以發(fā)現(xiàn)該類基學(xué)習(xí)器之間的差異性Q統(tǒng)計(jì)值非常高,說明基學(xué)習(xí)器之間的多樣性極低,這證明了基學(xué)習(xí)器的多樣性與集成學(xué)習(xí)效果之間的正相關(guān)性,集成學(xué)習(xí)過程中如果引入的基學(xué)習(xí)器過分相似,泛化性不足,最終的預(yù)測(cè)效果可能受到負(fù)面影響。

    同時(shí)采取融合信息源和集成學(xué)習(xí)方法后,取得了最優(yōu)的預(yù)測(cè)效果,預(yù)測(cè)AUC值保持穩(wěn)步提升的同時(shí),一類錯(cuò)誤的數(shù)量更是進(jìn)一步降低為86.3,相對(duì)于單學(xué)習(xí)器最優(yōu)的90.7進(jìn)一步下降了4.85%。這說明TABAQ能夠有效地將多信息源融合與多學(xué)習(xí)器集成進(jìn)行結(jié)合,同時(shí)發(fā)揮雙方面的優(yōu)勢(shì)作用,降低信息不對(duì)稱性,提升學(xué)習(xí)器的準(zhǔn)確性,為提高貸款違約的預(yù)測(cè)效果、避免投資失誤、保障資金安全提供了有效支持。

    4?結(jié)語

    本文基于預(yù)測(cè)AUC值及差異性Q統(tǒng)計(jì)值,提出了一種集成學(xué)習(xí)的訓(xùn)練算法TABAQ。使用P2P貸款數(shù)據(jù)進(jìn)行實(shí)證分析發(fā)現(xiàn),使用統(tǒng)計(jì)集成的方法可以獲得比單個(gè)學(xué)習(xí)器更好的預(yù)測(cè)效果。集成學(xué)習(xí)的效果與基學(xué)習(xí)器的準(zhǔn)確性和多樣性關(guān)系密切,但與被集成基學(xué)習(xí)器數(shù)量的相關(guān)性較低,集成了過多、過于相似的基學(xué)習(xí)器,可能會(huì)對(duì)集成學(xué)習(xí)的泛化性造成負(fù)面影響。通過融合投資人端的信息數(shù)據(jù),能夠有效地降低貸款違約預(yù)測(cè)中的信息不對(duì)稱性問題。TABAQ能結(jié)合多數(shù)據(jù)源融合和多學(xué)習(xí)器集成的雙方面優(yōu)勢(shì),預(yù)測(cè)的準(zhǔn)確性持續(xù)提升,同時(shí)一類錯(cuò)誤的數(shù)量相對(duì)單模型、單數(shù)據(jù)源、融合數(shù)據(jù)源等都更低。后續(xù)可以考慮更加準(zhǔn)確地量化和度量不同數(shù)據(jù)源信息對(duì)預(yù)測(cè)效果的影響程度,并基于此對(duì)優(yōu)化集成學(xué)習(xí)過程中的各類參數(shù)開展進(jìn)一步研究。

    參考文獻(xiàn)(References)

    [1] ZHOU X. Ensemble Methods: Foundations and Algorithms [M]. Boca Racton: CRC Press, 2012: 15-17.

    [2] DIMITRAS A I, ZANAKIS S H, ZOPOUNIDIS C. A survey of business failures with an emphasis on prediction methods and industrial applications[J]. European Journal of Operational Research, 1996, 90(3): 487-513.

    [3] HAND D J, HENLEY W E. Statistical classification methods in consumer credit scoring: a review[J]. Journal of the Royal Statistical Society, 1997, 160(3): 523-541.

    [4] MIN J H, LEE Y C. Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters[J]. Expert Systems with Applications, 2005, 28(4): 603-614.

    [5] LI H, SUN J, WU J. Predicting business failure using classification and regression tree: an empirical comparison with popular classical statistical methods and top classification mining methods[J]. Expert Systems with Applications, 2010, 37(8): 5895-5904.

    [6] CHARALAMBOUS C, CHARITOU A, KAOUROU F. Application of feature extractive algorithm to bankruptcy prediction[C]// Proceedings of the 2000 IEEE-Inns-Enns International Joint Conference on Neural Networks. Washington, DC: IEEE Computer Society, 2000: 5303.

    [7] AMIN R K, INDWIARTI, SIBARONI Y. Implementation of decision tree using C4.5 algorithm in decision making of loan application by debtor (case study: bank pasar of Yogyakarta special region) [C]// Proceedings of the 2015 International Conference on Information and Communication Technology. Piscataway, NJ: IEEE, 2015: 75-80.

    [8] GENG R, BOSE I, CHEN X. Prediction of financial distress: an empirical study of listed Chinese companies using data mining[J]. European Journal of Operational Research, 2015, 241(1): 236-247.

    [9] VERIKAS A, KALSYTE Z, BACAUSKIENE M, et al. Hybrid and ensemble-based soft computing techniques in bankruptcy prediction: a survey[J]. Soft Computing, 2010, 14(9): 995-1010.

    [10] JADHAV S, HE H, JENKINS K W. An academic review: applications of data mining techniques in finance industry[J]. International Journal of Soft Computing and Artificial Intelligence 2016, 4(1): 79-95.

    [11] ERGER S C, GLEISNER F. Emergence of financial intermediaries in electronic markets: the case of online P2P lending[J]. Business Research, 2010, 2(1): 39-65.

    [12] JIN Y, ZHU Y. A data-driven approach to predict default risk of loan for online Peer-to-Peer (P2P) lending[C]// Proceedings of the Fifth International Conference on Communication Systems and Network Technologies. Piscataway, NJ: IEEE, 2015: 609-613.

    [13] EMEKTER R, TU Y. Evaluating credit risk and loan performance in online Peer-to-Peer (P2P) lending[J]. Applied Economics, 2015, 47(1): 54-70.

    [14] 談超, 孫本芝, 王冀寧. P2P網(wǎng)絡(luò)借貸平臺(tái)中的逾期行為研究[J]. 財(cái)會(huì)通訊, 2015(2): 49-51. (TAN C, SUN B Z, WANG J N. Research on overdue behavior in P2P lending platform[J]. Communication of Finance and Accounting, 2015(2): 49-51.)

    [15] 鄧帆帆, 薛菁, 閆海鑫.商業(yè)銀行參與P2P網(wǎng)絡(luò)借貸的路徑分析及建議——基于貝葉斯網(wǎng)絡(luò)投資模型的測(cè)算結(jié)果[J]. 集美大學(xué)學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)版), 2015, 18(2): 53-58. (DENG F F, XUE J, YAN H X. Analysis and suggestions of commercial banks participation in P2P lending — based on the measurement results of Bayesian network model[J]. Journal of Jimei University (Philosophy and Social Sciences), 2015, 18(2): 53-58.)

    [16] WANG P, ZHENG H, CHEN D, et al. Exploring the critical factors influencing online lending intentions[J]. Financial Innovation, 2015, 1(1): 1-11.

    [17] EVERETT C R. Information asymmetry in relationship versus transactional debt markets: evidence from peer-to-peer lending[D]. West Lafayette: Purdue University, 2011: 63-66.

    [18] LUO C, XIONG H, ZHOU W, et al. Enhancing investment decisions in P2P lending: an investor composition perspective[C]// Proceedings of the 2011 ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2011: 292-300.

    [19] ZHAO H, WU L, LIU Q, et al. Investment recommendation in P2P lending: a portfolio perspective with risk management[C]// Proceedings of the 2014 IEEE International Conference on Data Mining. Piscataway, NJ: IEEE, 2014: 1109-1114.

    [20] 章寧, 陳欽. 基于TF-IDF算法的P2P貸款違約預(yù)測(cè)模型[J]. 計(jì)算機(jī)應(yīng)用, 2018, 38(10): 3042-3047. (ZHANG N, CHEN Q. P2P loan default prediction model based on TF-IDF algorithm[J]. Journal of Computer Applications, 2018, 38(10): 3042-3047.)

    [21] KUNCHEVA L I, WHITAKER C J. Measures of diversity in classifier ensembles and their relationship with the ensemble accuracy[J]. Machine Learning, 2003, 51(2): 181-207.

    [22] CHEN N, RIBEIRO B, AN C. A Financial credit risk assessment: a recent review[J]. Artificial Intelligence Review, 2016, 5(1): 1-23.

    [23] CANUTO A M P, ABREU M C C, OLIVEIRA L D M, et al. Investigating the influence of the choice of the ensemble members in accuracy and diversity of selection-based and fusion-based methods for ensembles[J]. Pattern Recognition Letters, 2007, 28(4): 472-486.

    [24] FAWCETT T. An introduction to ROC analysis[J]. Pattern Recognition Letters, 2006, 27(8): 861-874.

    [25] MYERSON J, GREEN L, WARUSAWITHARANA M, et al. Area under the curve as a measure of discounting [J]. Journal of the Experimental Analysis of Behavior, 2001, 76(2): 235-243.

    [26] MEYNET J, THIRAN J P. Information theoretic combination of classifiers with application to AdaBoost[C]// Proceedings of the 2007 International Conference on Multiple Classifier Systems. Berlin: Springer, 2007: 171-179.

    国产一区二区激情短视频 | 波野结衣二区三区在线| 欧美亚洲 丝袜 人妻 在线| 日韩伦理黄色片| 国产亚洲最大av| 免费日韩欧美在线观看| 在线观看一区二区三区激情| 欧美日韩综合久久久久久| 波多野结衣一区麻豆| 久久ye,这里只有精品| a级毛片黄视频| 91成人精品电影| 久久精品人人爽人人爽视色| 亚洲欧美成人综合另类久久久| 久久热在线av| 青春草国产在线视频| 两个人免费观看高清视频| 亚洲国产精品一区二区三区在线| 少妇的丰满在线观看| 精品少妇内射三级| 国产亚洲av片在线观看秒播厂| 成人亚洲精品一区在线观看| 日本vs欧美在线观看视频| 久久 成人 亚洲| 在线观看www视频免费| 80岁老熟妇乱子伦牲交| 18在线观看网站| 2018国产大陆天天弄谢| 亚洲国产色片| 赤兔流量卡办理| 国产女主播在线喷水免费视频网站| 国产成人91sexporn| 毛片一级片免费看久久久久| 亚洲图色成人| 亚洲在久久综合| 一区二区三区精品91| 男女国产视频网站| 久久久久国产精品人妻一区二区| 1024香蕉在线观看| 欧美亚洲 丝袜 人妻 在线| 国产人伦9x9x在线观看 | 一区在线观看完整版| 青青草视频在线视频观看| 国产在视频线精品| 色婷婷久久久亚洲欧美| 日本wwww免费看| 国产精品秋霞免费鲁丝片| 男女国产视频网站| 看免费av毛片| 99久久综合免费| 午夜激情av网站| 男人舔女人的私密视频| 青春草视频在线免费观看| 亚洲,欧美,日韩| 天堂中文最新版在线下载| 亚洲人成电影观看| 国产一区二区三区av在线| 国产极品天堂在线| 人人妻人人澡人人看| 国产精品偷伦视频观看了| 2022亚洲国产成人精品| 这个男人来自地球电影免费观看 | 亚洲一码二码三码区别大吗| 天堂中文最新版在线下载| av.在线天堂| 久久免费观看电影| 亚洲国产欧美在线一区| 国产精品久久久久久精品电影小说| 国产日韩欧美在线精品| 亚洲av中文av极速乱| 激情五月婷婷亚洲| 亚洲精品在线美女| 午夜福利在线免费观看网站| 精品午夜福利在线看| 99久国产av精品国产电影| tube8黄色片| 免费观看av网站的网址| 777米奇影视久久| 热99国产精品久久久久久7| 亚洲欧美色中文字幕在线| 亚洲欧美一区二区三区黑人 | a级片在线免费高清观看视频| 最新的欧美精品一区二区| av一本久久久久| 97精品久久久久久久久久精品| 日韩欧美一区视频在线观看| 天天躁夜夜躁狠狠久久av| 男女高潮啪啪啪动态图| 久久久久久免费高清国产稀缺| 91精品三级在线观看| 午夜av观看不卡| 啦啦啦中文免费视频观看日本| 欧美日韩亚洲高清精品| 免费观看在线日韩| av一本久久久久| 久久精品久久久久久久性| 欧美+日韩+精品| 一区在线观看完整版| 国产成人免费无遮挡视频| 丝瓜视频免费看黄片| 亚洲精品美女久久久久99蜜臀 | 久久精品aⅴ一区二区三区四区 | 狠狠婷婷综合久久久久久88av| 色94色欧美一区二区| 老司机影院毛片| 看十八女毛片水多多多| videosex国产| 制服丝袜香蕉在线| 在线天堂最新版资源| 日韩av在线免费看完整版不卡| 日韩av不卡免费在线播放| 欧美日韩精品成人综合77777| 亚洲国产av影院在线观看| 国产免费一区二区三区四区乱码| 亚洲欧美色中文字幕在线| 男的添女的下面高潮视频| www.熟女人妻精品国产| 999久久久国产精品视频| 老司机影院毛片| 18禁裸乳无遮挡动漫免费视频| 2021少妇久久久久久久久久久| 国产淫语在线视频| 久久99精品国语久久久| 99久久综合免费| 亚洲第一av免费看| 香蕉国产在线看| 日日摸夜夜添夜夜爱| 亚洲国产精品国产精品| 男女啪啪激烈高潮av片| 久久久久久久精品精品| 亚洲欧美色中文字幕在线| 日韩av不卡免费在线播放| 国产成人av激情在线播放| 国产爽快片一区二区三区| 99精国产麻豆久久婷婷| 亚洲精品国产色婷婷电影| 香蕉精品网在线| 亚洲av电影在线进入| 亚洲一级一片aⅴ在线观看| 亚洲国产精品成人久久小说| 欧美黄色片欧美黄色片| 成人国产av品久久久| 欧美成人午夜免费资源| 伊人亚洲综合成人网| av天堂久久9| 狠狠精品人妻久久久久久综合| 欧美日韩综合久久久久久| 国产激情久久老熟女| 性色av一级| 女人久久www免费人成看片| 亚洲成国产人片在线观看| 亚洲国产精品成人久久小说| 女性生殖器流出的白浆| 熟女少妇亚洲综合色aaa.| 久久精品久久久久久久性| 亚洲成色77777| 少妇的丰满在线观看| 精品少妇一区二区三区视频日本电影 | 中文字幕制服av| 久久久久久久久久人人人人人人| 亚洲欧洲精品一区二区精品久久久 | 国产精品久久久久久精品电影小说| 欧美黄色片欧美黄色片| 国产麻豆69| 丝袜脚勾引网站| 亚洲成av片中文字幕在线观看 | 蜜桃国产av成人99| 叶爱在线成人免费视频播放| 国产亚洲最大av| 最近2019中文字幕mv第一页| 丝袜喷水一区| 美女中出高潮动态图| 性高湖久久久久久久久免费观看| 国产成人精品久久二区二区91 | 99国产综合亚洲精品| 最新的欧美精品一区二区| 欧美精品一区二区免费开放| 99热国产这里只有精品6| 亚洲精品乱久久久久久| 国产精品女同一区二区软件| 丝袜脚勾引网站| 99re6热这里在线精品视频| av免费在线看不卡| 在线免费观看不下载黄p国产| 黄色配什么色好看| 丰满乱子伦码专区| av在线老鸭窝| 国产熟女午夜一区二区三区| 国产精品99久久99久久久不卡 | 亚洲av成人精品一二三区| 美女国产高潮福利片在线看| 日韩,欧美,国产一区二区三区| 18禁裸乳无遮挡动漫免费视频| 黄网站色视频无遮挡免费观看| 色94色欧美一区二区| 亚洲欧洲日产国产| 久久精品国产亚洲av天美| 人成视频在线观看免费观看| 啦啦啦在线免费观看视频4| 国产精品麻豆人妻色哟哟久久| 亚洲精品,欧美精品| 王馨瑶露胸无遮挡在线观看| 久久精品aⅴ一区二区三区四区 | 精品国产超薄肉色丝袜足j| 亚洲人成77777在线视频| 色哟哟·www| 纯流量卡能插随身wifi吗| 国产免费福利视频在线观看| 人人澡人人妻人| 国产亚洲av片在线观看秒播厂| 亚洲人成电影观看| av女优亚洲男人天堂| 亚洲男人天堂网一区| 亚洲av.av天堂| 丰满饥渴人妻一区二区三| 色网站视频免费| 亚洲欧洲精品一区二区精品久久久 | 韩国高清视频一区二区三区| 男女下面插进去视频免费观看| 日韩成人av中文字幕在线观看| 在线观看一区二区三区激情| 精品一区二区免费观看| 久久久久久免费高清国产稀缺| 中文字幕人妻丝袜制服| 卡戴珊不雅视频在线播放| 精品人妻在线不人妻| 99热国产这里只有精品6| 97人妻天天添夜夜摸| 国精品久久久久久国模美| 国产精品香港三级国产av潘金莲 | 街头女战士在线观看网站| 国产精品久久久久成人av| 高清视频免费观看一区二区| 国产97色在线日韩免费| 亚洲精品在线美女| 亚洲精品视频女| 精品国产国语对白av| 久久毛片免费看一区二区三区| 亚洲综合色惰| 三上悠亚av全集在线观看| 成人毛片a级毛片在线播放| 国产免费视频播放在线视频| 少妇的逼水好多| 亚洲av.av天堂| 性色av一级| 满18在线观看网站| 夜夜骑夜夜射夜夜干| 欧美+日韩+精品| 欧美日韩亚洲国产一区二区在线观看 | 国产精品亚洲av一区麻豆 | 捣出白浆h1v1| 成人漫画全彩无遮挡| 免费黄频网站在线观看国产| 国产极品粉嫩免费观看在线| 在线观看www视频免费| 最近最新中文字幕大全免费视频 | 制服人妻中文乱码| 一区二区日韩欧美中文字幕| 中文字幕色久视频| 亚洲av在线观看美女高潮| 丝袜人妻中文字幕| 男人爽女人下面视频在线观看| 五月开心婷婷网| 亚洲综合色网址| 亚洲精品成人av观看孕妇| 成人18禁高潮啪啪吃奶动态图| 中国国产av一级| 建设人人有责人人尽责人人享有的| 色94色欧美一区二区| 9色porny在线观看| 国产精品国产av在线观看| 最近最新中文字幕免费大全7| 婷婷成人精品国产| 亚洲人成电影观看| 亚洲五月色婷婷综合| 午夜福利在线观看免费完整高清在| 亚洲精品av麻豆狂野| 午夜免费观看性视频| 日韩一卡2卡3卡4卡2021年| 在线观看www视频免费| 中文天堂在线官网| a级毛片黄视频| 国产精品av久久久久免费| 久久精品久久精品一区二区三区| 熟女av电影| 免费久久久久久久精品成人欧美视频| 天天躁狠狠躁夜夜躁狠狠躁| 日本vs欧美在线观看视频| 久热久热在线精品观看| 亚洲精品视频女| 五月天丁香电影| 大陆偷拍与自拍| 高清不卡的av网站| 宅男免费午夜| 男女高潮啪啪啪动态图| 国产av一区二区精品久久| 日韩大片免费观看网站| 男女午夜视频在线观看| 亚洲美女视频黄频| 黑人巨大精品欧美一区二区蜜桃| 日韩中字成人| 欧美日韩亚洲高清精品| 日韩中字成人| 亚洲精品国产av蜜桃| 大香蕉久久成人网| 丰满饥渴人妻一区二区三| 天天躁夜夜躁狠狠久久av| 免费在线观看视频国产中文字幕亚洲 | 成人国产麻豆网| 国产精品一二三区在线看| 中文天堂在线官网| 欧美日韩精品网址| 国产成人精品无人区| 亚洲综合精品二区| 女性生殖器流出的白浆| 国产男女内射视频| 美女视频免费永久观看网站| 久久韩国三级中文字幕| 久久久久久免费高清国产稀缺| 亚洲中文av在线| 亚洲欧洲日产国产| 80岁老熟妇乱子伦牲交| 男女国产视频网站| 国产不卡av网站在线观看| 一边亲一边摸免费视频| 久久精品熟女亚洲av麻豆精品| 亚洲av男天堂| 久久久a久久爽久久v久久| 亚洲伊人久久精品综合| 91成人精品电影| 极品人妻少妇av视频| 国产欧美日韩一区二区三区在线| 国产精品偷伦视频观看了| 亚洲五月色婷婷综合| 久久久久久久久久久久大奶| 一二三四在线观看免费中文在| 亚洲欧美精品自产自拍| 久久国内精品自在自线图片| 欧美日韩一区二区视频在线观看视频在线| 亚洲精品国产av成人精品| 成人亚洲欧美一区二区av| 亚洲成人手机| 久久国产精品大桥未久av| 中文字幕av电影在线播放| 91精品三级在线观看| 国产综合精华液| 久久久精品免费免费高清| 国产精品免费大片| 80岁老熟妇乱子伦牲交| 国产精品一区二区在线不卡| 国产成人午夜福利电影在线观看| 搡老乐熟女国产| av视频免费观看在线观看| 男女边吃奶边做爰视频| 国产av一区二区精品久久| 夫妻午夜视频| 亚洲第一青青草原| 日本av手机在线免费观看| 91精品三级在线观看| 日韩成人av中文字幕在线观看| 欧美+日韩+精品| 午夜免费鲁丝| 欧美日本中文国产一区发布| 少妇猛男粗大的猛烈进出视频| 女人久久www免费人成看片| 久久 成人 亚洲| av有码第一页| 丝袜美足系列| 肉色欧美久久久久久久蜜桃| 老司机影院成人| 大话2 男鬼变身卡| 黄色视频在线播放观看不卡| 亚洲精品久久久久久婷婷小说| 亚洲欧美精品综合一区二区三区 | 搡老乐熟女国产| 亚洲精品一二三| 精品一区在线观看国产| av视频免费观看在线观看| 伦理电影免费视频| 亚洲久久久国产精品| 国产精品女同一区二区软件| www.av在线官网国产| 国产av国产精品国产| av有码第一页| 一本久久精品| 亚洲精品aⅴ在线观看| 下体分泌物呈黄色| 午夜日本视频在线| 丰满饥渴人妻一区二区三| 中文欧美无线码| 亚洲av综合色区一区| 亚洲天堂av无毛| 欧美 日韩 精品 国产| 99热国产这里只有精品6| www.自偷自拍.com| 一本色道久久久久久精品综合| 在线观看人妻少妇| 交换朋友夫妻互换小说| 97人妻天天添夜夜摸| 午夜日本视频在线| 美女视频免费永久观看网站| 亚洲国产av新网站| 天天影视国产精品| 97在线视频观看| 蜜桃在线观看..| 欧美日韩视频高清一区二区三区二| 十八禁网站网址无遮挡| 精品卡一卡二卡四卡免费| 亚洲成人av在线免费| 免费观看无遮挡的男女| 夫妻性生交免费视频一级片| 我要看黄色一级片免费的| 欧美xxⅹ黑人| 一级黄片播放器| 日本av免费视频播放| 国产欧美日韩一区二区三区在线| 女人精品久久久久毛片| 一区福利在线观看| 在线观看国产h片| 伦精品一区二区三区| 欧美日韩视频高清一区二区三区二| 国产欧美亚洲国产| 国产在视频线精品| 一级片免费观看大全| 午夜老司机福利剧场| 涩涩av久久男人的天堂| 韩国高清视频一区二区三区| 日本-黄色视频高清免费观看| 91久久精品国产一区二区三区| 晚上一个人看的免费电影| 婷婷色麻豆天堂久久| 日韩免费高清中文字幕av| 人人妻人人爽人人添夜夜欢视频| 欧美国产精品一级二级三级| 午夜影院在线不卡| 国产麻豆69| 女的被弄到高潮叫床怎么办| 免费女性裸体啪啪无遮挡网站| 免费观看性生交大片5| 亚洲成av片中文字幕在线观看 | 精品少妇内射三级| 国产在线免费精品| 美女xxoo啪啪120秒动态图| 国产色婷婷99| 国产成人91sexporn| 国产精品国产三级国产专区5o| 欧美精品一区二区大全| 国产片特级美女逼逼视频| 少妇精品久久久久久久| 日韩一本色道免费dvd| 亚洲精品日本国产第一区| 在线看a的网站| 在线观看免费高清a一片| 国产不卡av网站在线观看| 亚洲成国产人片在线观看| 国产亚洲精品第一综合不卡| 最新中文字幕久久久久| 男人舔女人的私密视频| 日韩精品有码人妻一区| 成年av动漫网址| 人人妻人人澡人人看| 女的被弄到高潮叫床怎么办| 久久99精品国语久久久| 国产黄色视频一区二区在线观看| 国产白丝娇喘喷水9色精品| 日日摸夜夜添夜夜爱| 亚洲国产精品国产精品| 如日韩欧美国产精品一区二区三区| 免费日韩欧美在线观看| 狠狠婷婷综合久久久久久88av| 大片免费播放器 马上看| 日韩熟女老妇一区二区性免费视频| 高清不卡的av网站| 日韩,欧美,国产一区二区三区| 免费在线观看完整版高清| 免费不卡的大黄色大毛片视频在线观看| 亚洲少妇的诱惑av| 日本wwww免费看| 欧美成人精品欧美一级黄| 91aial.com中文字幕在线观看| 97人妻天天添夜夜摸| 精品国产一区二区三区久久久樱花| 久久ye,这里只有精品| 一区二区日韩欧美中文字幕| 中国三级夫妇交换| 亚洲精品一区蜜桃| 日本wwww免费看| 久久人人97超碰香蕉20202| 观看av在线不卡| 妹子高潮喷水视频| freevideosex欧美| 美女国产高潮福利片在线看| 永久网站在线| 2021少妇久久久久久久久久久| 国产有黄有色有爽视频| 精品久久久精品久久久| 国产精品av久久久久免费| 精品久久久精品久久久| 最近中文字幕2019免费版| av卡一久久| 精品少妇黑人巨大在线播放| 久久久久人妻精品一区果冻| 欧美+日韩+精品| 一区二区三区乱码不卡18| 美女大奶头黄色视频| 成人二区视频| 久久久久国产一级毛片高清牌| 亚洲视频免费观看视频| 国产免费一区二区三区四区乱码| 麻豆av在线久日| 男人舔女人的私密视频| 日本猛色少妇xxxxx猛交久久| 亚洲在久久综合| 高清欧美精品videossex| 亚洲一区二区三区欧美精品| 老熟女久久久| 国产视频首页在线观看| 老司机影院毛片| 亚洲精品第二区| 国产精品秋霞免费鲁丝片| 人妻 亚洲 视频| 91精品伊人久久大香线蕉| 母亲3免费完整高清在线观看 | 国产男女超爽视频在线观看| 一级黄片播放器| 极品人妻少妇av视频| 另类亚洲欧美激情| 午夜日韩欧美国产| 1024视频免费在线观看| 久久精品国产鲁丝片午夜精品| 91久久精品国产一区二区三区| 亚洲成色77777| 久久久久国产精品人妻一区二区| 精品久久久久久电影网| 久久久精品免费免费高清| 午夜福利视频精品| 男的添女的下面高潮视频| 天天躁夜夜躁狠狠躁躁| 多毛熟女@视频| 成人亚洲精品一区在线观看| 侵犯人妻中文字幕一二三四区| 亚洲欧洲国产日韩| 日韩欧美一区视频在线观看| 99久久综合免费| 这个男人来自地球电影免费观看 | 一级毛片黄色毛片免费观看视频| 久久精品久久久久久久性| 一本色道久久久久久精品综合| 亚洲,欧美,日韩| 亚洲四区av| 日本午夜av视频| 成年动漫av网址| 啦啦啦在线免费观看视频4| 中文天堂在线官网| 久久精品国产亚洲av天美| 国产视频首页在线观看| 国产高清不卡午夜福利| 777久久人妻少妇嫩草av网站| 亚洲美女视频黄频| 欧美老熟妇乱子伦牲交| 一区二区三区乱码不卡18| 欧美精品一区二区免费开放| 精品一区二区三卡| 美女福利国产在线| 国产极品天堂在线| 亚洲国产毛片av蜜桃av| 久久99热这里只频精品6学生| 成人毛片60女人毛片免费| 天天躁夜夜躁狠狠躁躁| 伦理电影免费视频| 日本免费在线观看一区| 如何舔出高潮| 一级毛片电影观看| 一级毛片黄色毛片免费观看视频| 国产成人欧美| 一级片'在线观看视频| 久久精品人人爽人人爽视色| 国产精品国产三级国产专区5o| 少妇的丰满在线观看| 久久久久国产网址| 久久久久国产精品人妻一区二区| 色吧在线观看| 日韩,欧美,国产一区二区三区| 777久久人妻少妇嫩草av网站| 精品一区二区免费观看| 深夜精品福利| 国产精品嫩草影院av在线观看| 日韩伦理黄色片| 日韩一区二区视频免费看| 亚洲国产最新在线播放| 欧美精品一区二区免费开放| 国产淫语在线视频| 99九九在线精品视频| 日本av免费视频播放| 亚洲精品久久成人aⅴ小说| 99九九在线精品视频| 制服诱惑二区| 久久久精品免费免费高清| 一本久久精品| 欧美日韩一级在线毛片| 亚洲视频免费观看视频| 在现免费观看毛片| 日韩制服骚丝袜av| 免费在线观看完整版高清| 男人爽女人下面视频在线观看| 国产精品秋霞免费鲁丝片| 人人妻人人爽人人添夜夜欢视频| 亚洲国产精品成人久久小说| 国产成人91sexporn| 捣出白浆h1v1| 亚洲欧美日韩另类电影网站| 国产精品人妻久久久影院| 国产一区二区激情短视频 | av片东京热男人的天堂| 久久精品国产亚洲av涩爱|