• <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 ?

    基于改進的MRMR算法和代價敏感分類的財務(wù)預(yù)警研究

    2020-04-27 05:22:06羅康洋王國強
    統(tǒng)計與信息論壇 2020年3期
    關(guān)鍵詞:特征選擇財務(wù)指標(biāo)現(xiàn)金流量

    羅康洋,王國強

    (上海工程技術(shù)大學(xué) a.管理學(xué)院; b.數(shù)理與統(tǒng)計學(xué)院,上海 201620)

    一、引 言

    上市公司財務(wù)困境的發(fā)生不僅使企業(yè)承受巨大的經(jīng)濟損失,還會嚴(yán)重影響其發(fā)展甚至導(dǎo)致破產(chǎn)。與此同時,企業(yè)的經(jīng)營者、供應(yīng)商、顧客、信用機構(gòu)、債權(quán)人、投資者等利益相關(guān)者的經(jīng)濟利益也會受到嚴(yán)重威脅。因此,他們總是希望能夠提前預(yù)知企業(yè)潛在的財務(wù)風(fēng)險,并及時采取相應(yīng)的防范措施,以避免財務(wù)危機的發(fā)生,減少損失。財務(wù)預(yù)警研究是企業(yè)防范財務(wù)危機和化解經(jīng)營風(fēng)險的重要舉措,受到眾多國內(nèi)外學(xué)者和實業(yè)者的高度重視[1-2]。

    從統(tǒng)計分類學(xué)習(xí)的觀點來說,公司財務(wù)預(yù)警屬于二分類問題,一類是股票交易受到特殊處理(Special Treatment,ST)的上市公司,另一類是股票正常交易的上市公司,即非ST公司。財務(wù)預(yù)警數(shù)據(jù)呈現(xiàn)出的高維和不平衡的雙重特性為研究帶來了諸多的困難,主要表現(xiàn)在兩個方面:第一,研究所涉及到的財務(wù)指標(biāo)眾多、指標(biāo)之間相關(guān)性較大且含有較多冗余指標(biāo),這些都會對預(yù)測模型的精度造成嚴(yán)重的負(fù)面影響。第二,在股票市場中,被ST的上市公司在數(shù)量上遠(yuǎn)遠(yuǎn)小于非ST的公司,這使得財務(wù)預(yù)警數(shù)據(jù)分布嚴(yán)重不平衡,以至于導(dǎo)致邏輯回歸、支持向量機和決策樹等傳統(tǒng)的分類模型失效。

    近年來,國內(nèi)外學(xué)者對公司財務(wù)預(yù)警模型和存在近似問題的眾籌與違約預(yù)警模型等進行了系統(tǒng)的研究,并取得了諸多突破。具體研究方法大體可分為三類:一是根據(jù)經(jīng)驗、直觀判斷或者以定性的方式在備選財務(wù)指標(biāo)中選取重要指標(biāo),然后在不平衡數(shù)據(jù)集上利用隨機抽樣技術(shù)或人工合成少數(shù)類樣本過采樣技術(shù)(Synthetic Minority Over-sampling Technique,SMOTE)等采樣方法處理后再構(gòu)建預(yù)測模型[3-4]。二是采用檢驗、逐步判別法和逐步邏輯回歸等傳統(tǒng)特征選擇方法對財務(wù)指標(biāo)進行篩選,并在平衡數(shù)據(jù)集上構(gòu)建預(yù)測模型[5]。三是直接使用分類模型處理不平衡數(shù)據(jù)集、將在平衡數(shù)據(jù)樣本條件下對指標(biāo)進行篩選[6]或者對不平衡數(shù)據(jù)樣本進行指標(biāo)篩選[7]后的數(shù)據(jù)集直接作為分類模型的輸入。第一種研究方法選擇的指標(biāo)集通常不能滿足實際應(yīng)用的需求,這主要是受主觀因素的影響使得構(gòu)建的財務(wù)預(yù)警模型泛化能力較弱。第二種研究方法采用的單變量特征選擇法,盡管能有效保留相關(guān)特征,但不能去除冗余特征。不難看出,前兩類研究方法并沒有對數(shù)據(jù)的高維和不平衡性同時進行研究,而是各有側(cè)重。第三種研究方法直接使用分類算法應(yīng)對數(shù)據(jù)集存在的高維和不平衡的雙重特性。由于該類方法沒有改善數(shù)據(jù)的不平衡性,使得預(yù)警模型的魯棒性較弱。因而,針對財務(wù)預(yù)警數(shù)據(jù)的雙重特性,構(gòu)建有效的財務(wù)預(yù)警模型并進行實證分析無疑具有重要的理論和實踐價值。

    受以上工作的啟發(fā),本文旨在基于高維不平衡數(shù)據(jù)對上市公司財務(wù)預(yù)警進行系統(tǒng)性研究,主要包括采樣、特征選擇和分類三個過程。在采樣過程中,如果直接對數(shù)據(jù)特征進行選擇,數(shù)據(jù)的不平衡特性會使得特征選擇算法偏向選擇多數(shù)類樣本對應(yīng)的特征(即高估其特征重要性),而忽略少數(shù)類樣本對應(yīng)特征的重要性,進而影響少數(shù)類樣本的預(yù)測精度。因此,利用組合采樣技術(shù)SMOTE+ENN (SMOTE+Edited Nearest Neighbor)進行數(shù)據(jù)平衡化處理,以提高少數(shù)類樣本對應(yīng)特征的重要性。在特征選擇過程中,引入最大相關(guān)最小冗余(Minimal Redundancy Maximal Relevance,MRMR)算法[8]對特征進行選擇,并給出兩種新的基于絕對值余弦的冗余性度量。該算法同時考慮了特征之間的相關(guān)性與冗余性,在多個特征選擇領(lǐng)域表現(xiàn)優(yōu)異。在分類過程中,使用支持向量機(Support Vector Machine,SVM)、L2-邏輯回歸(L2-Logistic Regression,L2-LR)和CART決策樹在特征選擇后的嵌套特征集中搜索分類性能最優(yōu)的特征子集。同時,為克服數(shù)據(jù)不平衡對分類模型的影響,從采樣技術(shù)與代價敏感分類學(xué)習(xí)兩方面進行研究。本文的研究是對財務(wù)預(yù)警問題的一種新探索,相關(guān)結(jié)論可為上市公司經(jīng)營者和利益相關(guān)者提供決策參考和咨詢。

    二、算法描述

    (一)組合采樣技術(shù)SMOTE+ENN

    采樣技術(shù)是針對不平衡數(shù)據(jù)集的預(yù)處理方法,該技術(shù)一般分為兩種:欠采樣技術(shù)(按某種方式刪除多數(shù)類樣本)和過采樣技術(shù)(按某種方式增加少數(shù)類樣本),其中隨機欠采樣和隨機過采樣是較為經(jīng)典的采樣技術(shù)。但隨機欠采樣會造成有效信息的丟失,而隨機過采樣由于沒有新樣本的產(chǎn)生,則容易導(dǎo)致過擬合。

    為克服隨機欠采樣的不足,文獻[9]提出了一種剪輯最近鄰(ENN)采樣技術(shù)。ENN的基本思想是搜尋多數(shù)類樣本的3-最近鄰樣本,將這3個最近鄰樣本中有2個及以上少數(shù)類樣本的多數(shù)類樣本予以刪除。由于多數(shù)類樣本周圍更多的還是同類樣本,導(dǎo)致該方法的數(shù)據(jù)平衡化能力較弱。

    SMOTE是經(jīng)典的啟發(fā)式過采樣技術(shù)[10],與隨機過采樣技術(shù)不同,它利用線性組合在少數(shù)類樣本與其臨近的同類樣本間插入新樣本,以緩解數(shù)據(jù)集的不平衡性。該方法的主要步驟:首先,計算少數(shù)類樣本x∈X與X中每個樣本的歐氏距離,并找出x的k個同類最近鄰。其次,在這k個同類樣本中隨機選取一個樣本x′并按下式:

    xnew=x+rand×(x′-x)

    (1)

    對x與x′進行線性插值構(gòu)造新樣本xnew,其中rand為0到1的隨機數(shù)。但SMOTE沒有差別的對少類樣本進行采樣,容易造成類間重疊[11]。

    基于此,本文采用由Batista等人提出的將SMOTE與ENN進行結(jié)合的采樣技術(shù) (SMOTE+ENN),對數(shù)據(jù)進行平衡化處理[12]。已有研究結(jié)果顯示該技術(shù)在多個數(shù)據(jù)集上取得了優(yōu)良效果。

    (二)MRMR算法及其改進

    1.MRMR算法

    MRMR算法是一種啟發(fā)式的特征選擇方法,它的基本思想是根據(jù)評價函數(shù)對原始特征進行排序,得到一組嵌套特征集S1?…?Sk?…?Sm,其中Sk表示含有k個特征、與目標(biāo)分類相關(guān)性最大且自身冗余信息最少的特征子集。分類模型只需在上述m個特征集中尋找預(yù)測精度最大的特征集,以達到降維目的。

    對于連續(xù)型自變量,假設(shè)已選擇了k-1個特征并得到特征子集Sk-1。在剩余特征集F-Sk-1中選入第k個特征的最大相關(guān)最小冗余的評價函數(shù)有以下兩種:

    (2)

    (3)

    其中V(fk,y)為相關(guān)性度量,W(fk,Sk-1)為冗余性度量。有研究表明式(3)的特征排序效果優(yōu)于式(2)[8],因此本文采用式(3)進行特征選擇。根據(jù)式(3),選入第k個特征的評價函數(shù)有以下兩種:

    FCQ (F-testCOR quotient):

    (4)

    FD1Q (F-test L1-distance quotient):

    (5)

    其中

    (6)

    (7)

    (8)

    分別為F-score、Pearson相關(guān)系數(shù)和L1-范數(shù)距離。

    2.改進的MRMR算法

    本文針對MRMR算法中的冗余性度量函數(shù)W(fk,Sk-1),構(gòu)造兩個新的選入第k個特征的評價函數(shù),具體如下:

    FACQ (F-test AC quotient):

    (9)

    FDAQ (F-test DAC quotient):

    (10)

    其中

    (11)

    圖1 非線性映射過程

    (三)分類模型

    在平衡數(shù)據(jù)集的分類問題中,傳統(tǒng)分類模型能較好地對數(shù)據(jù)進行分類,但在不平衡數(shù)據(jù)集上的分類效果卻不盡人意。這主要是因為在不平衡分類問題中,多數(shù)類樣本在數(shù)量上遠(yuǎn)大于少數(shù)類樣本,但在實際應(yīng)用中人們更關(guān)注少數(shù)類樣本,使得少數(shù)類樣本錯分代價遠(yuǎn)大于多數(shù)類樣本錯分代價。當(dāng)傳統(tǒng)分類模型以相同錯分代價對不平衡數(shù)據(jù)進行分類時,往往以犧牲少數(shù)類樣本的正確分類為代價換取整體正確率。為此,本文將支持向量機、L2-邏輯回歸模型和CART決策樹模型及其相應(yīng)的代價敏感模型作為財務(wù)預(yù)警的比較分類模型。

    1.支持向量機。SVM以統(tǒng)計學(xué)習(xí)理論的結(jié)構(gòu)風(fēng)險最小化原理和VC維理論為基礎(chǔ),在有限樣本空間中采用滿足Mercer定理的核函數(shù)將訓(xùn)練樣本映射到更高維數(shù)的樣本空間尋找最優(yōu)分類超平面[13]。為了克服傳統(tǒng)SVM處理不平衡數(shù)據(jù)的不足,現(xiàn)對少數(shù)類樣本和多數(shù)類樣本賦予不同的錯分代價,得到代價敏感SVM (Cost Sensitive SVM,CSSVM)模型。

    2.L2-邏輯回歸。標(biāo)準(zhǔn)邏輯回歸是傳統(tǒng)的二分類模型,該模型采用對數(shù)幾率函數(shù)將線性回歸結(jié)果映射到[0,1],并以近似概率來預(yù)測樣本類別。為了減少標(biāo)準(zhǔn)邏輯回歸模型的過擬合風(fēng)險,文獻[14]在基于極大似然估計的優(yōu)化模型中加入L2正則項,得到L2-LR模型。為了適應(yīng)不平衡數(shù)據(jù)分類問題,對少數(shù)類樣本和多數(shù)類樣本賦予不同的錯分代價,得到代價敏感L2-LR (Cost Sensitive L2-LR,CSL2-LR) 模型。

    3.CART決策樹。決策樹是一種自頂向下的非參數(shù)化分類算法,它從根節(jié)點開始,采用類間差異度量對特征值進行劃分,不斷得到不同分支節(jié)點,直至產(chǎn)生確定分類結(jié)果的葉節(jié)點,停止劃分[15]。由于類間差異度量的不同,形成的決策樹也不同。經(jīng)典的算法包括ID3、C4.5和CART等,其中CART采用基尼系數(shù)衡量類間差異并構(gòu)建二叉決策樹,具有較高的運算效率。因此,本文選擇CART決策樹作為分類模型之一。在不平衡數(shù)據(jù)分類過程中,為防止CART偏向多數(shù)類樣本,對少數(shù)類樣本和多數(shù)類樣本賦予不同的錯分代價,得到代價敏感CART (Cost Sensitive CART,CSCART) 模型。

    三、實證研究與結(jié)果分析

    (一)數(shù)據(jù)來源與預(yù)處理

    本文通過tushare金融接口獲取了紡織、化工機械和化學(xué)制藥等行業(yè)2014—2017年所有A股上市公司的財務(wù)數(shù)據(jù),得到8 023個備選樣本,每個樣本有143個財務(wù)指標(biāo)。對缺失值超過三分之一的財務(wù)指標(biāo)予以剔除,最終從盈利能力、發(fā)展能力、償債能力、現(xiàn)金流量和資本結(jié)構(gòu)五個方面選取130個財務(wù)指標(biāo)來構(gòu)建預(yù)警模型。財務(wù)指標(biāo)的具體說明如下:

    盈利能力包含的指標(biāo)有凈資產(chǎn)收益率(x101)、凈利潤(x102)、加權(quán)平均凈資產(chǎn)收益率(x103)、凈資產(chǎn)收益率(扣除非經(jīng)常損益)(x104)、年化凈資產(chǎn)收益率(x105)、平均凈資產(chǎn)收益率(增發(fā)條件)(x106)、總資產(chǎn)報酬率(x107)、總資產(chǎn)凈利潤(x108)、年化總資產(chǎn)報酬率(x109)、凈利率(x110)、年化總資產(chǎn)凈利率(x111)、總資產(chǎn)凈利率(杜邦分析)(x112)、毛利率(x113)、毛利潤(x114)、營業(yè)收入(x115)、息稅前利潤(x116)、息稅折舊攤銷前利潤(x117)、每股營業(yè)總收入(x118)、每股息稅前利潤(x119)、投入資本回報率(x120)、年化投入資本回報率(x121)、銷售毛利率(x122)、銷售凈利率(x123)、銷售成本率(x124)、銷售期間費用率(x125)、經(jīng)營活動凈收益(x126)、營業(yè)利潤/營業(yè)總收入(x127)、營業(yè)總成本/營業(yè)總收入(x128)、財務(wù)費用/營業(yè)總收入(x129)、管理費用/營業(yè)總收入(x130)、資產(chǎn)減值損失/營業(yè)總收入(x131)、凈利潤/營業(yè)總收入(x132)、銷售費用/營業(yè)總收入(x133)、扣除財務(wù)費用前營業(yè)利潤(x134)、非營業(yè)利潤(x135)、利潤總額/營業(yè)收入(x136)、息稅前利潤/營業(yè)總收入(x137)、折舊與攤銷(x138)、期末攤薄每股收益(x139)、每股盈余公積(x140)、每股營業(yè)收入(x141)、每股主營業(yè)務(wù)收入(x142)、每股未分配利潤(x143)、每股資本公積(x144)、稀釋每股收益(x145)、基本每股收益(x146)和每股凈資產(chǎn)(x147)。

    發(fā)展能力包含的指標(biāo)有總資產(chǎn)增長率(x201)、主營業(yè)務(wù)收入增長率(x202)、凈資產(chǎn)增長率(x203)、每股收益增長率(x204)、資產(chǎn)總計相對年初增長率(x205)、股東權(quán)益增長率(x206)、每股凈資產(chǎn)相對年初增長率(x207)、歸屬母公司股東權(quán)益相對年初增長率(x208)、凈利潤同比(x209)、營業(yè)收入同比(x210)、利潤總額同比(x211)、營業(yè)總收入同比(x212)、基本每股收益同比(x213)、營業(yè)周期(x214)、稀釋每股收益同比(x215)、凈資產(chǎn)收益率(攤薄)同比(x216)、營業(yè)利潤同比(x217)、凈資產(chǎn)同比(x218)、歸屬母公司股東凈利潤同比(x219)、經(jīng)營現(xiàn)金流量凈額同比(x220)、每股經(jīng)營現(xiàn)金流量凈額同比(x221)、營運資金(x222)、營運流動資本(x223)、每股留存收益(x224)、留存收益(x225)、存貨周轉(zhuǎn)率(x226)、存貨周轉(zhuǎn)天數(shù)(x227)、應(yīng)收賬款周轉(zhuǎn)率(x228)、應(yīng)收賬款周轉(zhuǎn)天數(shù)(x229)、流動資產(chǎn)周轉(zhuǎn)率(x230)、流動資產(chǎn)周轉(zhuǎn)天數(shù)(x231)、總資產(chǎn)周轉(zhuǎn)率(x232)和固定資產(chǎn)周轉(zhuǎn)率(x233)。

    償債能力包含的指標(biāo)有流動比率(x301)、速動比率(x302)、保守速動比率(x303)、現(xiàn)金比率(x304)、無息流動負(fù)債(x305)、無息非流動負(fù)債(x306)、營業(yè)利潤/流動負(fù)債(x307)、貨幣資金/流動負(fù)債(x308)、貨幣資金/帶息流動負(fù)債(x309)、股東權(quán)益比率(x310)、利息費用(x311)、產(chǎn)權(quán)比率(x312)、帶息債務(wù)(x313)、有形資產(chǎn)/負(fù)債合計(x314)、有形資產(chǎn)/帶息債務(wù)(x315)、息稅折舊攤銷前利潤/負(fù)債合計(x316)、營業(yè)利潤/負(fù)債合計(x317)、歸屬于母公司股東權(quán)益/負(fù)債合計(x318)、歸屬于母公司股東權(quán)益/帶息債務(wù)(x319)、利息支付倍數(shù)(x320)和凈債務(wù)(x321)。

    現(xiàn)金流量包含的指標(biāo)有現(xiàn)金流量比率(x401)、每股經(jīng)營現(xiàn)金流量凈額(x402)、每股現(xiàn)金流量凈額(x403)、每股企業(yè)自由現(xiàn)金流量(x404)、每股股東自由現(xiàn)金流量(x405)、企業(yè)自由現(xiàn)金流量(x406)、股權(quán)自由現(xiàn)金流量(x407)、經(jīng)營現(xiàn)金凈流量對負(fù)債比率(x408)、資產(chǎn)經(jīng)營現(xiàn)金流量回報率(x409)、經(jīng)營現(xiàn)金流量凈額/流動負(fù)債(x410)、經(jīng)營現(xiàn)金流量凈額/負(fù)債合計(x411)、經(jīng)營現(xiàn)金流量凈額/帶息債務(wù)(x412)、經(jīng)營現(xiàn)金流量凈額/營業(yè)收入(x413)、銷售商品提供勞務(wù)現(xiàn)金收入/營業(yè)收入(x414)、經(jīng)營現(xiàn)金凈流量/銷售收入(x415)和資本支出/折舊和攤銷(x416)。

    資本結(jié)構(gòu)包含的指標(biāo)有權(quán)益乘數(shù)(x501)、權(quán)益乘數(shù)(杜邦分析)(x502)、有形資產(chǎn)(x503)、全部投入資本(x504)、固定資產(chǎn)合計(x505)、資產(chǎn)負(fù)債率(x506)、歸屬于母公司股東權(quán)益/全部投入資本(x507)、流動負(fù)債/負(fù)債合計(x508)、非流動負(fù)債/負(fù)債合計(x509)、有形資產(chǎn)/總資產(chǎn)(x510)、流動資產(chǎn)/總資產(chǎn)(x511)、非流動資產(chǎn)/總資產(chǎn)(x512)和帶息債務(wù)/全部投入資本(x513)。

    在數(shù)據(jù)樣本的處理中,針對ST上市公司備選樣本,剔除缺失值超過5個的樣本,剩余樣本中對缺失的年度財務(wù)指標(biāo)值利用第三季度的財務(wù)指標(biāo)值近似替代。針對非ST上市公司備選樣本,將含有缺失值的樣本全部剔除。經(jīng)過上述處理共獲得2 567個樣本,其中ST上市公司樣本129個,非ST上市公司樣本2 438個。顯然,數(shù)據(jù)的樣本類別分布極度不平衡。為了消除指標(biāo)量綱的影響,文本采用極大極小歸一化方法對數(shù)據(jù)進行標(biāo)準(zhǔn)化。完成標(biāo)準(zhǔn)化后,將2014—2016年的樣本作為訓(xùn)練樣本,其中少數(shù)類樣本94個,多數(shù)類樣本1 815個。將2017年的樣本作為預(yù)測樣本,其中少數(shù)類樣本35個,多數(shù)類樣本623個。為克服財務(wù)預(yù)警數(shù)據(jù)的類不平衡性對特征選擇算法和傳統(tǒng)分類模型產(chǎn)生的不利影響,利用組合采樣技術(shù)SMOTE+ENN對數(shù)據(jù)進行平衡化處理。在采樣過程中,將SMOTE中的k值設(shè)為5[11]。本文使用Python-imblearn包完成SMOTE+ENN采樣,實現(xiàn)數(shù)據(jù)的平衡化。

    (二) 研究模型和參數(shù)設(shè)置

    1.研究模型與對照模型

    針對財務(wù)預(yù)警數(shù)據(jù)的高維不平衡特性,構(gòu)建兩組研究模型。第一組:MRMR+SVM模型、MRMR+L2-LR模型和MRMR+CART模型。第二組:MRMR+CSSVM模型、MRMR+CSL2-LR模型和MRMR+CSCART模型。本文提出了兩種不同的MRMR算法評價函數(shù),分別記為MRMR_FACQ和MRMR_FDAQ,并將采樣技術(shù)SMOTE+ENN引入上述兩組模型中的MRMR算法和第一組模型的分類過程。另外,本文分別設(shè)計不采樣和MRMR_FCQ(MRMR_FD1Q、F-score)傳統(tǒng)特征選擇算法對照模型,與兩組研究模型形成對比。

    2.參數(shù)設(shè)置

    代價敏感分類算法中少數(shù)類樣本和多數(shù)類樣本的錯分代價分別定義如下:

    其中,n+和n-分別表示少數(shù)類樣本和多數(shù)類樣本的數(shù)量。對于支持向量機分類模型,采用徑向基核函數(shù)K(x,y)=exp(-2‖x-y‖2/δ2)。除了錯分代價以外,傳統(tǒng)分類模型與代價敏感分類模型所需設(shè)置的參數(shù)相同。具體為SVM:懲罰參數(shù)C={0.1,0.5,1,2,5,10,20,30,40,50}和徑向基核參數(shù)δ={0.01,0.05,0.1,0.5,1,2,5,10};L2-LR:懲罰參數(shù)C={0.1,0.5,1,2,5,10,20,30,40,50};CART:最大樹深度={1,2,3,4,5,6,7,8,9,10,15,20,25,30,35,40,45,50,55,60,65,70,75,80,85,90,95,100}。

    為充分挖掘特征選擇后各嵌套特征子集的分類性能,根據(jù)設(shè)置的候選參數(shù)對每個特征子集Sk對應(yīng)訓(xùn)練數(shù)據(jù)進行3折交叉驗證的網(wǎng)格搜索,并利用最優(yōu)參數(shù)訓(xùn)練的分類模型完成樣本預(yù)測。由于采樣過程存在一定隨機性,為充分驗證研究模型的降維和預(yù)測效果,以下所有數(shù)值結(jié)果均為循環(huán)10次求得的平均值。

    (三) 模型降維與預(yù)測結(jié)果的分析

    兩組研究模型及其對照組模型的降維和預(yù)測結(jié)果分別見表1和表2。模型降維效果是使用降維后的特征數(shù)進行衡量。在上市公司財務(wù)預(yù)警研究中,一般來說,上市公司利益相關(guān)者更加關(guān)注少數(shù)類樣本 (ST公司樣本)的預(yù)測準(zhǔn)確率,以便采取應(yīng)對措施,減少損失。但從模型分類性能的角度來說,模型整體分類精度是衡量模型優(yōu)劣的重要標(biāo)準(zhǔn)。因此,模型預(yù)測結(jié)果的衡量指標(biāo)有:多數(shù)類樣本預(yù)測準(zhǔn)確率(rrTN)、少數(shù)類樣本預(yù)測準(zhǔn)確率(rrTP)、F1值和AUC值。

    由表1、表2,從是否采樣的角度看,與在特征選擇過程中未引入SMOTE+ENN的對照組模型相比,兩組研究模型降維后的平均特征數(shù)下降了38.26%,rrTP和AUC分別總體提高了5.47%和0.87%。這表明將SMOTE+ENN引入特征選擇過程有效提升了研究模型的降維效果,并加強了少數(shù)類樣本對應(yīng)特征的重要性,即rrTP明顯得到了提高。但兩組研究模型rrTP的提高是以犧牲多數(shù)類樣本的正確預(yù)測為代價的,導(dǎo)致AUC提升較小。

    由表1、表2,從特征選擇算法的角度看(考慮在特征選擇過程中引入SMOTE+ENN的系列結(jié)果),MRMR_FACQ、MRMR_FDAQ、MRMR_FCQ、MRMR_FD1Q和F-score對應(yīng)模型降維后的平均特征數(shù)分別為19.1、17.7、24.6、22.8和37.5;平均rrTP分別為0.843、0.870、0.847、0.849和0.865;平均AUC分別為0.833、0.829、0.812、0.827 0和0.768??傻?,MRMR_FACQ和MRMR_FDAQ算法對應(yīng)研究模型的降維效果優(yōu)于傳統(tǒng)MRMR算法MRMR_FCQ、MRMR_FD1Q以及不考慮特征冗余度的F-score的對照組模型,其中MRMR_FDAQ對應(yīng)模型降維效果最優(yōu),MRMR_FACQ對應(yīng)模型次之。綜合考慮平均rrTP和平均AUC,MRMR類算法對應(yīng)模型的預(yù)測結(jié)果均優(yōu)于F-score對照組模型,其中MRMR_FDAQ對應(yīng)模型的預(yù)測效果最優(yōu),MRMR_FACQ和MRMR_FD1Q對應(yīng)模型次之。

    由表1、表2,從分類模型的角度看,SVM、L2-LR和CART對應(yīng)的第一組研究模型降維后的平均特征數(shù)分別為21.5、12.95和13.35;平均rrTP分別為0.863、0.844和0.839;平均AUC分別為0.831,0.823和0.836。CSSVM、CSL2-LR和CSCART對應(yīng)第二組研究模型降維后的平均特征數(shù)分別為23.2、8.7和30.8;平均rrTP分別為0.873 0、0.844和0.874;平均AUC分別為0.847、0.819和0.829。綜合比較上述統(tǒng)計結(jié)果,L2-邏輯回歸對應(yīng)研究模型的總體降維效果最優(yōu),支持向量機對應(yīng)研究模型次之。支持向量機對應(yīng)研究模型取得了最優(yōu)的預(yù)測效果,CART決策樹對應(yīng)研究模型次之??梢钥闯觯琇2-邏輯回歸雖能起到很好的降維效果,但過少的預(yù)測指標(biāo)限制了模型的預(yù)測精度。此外,在研究模型中,為克服數(shù)據(jù)不平衡性,組合采樣技術(shù)與代價敏感分類學(xué)習(xí)相比,降維后平均特征數(shù)下降了35.27%,rrTP總體下降了4.57%,AUC總體上升了0.58%。

    綜合考慮降維和預(yù)測的效果,研究模型MRMR_FDAQ+CSSVM最優(yōu),而MRMR_FACQ+CSCART次之。特別的,第二組對照模型中F+CSSVM模型和F+CSCART模型得到了較高的rrTP,最高達到了0.929,但這是以犧牲大量多數(shù)類樣本的預(yù)測準(zhǔn)確率為代價,從而導(dǎo)致模型整體分類性能顯著下降,AUC僅為0.669。

    表1 第一組模型及其對照組模型降維和預(yù)測效果

    表2 第二組模型及其對照組模型降維和預(yù)測效果

    (四)特征選擇算法分析與重要財務(wù)指標(biāo)

    上一小節(jié)直接從模型的降維和預(yù)測結(jié)果對不同MRMR算法進行了比較。結(jié)果表明將SMOTE+ENN引入特征選擇過程提高了少數(shù)類樣本對應(yīng)特征的重要性,即rrTP得到了提高。為進一步比較不同MRMR算法的財務(wù)指標(biāo)選擇過程的差異以及SMOTE+ENN對特征選擇的影響力,采用KTRC (Kendall's Tau Rank Correlation)準(zhǔn)則從MRMR算法相似性的角度來進行分析[16]。該準(zhǔn)則的基本思想如下:

    假設(shè)r1和r2分別為兩個特征選擇算法對原始特征的排序結(jié)果。任取兩個特征(fk,fi),它們在r1和r2中的排名可表示為(r1(fk),r1(fi))和(r2(fk),r2(fi)),有如下一致性判斷準(zhǔn)則:

    從表3前四列來看,引入組合采樣技術(shù)顯著地降低了特征選擇算法之間的相關(guān)性。例如FCQ與FD1Q的τ值為0.815,但采樣技術(shù)引入后,τ值下降為0.711,即FCQ與FD1Q*的相關(guān)度為0.711。這說明組合采樣技術(shù)顯著改變了MRMR算法的特征選擇過程,并根據(jù)上一節(jié)的預(yù)測結(jié)果,更加證實了組合采樣技術(shù)的引入能有效提高少數(shù)類樣本對應(yīng)特征的重要性。此外,在同一數(shù)據(jù)集上,F(xiàn)CQ(FCQ*)與FACQ(FACQ*)的相關(guān)度最大為0.912(0.911),F(xiàn)CQ(FCQ*)與FDAQ(FDAQ*)的相關(guān)度最小為0.662(0.673)。

    表3 KTRC相似矩陣

    根據(jù)上述MRMR算法采樣前后KTRC相似度的變化結(jié)果,選取每次循環(huán)各MRMR算法排序后的前30個財務(wù)指標(biāo)(選取前30個財務(wù)指標(biāo)的依據(jù)是本文給出的研究模型的特征選擇數(shù)均在30左右浮動)。10次循環(huán)完成后,再根據(jù)特征出現(xiàn)次數(shù)進行排序。取前30個財務(wù)指標(biāo)作為各MRMR算法對應(yīng)財務(wù)預(yù)警模型的重要財務(wù)危機預(yù)測指標(biāo)。現(xiàn)考慮采樣后的MRMR算法特征選擇結(jié)果,如下:

    FCQ*選擇的前30個財務(wù)指標(biāo):盈利能力指標(biāo)包括x103、x106、x107、x108、x109、x111、x112、x118、x119、x128、x139、x140、x141、x142、x143、x145、x146和x147;發(fā)展能力指標(biāo)包括x224、x230和x231;償債能力指標(biāo)包括x315;現(xiàn)金流量指標(biāo)包括x401、x402、x408、x409、x410、x411和x413;資本結(jié)構(gòu)指標(biāo)包括x501。

    FD1Q*選擇的前30個財務(wù)指標(biāo):盈利能力指標(biāo)包括x103、x106、x107、x108、x109、x111、x118、x119、x120、x121、x122、x124、x128、x139、x140、x142、x143、x146和x147;發(fā)展能力指標(biāo)包括x216、x224和x231;現(xiàn)金流量指標(biāo)包括x401、x402、x408、x409和x413;資本結(jié)構(gòu)指標(biāo)包括x501、x506和x510。

    FACQ*選擇的前30個財務(wù)指標(biāo):盈利能力指標(biāo)包x103、x107、x108、x109、x111、x112、x118、x119、x120、x122、

    x124、x128、x139、x141、x142、x143、x145、x146和x147;發(fā)展能力指標(biāo)包括x224、x230和x231;現(xiàn)金流量指標(biāo)包括x401、x402、x408、x409、x410和x411;資本結(jié)構(gòu)指標(biāo)包括x501和x502。

    FDAQ*選擇的前30個財務(wù)指標(biāo):盈利能力指標(biāo)包x107、x109、x114、x115、x118、x122、x124、x125、x128、x129、x130、x140、x143、x146和x147;發(fā)展能力指標(biāo)包括x214、x224、x227、x229、x230、x231和x232;現(xiàn)金流量指標(biāo)包括x48和x416;資本結(jié)構(gòu)指標(biāo)包括x501、x502、x503、x506、x510和x513。

    從上述采樣后的四種MRMR算法的重要財務(wù)指標(biāo)選取結(jié)果可知,不論是否引入采樣技術(shù),上市公司盈利能力、發(fā)展能力、償債能力、現(xiàn)金流量和資本結(jié)構(gòu)的財務(wù)指標(biāo)在所有MRMR算法排名前30的財務(wù)指標(biāo)中出現(xiàn)次數(shù)的排名為:盈利能力、發(fā)展能力、現(xiàn)金流量、資本結(jié)構(gòu)和償債能力,其中盈利能力下的指標(biāo)對上市公司財務(wù)危機的有效預(yù)測尤為重要。比較發(fā)現(xiàn),F(xiàn)CQ*、FAC*和FD1Q*的排名前30的財務(wù)指標(biāo)的重復(fù)率很高,其中FCQ*和FAC*最為突出,這與理論部分的分析結(jié)論以及表3中的算法相似性結(jié)果相吻合。由償債能力下的指標(biāo)選擇結(jié)果可知,除了FCQ*選擇了有形資產(chǎn)/帶息債務(wù)(x315),其他三種算法均沒有選擇該類中的財務(wù)指標(biāo),這表明償債能力下的財務(wù)指標(biāo)對上市公司的財務(wù)危機的預(yù)測能力較弱。此外,F(xiàn)DAQ*選擇在盈利能力、發(fā)展能力、現(xiàn)金流量和資本結(jié)構(gòu)下選擇的財務(wù)指標(biāo)與FCQ*、FAC*和FD1Q*差異較大。結(jié)合表1和表2的預(yù)測結(jié)果可知,F(xiàn)DAQ*選擇出的不同于其他三種算法的財務(wù)指標(biāo)在較小影響整體分類精度(AUC)的前提下,能有效提升對ST公司的預(yù)測結(jié)果。具體來說,忽略FDAQ*與其他三種算法選擇出的相同財務(wù)指標(biāo),該算法在利益能力下選擇出了毛利潤(x114)、營業(yè)收入(x115)、銷售期間費用率(x125)、財務(wù)費用/營業(yè)總收入(x129)和管理費用/營業(yè)總收入(x130),這5個指標(biāo)均能直接有效地反映公司財務(wù)狀況,符合指標(biāo)選擇的預(yù)期。在發(fā)展能力下選擇出了營業(yè)周期(x214)、存貨周轉(zhuǎn)天數(shù)(x227)、應(yīng)收賬款周轉(zhuǎn)天數(shù)(x229)和總資產(chǎn)周轉(zhuǎn)率(x232),這4個指標(biāo)均是公司運轉(zhuǎn)能力的重要衡量標(biāo)準(zhǔn),也是公司財務(wù)狀況的外在表現(xiàn)。在現(xiàn)金流量和資本結(jié)構(gòu)下選擇出了資本支出/折舊和攤銷(x416)、有形資產(chǎn)(x503)和帶息債務(wù)/全部投入資本(x513),這3個指標(biāo)衡量了公司內(nèi)部各類資產(chǎn)的分布,對財務(wù)狀況有很好的反映作用。

    四、結(jié)論與展望

    本文針對上市公司財務(wù)預(yù)警數(shù)據(jù)呈現(xiàn)出的高維和不平衡的雙重特性進行了深入研究,并構(gòu)建了一系列適合處理該類數(shù)據(jù)的組合預(yù)測模型。通過大量實證分析研究,主要有如下結(jié)論:

    第一,與不考慮冗余性的特征選擇算法相比,MRMR算法在不影響模型分類精度的前提下能得到更為簡潔的預(yù)測指標(biāo)集,且本文提出的MRMR_FDAQ算法對應(yīng)財務(wù)預(yù)警模型取得了最優(yōu)的降維和預(yù)測結(jié)果。第二,在特征選擇過程中,SMOTE+ENN的引入有效提高了少數(shù)類樣本及其對應(yīng)特征的重要性,進而使得模型的rrTP得到顯著提升。第三,在分類過程中,利用采樣技術(shù)對應(yīng)研究模型取得的降維效果優(yōu)于代價敏感分類學(xué)習(xí),但對ST公司樣本的預(yù)測效果弱于代價敏感分類學(xué)習(xí)。此外,支持向量機對應(yīng)研究模型取得了最優(yōu)的預(yù)測效果和次優(yōu)的降維效果。

    綜合考慮降維和預(yù)測效果,建議上市公司利益相關(guān)者選擇研究模型MRMR_FDAQ+CSSVM對公司財務(wù)危機進行預(yù)測。下一步工作主要有兩個方面:一是在財務(wù)指標(biāo)的選擇過程中,研究除了基于F-score的MRMR算法以外的其他更有效的特征選擇算法。二是將集成分類模型及其對應(yīng)的代價敏感模型引入上市公司財務(wù)預(yù)警研究的分類過程,并且如何有效縮短集成分類模型最優(yōu)參數(shù)的搜索時間是未來工作的一個重要方向。

    猜你喜歡
    特征選擇財務(wù)指標(biāo)現(xiàn)金流量
    制造型企業(yè)現(xiàn)金流量管控淺談
    活力(2019年15期)2019-09-25 07:21:38
    我國金融機構(gòu)股價和主要財務(wù)指標(biāo)的相關(guān)性分析
    全國國有企業(yè)主要財務(wù)指標(biāo)
    Kmeans 應(yīng)用與特征選擇
    電子制作(2017年23期)2017-02-02 07:17:06
    全國國有企業(yè)主要財務(wù)指標(biāo)
    企業(yè)現(xiàn)金流量影響因素的研究
    聯(lián)合互信息水下目標(biāo)特征選擇算法
    榮豐控股財務(wù)指標(biāo)分析
    基于特征選擇和RRVPMCD的滾動軸承故障診斷方法
    基于二元搭配詞的微博情感特征選擇
    計算機工程(2014年6期)2014-02-28 01:26:36
    男人的好看免费观看在线视频 | 国产99白浆流出| 国产精品影院久久| 欧美性猛交黑人性爽| www.www免费av| 美女 人体艺术 gogo| 国产成人av教育| 少妇的丰满在线观看| 成年女人毛片免费观看观看9| 久久久久久久久中文| 国产精品亚洲一级av第二区| 国产一区在线观看成人免费| 国产成人啪精品午夜网站| 欧美高清成人免费视频www| 成人国产综合亚洲| 波多野结衣巨乳人妻| 十八禁网站免费在线| 久久99热这里只有精品18| 欧美日本亚洲视频在线播放| 美女免费视频网站| 久久精品国产清高在天天线| 国产高清视频在线观看网站| 90打野战视频偷拍视频| 午夜亚洲福利在线播放| 亚洲精品中文字幕一二三四区| 免费搜索国产男女视频| 毛片女人毛片| 日本一区二区免费在线视频| 欧美一级毛片孕妇| 免费在线观看日本一区| 超碰成人久久| 动漫黄色视频在线观看| 2021天堂中文幕一二区在线观| 国产精品一及| 亚洲国产精品999在线| 欧美绝顶高潮抽搐喷水| 国产精品久久久久久久电影 | 非洲黑人性xxxx精品又粗又长| 狂野欧美激情性xxxx| 精品久久久久久久久久免费视频| 香蕉久久夜色| 国产成人精品久久二区二区免费| 99国产精品一区二区三区| 三级国产精品欧美在线观看 | 亚洲av美国av| 久久精品综合一区二区三区| 亚洲国产精品成人综合色| 欧美日韩一级在线毛片| 欧美一级毛片孕妇| 国产av麻豆久久久久久久| 亚洲专区国产一区二区| 女人高潮潮喷娇喘18禁视频| 精品国产美女av久久久久小说| 国产亚洲欧美在线一区二区| 麻豆国产97在线/欧美 | 国产精品av久久久久免费| 在线观看美女被高潮喷水网站 | 啪啪无遮挡十八禁网站| 国产av又大| 最新在线观看一区二区三区| 日韩欧美国产在线观看| 成人精品一区二区免费| 曰老女人黄片| 国内少妇人妻偷人精品xxx网站 | 欧美黑人精品巨大| 99在线人妻在线中文字幕| 久久精品国产亚洲av高清一级| 一级作爱视频免费观看| √禁漫天堂资源中文www| 国产精品电影一区二区三区| 午夜成年电影在线免费观看| 在线观看美女被高潮喷水网站 | 亚洲精品久久成人aⅴ小说| 波多野结衣高清无吗| 婷婷精品国产亚洲av在线| 美女黄网站色视频| 精品免费久久久久久久清纯| x7x7x7水蜜桃| 美女扒开内裤让男人捅视频| 看免费av毛片| 国产精品一区二区三区四区免费观看 | 麻豆久久精品国产亚洲av| 久久这里只有精品中国| 国产精品日韩av在线免费观看| 欧美zozozo另类| 天天添夜夜摸| a在线观看视频网站| 久久这里只有精品19| 精品久久久久久成人av| 99国产精品一区二区三区| 日韩欧美国产一区二区入口| 19禁男女啪啪无遮挡网站| 久久久久久久精品吃奶| x7x7x7水蜜桃| 窝窝影院91人妻| 99国产精品一区二区三区| 悠悠久久av| 91麻豆精品激情在线观看国产| 国产精品爽爽va在线观看网站| 十八禁人妻一区二区| 欧美乱妇无乱码| 中亚洲国语对白在线视频| 老鸭窝网址在线观看| 1024手机看黄色片| 成年女人毛片免费观看观看9| 看免费av毛片| 亚洲色图av天堂| 欧美日本亚洲视频在线播放| www.999成人在线观看| 色哟哟哟哟哟哟| 久久这里只有精品中国| 最近视频中文字幕2019在线8| 在线观看午夜福利视频| 特大巨黑吊av在线直播| 国产精品av视频在线免费观看| 日韩免费av在线播放| 久久精品人妻少妇| 亚洲美女黄片视频| 久久久久久久久久黄片| 国产高清有码在线观看视频 | 色av中文字幕| 9191精品国产免费久久| 午夜两性在线视频| 国产精品香港三级国产av潘金莲| 色综合站精品国产| 亚洲欧美日韩高清专用| 丰满人妻熟妇乱又伦精品不卡| 亚洲av片天天在线观看| 99久久久亚洲精品蜜臀av| 国产av不卡久久| 热99re8久久精品国产| 欧美日本视频| 午夜免费观看网址| 一本一本综合久久| 看片在线看免费视频| 国产男靠女视频免费网站| 搡老妇女老女人老熟妇| 精品久久久久久久久久久久久| 中文亚洲av片在线观看爽| 欧美黑人欧美精品刺激| 亚洲欧美激情综合另类| 国产精品一区二区精品视频观看| 国产私拍福利视频在线观看| 精品免费久久久久久久清纯| 中文字幕精品亚洲无线码一区| 国产亚洲精品av在线| 精品一区二区三区视频在线观看免费| 无遮挡黄片免费观看| 日本精品一区二区三区蜜桃| 亚洲国产欧美人成| 亚洲成av人片免费观看| 老司机福利观看| 日日夜夜操网爽| 久热爱精品视频在线9| 国产亚洲精品第一综合不卡| 免费在线观看完整版高清| 日韩欧美免费精品| 欧美色视频一区免费| 丰满人妻熟妇乱又伦精品不卡| 成人永久免费在线观看视频| www.自偷自拍.com| 黄色视频不卡| 在线观看日韩欧美| 99国产精品99久久久久| 精品国产美女av久久久久小说| 日韩有码中文字幕| 国语自产精品视频在线第100页| 岛国视频午夜一区免费看| 午夜老司机福利片| 三级男女做爰猛烈吃奶摸视频| 亚洲精品美女久久av网站| 免费在线观看亚洲国产| 手机成人av网站| 美女黄网站色视频| 精品午夜福利视频在线观看一区| 久久婷婷成人综合色麻豆| 99国产综合亚洲精品| 成人18禁在线播放| 久久国产乱子伦精品免费另类| 亚洲国产欧美一区二区综合| 成人欧美大片| 日本 av在线| tocl精华| 欧美激情久久久久久爽电影| 国产精品爽爽va在线观看网站| www国产在线视频色| 岛国在线观看网站| 可以在线观看的亚洲视频| 两性夫妻黄色片| 欧美中文日本在线观看视频| 色综合婷婷激情| 亚洲一区二区三区色噜噜| 日韩大码丰满熟妇| 天天躁夜夜躁狠狠躁躁| 天堂动漫精品| 亚洲无线在线观看| 亚洲精品久久国产高清桃花| 在线观看免费午夜福利视频| e午夜精品久久久久久久| 午夜老司机福利片| 国内精品久久久久精免费| 精品福利观看| 国产一区二区三区视频了| 久久国产乱子伦精品免费另类| 久久中文看片网| 深夜精品福利| 亚洲激情在线av| 日韩高清综合在线| 一本一本综合久久| 欧美色欧美亚洲另类二区| 伦理电影免费视频| 好看av亚洲va欧美ⅴa在| 亚洲熟女毛片儿| 日本免费一区二区三区高清不卡| 亚洲专区中文字幕在线| 亚洲自拍偷在线| 宅男免费午夜| 午夜亚洲福利在线播放| 日本a在线网址| 1024手机看黄色片| 黄色片一级片一级黄色片| 欧美另类亚洲清纯唯美| 久久伊人香网站| 精品久久久久久久人妻蜜臀av| 少妇粗大呻吟视频| 久久精品国产清高在天天线| 亚洲18禁久久av| 亚洲七黄色美女视频| 久久精品国产清高在天天线| 欧美日韩中文字幕国产精品一区二区三区| 久久精品成人免费网站| 国产精品 国内视频| 一本久久中文字幕| 岛国在线免费视频观看| 久久九九热精品免费| 一进一出抽搐动态| 精品欧美一区二区三区在线| 亚洲专区字幕在线| 久久婷婷成人综合色麻豆| 国产不卡一卡二| 免费av毛片视频| 精品国产美女av久久久久小说| 久久香蕉国产精品| 成人午夜高清在线视频| 香蕉丝袜av| 国产成人精品无人区| 欧美黑人巨大hd| 18禁黄网站禁片午夜丰满| 狂野欧美激情性xxxx| 精品久久久久久久久久免费视频| 国产高清视频在线播放一区| 国产精品免费一区二区三区在线| 国产av不卡久久| 91成年电影在线观看| 欧美性猛交黑人性爽| 精品国产乱码久久久久久男人| 久久精品综合一区二区三区| 99在线人妻在线中文字幕| 变态另类丝袜制服| 国产69精品久久久久777片 | 99国产精品一区二区三区| 黄色女人牲交| 露出奶头的视频| 国产成人av教育| 国产免费男女视频| 91麻豆精品激情在线观看国产| 日本一区二区免费在线视频| 国产伦在线观看视频一区| 国产精品久久久人人做人人爽| 一级作爱视频免费观看| 国产精品乱码一区二三区的特点| 一进一出好大好爽视频| 亚洲一卡2卡3卡4卡5卡精品中文| 99久久99久久久精品蜜桃| 国产爱豆传媒在线观看 | 真人做人爱边吃奶动态| 国产男靠女视频免费网站| 国产精品自产拍在线观看55亚洲| 国产v大片淫在线免费观看| 午夜激情av网站| 日本成人三级电影网站| 长腿黑丝高跟| 亚洲一码二码三码区别大吗| 日韩大尺度精品在线看网址| 18禁黄网站禁片免费观看直播| 18美女黄网站色大片免费观看| 夜夜夜夜夜久久久久| 婷婷亚洲欧美| 亚洲美女黄片视频| 嫩草影院精品99| 99精品久久久久人妻精品| 中文字幕最新亚洲高清| 黑人巨大精品欧美一区二区mp4| 亚洲真实伦在线观看| 精品久久久久久久毛片微露脸| 三级毛片av免费| 免费一级毛片在线播放高清视频| 亚洲av中文字字幕乱码综合| 久久久久免费精品人妻一区二区| 婷婷亚洲欧美| 99久久久亚洲精品蜜臀av| 国产野战对白在线观看| 中文字幕熟女人妻在线| 中文字幕精品亚洲无线码一区| 欧美性长视频在线观看| av福利片在线观看| 欧美黄色片欧美黄色片| 又爽又黄无遮挡网站| 天堂影院成人在线观看| 一本综合久久免费| 欧美在线黄色| 91成年电影在线观看| x7x7x7水蜜桃| 99国产精品一区二区三区| 欧美午夜高清在线| 成人av在线播放网站| 特级一级黄色大片| 亚洲激情在线av| 精品无人区乱码1区二区| 成人国产综合亚洲| 天堂动漫精品| 欧美中文日本在线观看视频| 亚洲熟女毛片儿| 亚洲狠狠婷婷综合久久图片| 亚洲精品国产一区二区精华液| 两个人的视频大全免费| 国产黄色小视频在线观看| 午夜久久久久精精品| 男人舔奶头视频| 夜夜爽天天搞| 麻豆一二三区av精品| 午夜a级毛片| 午夜激情福利司机影院| 国产精品一区二区三区四区免费观看 | 欧美日韩黄片免| www日本黄色视频网| 真人一进一出gif抽搐免费| 久久久精品大字幕| www.自偷自拍.com| 一级片免费观看大全| 午夜成年电影在线免费观看| 老熟妇仑乱视频hdxx| 一夜夜www| 国产探花在线观看一区二区| 女人高潮潮喷娇喘18禁视频| 1024视频免费在线观看| 一级毛片精品| 黄片小视频在线播放| 91麻豆av在线| 两个人的视频大全免费| 啪啪无遮挡十八禁网站| 一级毛片高清免费大全| 亚洲电影在线观看av| 99国产综合亚洲精品| 精品一区二区三区av网在线观看| 亚洲成人精品中文字幕电影| 毛片女人毛片| 久久伊人香网站| 午夜免费成人在线视频| 久久精品国产亚洲av高清一级| 久久久国产成人精品二区| 麻豆久久精品国产亚洲av| 免费看美女性在线毛片视频| 最近在线观看免费完整版| 免费在线观看黄色视频的| 男男h啪啪无遮挡| 久久亚洲精品不卡| 欧美乱妇无乱码| 亚洲国产精品合色在线| 亚洲精品国产精品久久久不卡| 国产v大片淫在线免费观看| 少妇粗大呻吟视频| av视频在线观看入口| 国产1区2区3区精品| 久久精品aⅴ一区二区三区四区| 午夜激情福利司机影院| 国产视频一区二区在线看| 叶爱在线成人免费视频播放| 久久午夜综合久久蜜桃| 久久久国产欧美日韩av| 成人手机av| 欧美精品啪啪一区二区三区| АⅤ资源中文在线天堂| 蜜桃久久精品国产亚洲av| 亚洲真实伦在线观看| 午夜精品在线福利| 婷婷亚洲欧美| 99精品在免费线老司机午夜| 天堂av国产一区二区熟女人妻 | 好男人电影高清在线观看| 亚洲,欧美精品.| 毛片女人毛片| 亚洲av五月六月丁香网| 精品久久久久久久毛片微露脸| 日本一本二区三区精品| 在线视频色国产色| 亚洲欧美日韩高清专用| 国产精品亚洲美女久久久| 国产高清视频在线观看网站| www.精华液| 国产三级中文精品| 午夜免费激情av| 少妇熟女aⅴ在线视频| 19禁男女啪啪无遮挡网站| 日韩欧美国产在线观看| 18禁黄网站禁片免费观看直播| 女警被强在线播放| 黑人巨大精品欧美一区二区mp4| 黄频高清免费视频| 日日摸夜夜添夜夜添小说| 亚洲激情在线av| 一卡2卡三卡四卡精品乱码亚洲| 亚洲真实伦在线观看| 欧美成狂野欧美在线观看| 老汉色∧v一级毛片| 成人av在线播放网站| 国产精品久久久久久亚洲av鲁大| 久久久久国产一级毛片高清牌| 久久精品夜夜夜夜夜久久蜜豆 | 五月伊人婷婷丁香| www.熟女人妻精品国产| 亚洲18禁久久av| 国产精品野战在线观看| 少妇裸体淫交视频免费看高清 | 精品久久久久久久毛片微露脸| 国产成+人综合+亚洲专区| 国产成人精品无人区| 又紧又爽又黄一区二区| 69av精品久久久久久| netflix在线观看网站| av中文乱码字幕在线| 国产av又大| 又黄又爽又免费观看的视频| 久久久久久久久久黄片| aaaaa片日本免费| 午夜激情av网站| 亚洲男人天堂网一区| 国产成人一区二区三区免费视频网站| 久久精品亚洲精品国产色婷小说| 亚洲成人中文字幕在线播放| 成年人黄色毛片网站| 真人做人爱边吃奶动态| av中文乱码字幕在线| 欧美日韩亚洲综合一区二区三区_| 无人区码免费观看不卡| 看黄色毛片网站| 欧美在线黄色| 99riav亚洲国产免费| 午夜激情av网站| 岛国视频午夜一区免费看| 制服人妻中文乱码| 日韩精品免费视频一区二区三区| 欧美成人免费av一区二区三区| 特大巨黑吊av在线直播| 欧美3d第一页| 999久久久精品免费观看国产| 天堂动漫精品| 精品无人区乱码1区二区| 国产伦在线观看视频一区| 在线观看一区二区三区| 国产成人影院久久av| 国产av麻豆久久久久久久| 村上凉子中文字幕在线| 狂野欧美白嫩少妇大欣赏| 亚洲av五月六月丁香网| 舔av片在线| 欧美国产日韩亚洲一区| 亚洲美女黄片视频| 热99re8久久精品国产| 少妇粗大呻吟视频| 成年人黄色毛片网站| 亚洲国产高清在线一区二区三| a级毛片在线看网站| 国产精品1区2区在线观看.| 免费在线观看完整版高清| 亚洲免费av在线视频| 曰老女人黄片| videosex国产| 成人18禁在线播放| 老熟妇仑乱视频hdxx| 亚洲精品中文字幕一二三四区| 级片在线观看| 三级国产精品欧美在线观看 | 精华霜和精华液先用哪个| 中亚洲国语对白在线视频| 一级毛片女人18水好多| 2021天堂中文幕一二区在线观| 国产精品久久视频播放| 激情在线观看视频在线高清| 亚洲精品中文字幕一二三四区| 国产熟女xx| 丰满的人妻完整版| 国产激情久久老熟女| 色噜噜av男人的天堂激情| 成熟少妇高潮喷水视频| 国产在线观看jvid| 老司机福利观看| 97人妻精品一区二区三区麻豆| 欧美日韩福利视频一区二区| 熟女电影av网| 十八禁人妻一区二区| 一本综合久久免费| 18禁国产床啪视频网站| 成人国语在线视频| ponron亚洲| 亚洲成av人片免费观看| 老熟妇乱子伦视频在线观看| 亚洲精品粉嫩美女一区| 久久热在线av| 日韩欧美精品v在线| 十八禁人妻一区二区| 国产精品亚洲美女久久久| 久久精品国产亚洲av香蕉五月| 欧美日韩福利视频一区二区| 亚洲精品一卡2卡三卡4卡5卡| 露出奶头的视频| 50天的宝宝边吃奶边哭怎么回事| 久久亚洲精品不卡| 亚洲人与动物交配视频| 精品一区二区三区视频在线观看免费| 真人一进一出gif抽搐免费| 三级国产精品欧美在线观看 | av片东京热男人的天堂| 少妇人妻一区二区三区视频| 国产v大片淫在线免费观看| 999久久久国产精品视频| aaaaa片日本免费| 精品国产亚洲在线| 99国产精品一区二区蜜桃av| 天堂av国产一区二区熟女人妻 | 日本 欧美在线| 不卡av一区二区三区| 91成年电影在线观看| 九色国产91popny在线| av在线播放免费不卡| 热99re8久久精品国产| 中文亚洲av片在线观看爽| 两个人视频免费观看高清| 亚洲av片天天在线观看| 岛国视频午夜一区免费看| 高清在线国产一区| 亚洲成人精品中文字幕电影| 亚洲人成伊人成综合网2020| 久久国产乱子伦精品免费另类| 熟女少妇亚洲综合色aaa.| 香蕉av资源在线| 国产av一区在线观看免费| 国产精品,欧美在线| 50天的宝宝边吃奶边哭怎么回事| 欧美日韩中文字幕国产精品一区二区三区| 日韩大尺度精品在线看网址| 18禁国产床啪视频网站| 人妻丰满熟妇av一区二区三区| 九色成人免费人妻av| 一级毛片精品| 老汉色av国产亚洲站长工具| 91老司机精品| 一二三四社区在线视频社区8| 亚洲在线自拍视频| 美女高潮喷水抽搐中文字幕| 最新美女视频免费是黄的| 国产不卡一卡二| 日本在线视频免费播放| 亚洲自拍偷在线| 亚洲一区高清亚洲精品| 亚洲精品一区av在线观看| 欧美日韩福利视频一区二区| 12—13女人毛片做爰片一| 亚洲五月婷婷丁香| 一级黄色大片毛片| 老鸭窝网址在线观看| 亚洲欧美精品综合一区二区三区| 成人午夜高清在线视频| 婷婷亚洲欧美| 成人午夜高清在线视频| 在线观看免费视频日本深夜| 国产欧美日韩一区二区精品| 婷婷精品国产亚洲av在线| 99久久综合精品五月天人人| 18禁国产床啪视频网站| 脱女人内裤的视频| 日韩欧美免费精品| 手机成人av网站| a级毛片在线看网站| 变态另类成人亚洲欧美熟女| 一边摸一边抽搐一进一小说| 三级男女做爰猛烈吃奶摸视频| 日韩av在线大香蕉| 一二三四在线观看免费中文在| 母亲3免费完整高清在线观看| 老司机在亚洲福利影院| 老鸭窝网址在线观看| 又紧又爽又黄一区二区| av超薄肉色丝袜交足视频| 国产精品亚洲一级av第二区| 又大又爽又粗| 在线观看免费视频日本深夜| 国产精华一区二区三区| 欧美日韩黄片免| 可以在线观看的亚洲视频| 国产爱豆传媒在线观看 | 一边摸一边做爽爽视频免费| 一本一本综合久久| 久久久久亚洲av毛片大全| 黄色丝袜av网址大全| 亚洲av日韩精品久久久久久密| 国内精品一区二区在线观看| 亚洲精华国产精华精| 亚洲成人免费电影在线观看| 国产成人av教育| 国产高清激情床上av| 一本精品99久久精品77| 日本精品一区二区三区蜜桃| 午夜日韩欧美国产| 男女之事视频高清在线观看|