• <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
    日本av手机在线免费观看| 天天一区二区日本电影三级| 国产黄色视频一区二区在线观看| 久久午夜福利片| 在线观看美女被高潮喷水网站| 亚洲内射少妇av| www.色视频.com| 3wmmmm亚洲av在线观看| 亚洲第一区二区三区不卡| 女人久久www免费人成看片| 成年女人在线观看亚洲视频 | 99热这里只有是精品在线观看| 国产精品熟女久久久久浪| 成人无遮挡网站| 久久午夜福利片| 久久97久久精品| 久久ye,这里只有精品| 国产有黄有色有爽视频| 亚洲精品一二三| 午夜福利在线在线| 欧美潮喷喷水| 美女高潮的动态| 国产高清有码在线观看视频| 七月丁香在线播放| 最近最新中文字幕免费大全7| 亚洲国产av新网站| 我的女老师完整版在线观看| 97人妻精品一区二区三区麻豆| 一区二区三区精品91| 国产午夜精品久久久久久一区二区三区| 欧美亚洲 丝袜 人妻 在线| 亚洲一区二区三区欧美精品 | 成人无遮挡网站| 好男人在线观看高清免费视频| 亚洲精品国产av成人精品| 最近中文字幕高清免费大全6| 偷拍熟女少妇极品色| 最后的刺客免费高清国语| av国产久精品久网站免费入址| 国产亚洲最大av| 国产亚洲午夜精品一区二区久久 | 欧美成人精品欧美一级黄| 啦啦啦啦在线视频资源| 狂野欧美激情性bbbbbb| 97热精品久久久久久| 国产亚洲最大av| 国产一区二区在线观看日韩| 国产午夜精品久久久久久一区二区三区| 成人毛片a级毛片在线播放| 亚洲欧美一区二区三区黑人 | 蜜臀久久99精品久久宅男| 午夜福利在线观看免费完整高清在| 女人久久www免费人成看片| 一个人看的www免费观看视频| 人人妻人人澡人人爽人人夜夜| 人人妻人人澡人人爽人人夜夜| 国产白丝娇喘喷水9色精品| 免费av不卡在线播放| 大香蕉久久网| 欧美人与善性xxx| 国产成人一区二区在线| 国产精品99久久久久久久久| 十八禁网站网址无遮挡 | 亚洲精品久久午夜乱码| 欧美性猛交╳xxx乱大交人| 久久97久久精品| videossex国产| 午夜福利视频1000在线观看| 欧美日韩国产mv在线观看视频 | 久久韩国三级中文字幕| 久久人人爽av亚洲精品天堂 | 久久久久九九精品影院| 美女cb高潮喷水在线观看| 国产亚洲精品久久久com| 日韩 亚洲 欧美在线| 青春草国产在线视频| 国产v大片淫在线免费观看| 中文字幕人妻熟人妻熟丝袜美| 国产淫语在线视频| 另类亚洲欧美激情| 国产成人一区二区在线| 99久久九九国产精品国产免费| 全区人妻精品视频| 男女啪啪激烈高潮av片| 午夜福利在线在线| 国产一区二区三区av在线| 欧美bdsm另类| 最新中文字幕久久久久| 啦啦啦在线观看免费高清www| 久久影院123| 免费观看性生交大片5| 成人无遮挡网站| 一本久久精品| 亚洲综合精品二区| av女优亚洲男人天堂| 美女高潮的动态| 国产精品久久久久久久久免| 亚洲图色成人| av在线老鸭窝| 亚洲丝袜综合中文字幕| 在线播放无遮挡| 色网站视频免费| 亚洲精品视频女| 菩萨蛮人人尽说江南好唐韦庄| 午夜激情久久久久久久| 啦啦啦中文免费视频观看日本| 亚洲va在线va天堂va国产| 狂野欧美白嫩少妇大欣赏| 亚洲精品乱码久久久v下载方式| 免费看不卡的av| 插逼视频在线观看| 亚洲精品亚洲一区二区| 亚洲欧洲国产日韩| 少妇的逼好多水| 在线观看国产h片| 卡戴珊不雅视频在线播放| 欧美xxxx性猛交bbbb| 成年av动漫网址| 男女那种视频在线观看| 成人午夜精彩视频在线观看| 日本熟妇午夜| 欧美xxⅹ黑人| 一区二区av电影网| 国产精品三级大全| 91在线精品国自产拍蜜月| 一级毛片我不卡| 久久精品久久久久久久性| 国产91av在线免费观看| 国产精品人妻久久久久久| 色网站视频免费| 成人毛片a级毛片在线播放| 3wmmmm亚洲av在线观看| 777米奇影视久久| 免费大片18禁| 久久午夜福利片| 日本黄色片子视频| 真实男女啪啪啪动态图| 午夜免费男女啪啪视频观看| 免费大片黄手机在线观看| 亚洲欧美精品自产自拍| 2022亚洲国产成人精品| 国产精品秋霞免费鲁丝片| 欧美另类一区| 亚洲高清免费不卡视频| 亚洲精品日本国产第一区| 特大巨黑吊av在线直播| 国产黄色免费在线视频| 男女下面进入的视频免费午夜| 丰满人妻一区二区三区视频av| 男女边吃奶边做爰视频| 国精品久久久久久国模美| 热99国产精品久久久久久7| 国产69精品久久久久777片| 亚洲av成人精品一区久久| 国产伦在线观看视频一区| 人妻夜夜爽99麻豆av| 亚洲天堂av无毛| av又黄又爽大尺度在线免费看| 久久人人爽av亚洲精品天堂 | 最近手机中文字幕大全| 麻豆乱淫一区二区| 在线观看人妻少妇| 中国美白少妇内射xxxbb| 国产精品一区二区三区四区免费观看| 欧美精品人与动牲交sv欧美| 日韩中字成人| 亚洲内射少妇av| 精品久久久久久久末码| 日韩一区二区三区影片| 精品人妻一区二区三区麻豆| 91精品一卡2卡3卡4卡| 夫妻性生交免费视频一级片| 日韩av在线免费看完整版不卡| 草草在线视频免费看| 偷拍熟女少妇极品色| 久久久色成人| 国产91av在线免费观看| 波多野结衣巨乳人妻| 久久久久久久久久人人人人人人| 国产爱豆传媒在线观看| 免费av毛片视频| 天美传媒精品一区二区| 熟女人妻精品中文字幕| 中文字幕免费在线视频6| 亚洲av中文字字幕乱码综合| 三级男女做爰猛烈吃奶摸视频| 国产精品福利在线免费观看| 2018国产大陆天天弄谢| 国产免费一区二区三区四区乱码| 秋霞在线观看毛片| av在线老鸭窝| 日韩,欧美,国产一区二区三区| 亚洲精品亚洲一区二区| 国产成人精品婷婷| 嫩草影院入口| 亚洲精品中文字幕在线视频 | 久久久午夜欧美精品| 国产精品国产三级国产av玫瑰| 女人十人毛片免费观看3o分钟| 少妇 在线观看| 精品一区二区三卡| 最近中文字幕2019免费版| 欧美日韩在线观看h| 精品一区在线观看国产| 高清欧美精品videossex| 九九爱精品视频在线观看| 欧美高清成人免费视频www| 国内精品美女久久久久久| 男女下面进入的视频免费午夜| 在线观看国产h片| 国产淫片久久久久久久久| 国产综合懂色| h日本视频在线播放| 亚洲精品自拍成人| 久久久久久伊人网av| 亚洲aⅴ乱码一区二区在线播放| 久久久久精品性色| 色视频www国产| 亚洲图色成人| 一级毛片aaaaaa免费看小| 你懂的网址亚洲精品在线观看| 国内揄拍国产精品人妻在线| 校园人妻丝袜中文字幕| 久久99热6这里只有精品| 另类亚洲欧美激情| 欧美三级亚洲精品| 搡女人真爽免费视频火全软件| 深爱激情五月婷婷| 欧美xxxx性猛交bbbb| 精品久久久久久久人妻蜜臀av| 亚洲av欧美aⅴ国产| 欧美精品国产亚洲| 最后的刺客免费高清国语| 精品亚洲乱码少妇综合久久| 人人妻人人爽人人添夜夜欢视频 | 91久久精品国产一区二区成人| 亚洲精品中文字幕在线视频 | 久久久成人免费电影| 免费大片18禁| 成年免费大片在线观看| 国产精品99久久久久久久久| 婷婷色麻豆天堂久久| 黑人高潮一二区| 午夜福利视频1000在线观看| 中文在线观看免费www的网站| av天堂中文字幕网| eeuss影院久久| 国产高清有码在线观看视频| 在线免费观看不下载黄p国产| 老师上课跳d突然被开到最大视频| 白带黄色成豆腐渣| 亚洲av成人精品一二三区| av在线播放精品| 青春草国产在线视频| 成人午夜精彩视频在线观看| 国产免费福利视频在线观看| 大码成人一级视频| 春色校园在线视频观看| 日日啪夜夜爽| 各种免费的搞黄视频| 亚洲,一卡二卡三卡| a级毛色黄片| 亚洲精华国产精华液的使用体验| 成人毛片a级毛片在线播放| 九色成人免费人妻av| 乱系列少妇在线播放| 秋霞伦理黄片| 国产免费一级a男人的天堂| 黑人高潮一二区| 国产在视频线精品| av黄色大香蕉| 国产精品一区二区在线观看99| 成人国产麻豆网| 国精品久久久久久国模美| 亚洲av不卡在线观看| 精品少妇黑人巨大在线播放| 国产 一区精品| 在线观看美女被高潮喷水网站| 又爽又黄无遮挡网站| 91狼人影院| 国产 一区精品| 午夜亚洲福利在线播放| 婷婷色av中文字幕| 午夜免费观看性视频| 九九在线视频观看精品| 国产伦精品一区二区三区视频9| 一级毛片我不卡| 亚洲人成网站高清观看| 插逼视频在线观看| 99热网站在线观看| 亚洲高清免费不卡视频| 国产乱人偷精品视频| 肉色欧美久久久久久久蜜桃 | 欧美3d第一页| 伦精品一区二区三区| 亚洲成人中文字幕在线播放| 免费观看性生交大片5| 成人亚洲精品av一区二区| 免费看不卡的av| 亚洲精品久久久久久婷婷小说| 国产亚洲最大av| 97精品久久久久久久久久精品| 国产午夜精品一二区理论片| 午夜福利高清视频| 日韩av免费高清视频| 午夜爱爱视频在线播放| 黄色欧美视频在线观看| 两个人的视频大全免费| 一边亲一边摸免费视频| 精品一区二区三区视频在线| 小蜜桃在线观看免费完整版高清| 午夜福利在线在线| 午夜亚洲福利在线播放| 国产爽快片一区二区三区| h日本视频在线播放| 草草在线视频免费看| videossex国产| 精品亚洲乱码少妇综合久久| 波野结衣二区三区在线| 亚洲美女视频黄频| 卡戴珊不雅视频在线播放| 国产大屁股一区二区在线视频| 亚洲精品aⅴ在线观看| 大片电影免费在线观看免费| 中文乱码字字幕精品一区二区三区| 国产成人a区在线观看| 国产爱豆传媒在线观看| 我要看日韩黄色一级片| 欧美成人精品欧美一级黄| 亚洲成人av在线免费| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 五月天丁香电影| 成人午夜精彩视频在线观看| 婷婷色麻豆天堂久久| 一级毛片久久久久久久久女| 香蕉精品网在线| 国产高清不卡午夜福利| www.色视频.com| 中文乱码字字幕精品一区二区三区| 欧美潮喷喷水| 91午夜精品亚洲一区二区三区| 激情 狠狠 欧美| 美女视频免费永久观看网站| 亚洲色图av天堂| 一本色道久久久久久精品综合| 国产精品熟女久久久久浪| 成人午夜精彩视频在线观看| 久久国产乱子免费精品| 黄色怎么调成土黄色| 国产在线一区二区三区精| 99视频精品全部免费 在线| 黑人高潮一二区| 禁无遮挡网站| 国产精品人妻久久久久久| 中文欧美无线码| 亚洲欧美日韩卡通动漫| av黄色大香蕉| 边亲边吃奶的免费视频| 天美传媒精品一区二区| 亚洲精品乱码久久久v下载方式| 网址你懂的国产日韩在线| 亚洲精品乱久久久久久| 51国产日韩欧美| 免费大片黄手机在线观看| 国产伦精品一区二区三区视频9| 久久久色成人| 看黄色毛片网站| 黄片wwwwww| 99久国产av精品国产电影| 日韩视频在线欧美| 久久99精品国语久久久| 91精品伊人久久大香线蕉| 真实男女啪啪啪动态图| 91午夜精品亚洲一区二区三区| 国产亚洲最大av| 特大巨黑吊av在线直播| 高清午夜精品一区二区三区| 成人特级av手机在线观看| 99热这里只有精品一区| 麻豆久久精品国产亚洲av| 女人十人毛片免费观看3o分钟| 日韩视频在线欧美| 一区二区av电影网| 51国产日韩欧美| 99久久九九国产精品国产免费| 一级毛片 在线播放| 久久久久国产精品人妻一区二区| 亚洲,欧美,日韩| 美女国产视频在线观看| 乱系列少妇在线播放| 成人高潮视频无遮挡免费网站| 亚洲国产av新网站| 亚洲国产精品成人久久小说| 国产精品一区二区三区四区免费观看| 亚洲av.av天堂| 下体分泌物呈黄色| 久久久久性生活片| 国产伦在线观看视频一区| 男女下面进入的视频免费午夜| 亚洲精品日本国产第一区| 99re6热这里在线精品视频| 精品久久久久久电影网| 好男人在线观看高清免费视频| 伊人久久精品亚洲午夜| 国产成人精品婷婷| 婷婷色av中文字幕| 亚洲电影在线观看av| 少妇裸体淫交视频免费看高清| 国产乱人偷精品视频| freevideosex欧美| 久久韩国三级中文字幕| 午夜免费观看性视频| 亚洲美女视频黄频| 亚洲欧美一区二区三区国产| 国产白丝娇喘喷水9色精品| 亚州av有码| 蜜桃亚洲精品一区二区三区| 国产有黄有色有爽视频| 我要看日韩黄色一级片| 涩涩av久久男人的天堂| 日产精品乱码卡一卡2卡三| 99久国产av精品国产电影| 亚洲,欧美,日韩| 在线观看三级黄色| 成人二区视频| av在线蜜桃| 国精品久久久久久国模美| 午夜精品一区二区三区免费看| 日本色播在线视频| 国产精品一区www在线观看| 看十八女毛片水多多多| 国产av不卡久久| 国产精品蜜桃在线观看| 成人毛片a级毛片在线播放| 一区二区三区四区激情视频| a级一级毛片免费在线观看| 精品国产三级普通话版| 97精品久久久久久久久久精品| 91狼人影院| 国产女主播在线喷水免费视频网站| 国产免费一级a男人的天堂| 2021天堂中文幕一二区在线观| 成人毛片a级毛片在线播放| 国产精品一区二区三区四区免费观看| 精品国产露脸久久av麻豆| 久久久亚洲精品成人影院| 91久久精品国产一区二区三区| 干丝袜人妻中文字幕| 寂寞人妻少妇视频99o| 亚洲,一卡二卡三卡| 久久久精品免费免费高清| 搡女人真爽免费视频火全软件| 亚洲国产高清在线一区二区三| 成年版毛片免费区| 夫妻午夜视频| 亚洲天堂国产精品一区在线| 国产精品福利在线免费观看| 国产精品嫩草影院av在线观看| 不卡视频在线观看欧美| 大片电影免费在线观看免费| 成年av动漫网址| 久久99精品国语久久久| 色婷婷久久久亚洲欧美| 亚洲经典国产精华液单| 青春草亚洲视频在线观看| 精品久久久噜噜| 国产精品久久久久久精品电影| 干丝袜人妻中文字幕| 亚洲精品亚洲一区二区| 一本一本综合久久| 欧美激情久久久久久爽电影| 久久久久久久午夜电影| 国产精品麻豆人妻色哟哟久久| 精华霜和精华液先用哪个| 免费黄色在线免费观看| 制服丝袜香蕉在线| 插阴视频在线观看视频| 岛国毛片在线播放| 久久久精品欧美日韩精品| 亚洲在线观看片| 又大又黄又爽视频免费| 性色av一级| 亚洲精品aⅴ在线观看| videossex国产| 色5月婷婷丁香| 久久久久久久午夜电影| 国产成人a区在线观看| 久久久成人免费电影| 久热久热在线精品观看| 日韩av不卡免费在线播放| 成人无遮挡网站| 国产成人freesex在线| 中文精品一卡2卡3卡4更新| 直男gayav资源| 3wmmmm亚洲av在线观看| 国产精品久久久久久精品古装| 午夜福利在线在线| 久久久久精品性色| 日本-黄色视频高清免费观看| 欧美成人一区二区免费高清观看| 精品酒店卫生间| 免费大片18禁| 欧美变态另类bdsm刘玥| 精品久久久久久久久av| 真实男女啪啪啪动态图| 国产成人免费观看mmmm| 亚洲国产成人一精品久久久| 街头女战士在线观看网站| 韩国av在线不卡| 男女啪啪激烈高潮av片| 亚洲国产色片| 我的老师免费观看完整版| 亚洲综合精品二区| 最近中文字幕2019免费版| 色播亚洲综合网| 天天一区二区日本电影三级| 免费大片18禁| 人人妻人人爽人人添夜夜欢视频 | 婷婷色av中文字幕| 男女啪啪激烈高潮av片| 男人爽女人下面视频在线观看| 三级国产精品欧美在线观看| 亚洲最大成人手机在线| 久久女婷五月综合色啪小说 | 高清毛片免费看| 日韩精品有码人妻一区| 国产欧美日韩一区二区三区在线 | 久久久精品94久久精品| 午夜视频国产福利| 啦啦啦在线观看免费高清www| 亚洲人成网站高清观看| 亚洲一级一片aⅴ在线观看| 亚洲天堂国产精品一区在线| 免费av毛片视频| 免费黄频网站在线观看国产| 亚洲怡红院男人天堂| av线在线观看网站| 亚洲伊人久久精品综合| 直男gayav资源| 亚洲综合色惰| videos熟女内射| 亚洲一级一片aⅴ在线观看| 久久久a久久爽久久v久久| 国产欧美另类精品又又久久亚洲欧美| 精品人妻一区二区三区麻豆| 亚洲国产精品专区欧美| 中文字幕人妻熟人妻熟丝袜美| 亚洲综合色惰| 国产综合懂色| 亚洲精品色激情综合| 黄色欧美视频在线观看| xxx大片免费视频| 精品久久久噜噜| 精品久久国产蜜桃| 少妇的逼水好多| 中国国产av一级| 久久久久国产网址| 少妇猛男粗大的猛烈进出视频 | 日本av手机在线免费观看| 一个人看视频在线观看www免费| 日本爱情动作片www.在线观看| 在线精品无人区一区二区三 | 国精品久久久久久国模美| 伦理电影大哥的女人| 天天躁日日操中文字幕| 人体艺术视频欧美日本| 成人无遮挡网站| 免费观看av网站的网址| 丝袜脚勾引网站| 一区二区三区精品91| 嘟嘟电影网在线观看| 久久精品国产自在天天线| 亚洲精品一区蜜桃| 国产精品久久久久久精品电影| 亚洲人成网站高清观看| 午夜激情久久久久久久| 日韩欧美一区视频在线观看 | 精品国产一区二区三区久久久樱花 | 国产69精品久久久久777片| 国产黄频视频在线观看| 欧美 日韩 精品 国产| 亚洲av成人精品一二三区| 日日啪夜夜爽| 亚洲av男天堂| 日韩电影二区| 综合色av麻豆| 亚洲在久久综合| 久久97久久精品| 国产高清不卡午夜福利| 亚洲av免费高清在线观看| 日韩人妻高清精品专区| 免费黄色在线免费观看| 自拍偷自拍亚洲精品老妇| 在线亚洲精品国产二区图片欧美 | 久久久久久国产a免费观看| 亚洲精华国产精华液的使用体验| 深爱激情五月婷婷| 黄色一级大片看看| 18禁裸乳无遮挡免费网站照片| 在线看a的网站| 亚洲精品成人av观看孕妇| 国产 一区精品| 免费黄网站久久成人精品| 97超视频在线观看视频| av专区在线播放| 舔av片在线| 看免费成人av毛片| 亚洲国产最新在线播放| 国产男女超爽视频在线观看| 国内精品宾馆在线| 亚洲精品乱码久久久久久按摩| 美女视频免费永久观看网站| 久久99热这里只有精品18| 国产淫语在线视频| 青青草视频在线视频观看|