• <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 ?

    基于機器學習的貸款違約風險預測

    2021-08-30 11:03:24張佳倩阮素梅
    關鍵詞:樸素借款人貝葉斯

    張佳倩,李 偉,阮素梅

    (安徽財經(jīng)大學金融學院,安徽蚌埠,233030)

    一、引言

    隨著經(jīng)濟的發(fā)展,公眾對貸款的需求越來越大。央行數(shù)據(jù)顯示,截止2020年2月,全國總貸款量為1 630 709.2億元,其中大型商業(yè)銀行貸款總量為749 435.34億元;全國小型商業(yè)銀行的貸款總量為748 799.3億元,占全國總貸款量的91.8%。同比往期數(shù)據(jù),居民和企業(yè)的貸款需求呈大幅增長、穩(wěn)步上升的趨勢。大量的貸款需求使得除了銀行、信用社等傳統(tǒng)的放貸機構,一些網(wǎng)絡借貸平臺也應運而生,如P2P,這種直接融資模式的誕生拓寬了傳統(tǒng)貸款渠道,彌補了新時代下傳統(tǒng)金融機構的不足。

    在這樣的背景下,仍有一部分公眾因為沒有信用記錄、記錄不全、資料有誤無法核實等而難以獲得貸款,從而被不可靠的放貸人利用。商業(yè)銀行是我國金融市場的主要放貸主體,貸款業(yè)務是其主要贏利手段和高風險項目之一。不良貸款率增加會導致銀行信用風險提高,每一筆貸款的風險控制情況最終會影響銀行營運、償付能力。因此,銀行必須建立一種有效機制提高對借款人按時還貸的預測能力,在有效降低不良貸款率和信用風險的基礎上為無信用記錄或記錄不足的人群提供貸款。

    過去銀行等傳統(tǒng)金融業(yè)對貸款業(yè)務的評估主要依靠5C分類法和經(jīng)驗判斷法,效率較低,且過于依賴審核人員的主觀判斷。因此,傳統(tǒng)的資信審查和風控模式逐漸無法滿足日益增長的龐大貸款需求。機器學習能夠在短時間內對大量數(shù)據(jù)多次模擬訓練達到理想效果。銀行等貸款機構利用機器學習算法,結合借款人提交的信息和各種替代數(shù)據(jù)來預測客戶的還款能力,既可以為銀行構建智能風控模型,又可以為因征信信息不足等原因無法獲得貸款但實際具有還款能力的公眾提供便利。故本文選取Kaggle大賽中的Home Credit Default Risk中的樣本數(shù)據(jù)進行研究,采用機器學習的方法,建立隨機森林、邏輯回歸、XGBoost和樸素貝葉斯等模型,分析樸素貝葉斯方法對貸款違約風險的預測準確率是否更高,并進一步分析幾種模型的優(yōu)劣。

    二、文獻回顧

    貸款違約預測是業(yè)界長期關注的重要問題,已有眾多學者對此進行研究,并將取得的理論模型應用于銀行實踐。最初主要用傳統(tǒng)的統(tǒng)計類方法結合專家的個人經(jīng)驗進行預測,20世紀80年代學者們對模型應用的擴展到新興的機器學習領域。

    Malekipirbazari(2015)等將隨機森林模型運用于信用風險評估領域,結果表明該模型能夠有效識別違約貸款。[1]Guo等(2016)為了與已有的評級模型進行比較,基于Logistic模型和核回歸模型建立貸款風險評級模型,結果表明改進的模型能更準確地評估出貸款風險。[2]劉開元(2016)選用商業(yè)銀行汽車信貸數(shù)據(jù),建立隨機森林、邏輯回歸、決策樹和BP神經(jīng)網(wǎng)絡進行貸款違約預測,實驗結果顯示邏輯回歸模型表現(xiàn)最優(yōu)。[3]郭曉云(2017)為幫助P2P平臺辨別貸款風險得到最優(yōu)貸款組合,建立支持向量機模型對貸款樣本進行分類。[4]阮素梅(2017)運用P2P網(wǎng)貸數(shù)據(jù)建立支持向量機與決策樹模型,實驗結果表明決策樹能獲得更高預測準確率。[5]陳耀飛等(2017)通過對比Logistic回歸和GBDT等算法,發(fā)現(xiàn)XGBoost模型表現(xiàn)最優(yōu),不僅預測效果最好且訓練速度最快。[6]舒揚等(2017)選用Logistic模型和Probit模型在汽車貸款領域進行違約預測,結果顯示Logistic模型更適用于貸款違約預測。[7]涂艷等(2018)發(fā)現(xiàn)隨機森林、神經(jīng)網(wǎng)絡和決策樹算法用于P2P網(wǎng)絡借貸違約風險預警能有效識別高風險借款人。[8]Ma Xiaojun(2018)等分別建立LightGBM模型對貸款違約原因進行分析,并建立貸款信用評級模型,發(fā)現(xiàn)LightGBM模型均有較好的表現(xiàn)[9-10]。Sing等人(2018)發(fā)現(xiàn)深度學習模型比傳統(tǒng)模型在風險評估方面更具優(yōu)勢。[11]李天陽等(2020)在傳統(tǒng)的二分類Logistic模型上進行改進,發(fā)現(xiàn)基于加權懲罰Logistic模型對于貸款違約預測起到重要作用。[12]張春杰(2020)選取Lending Club中97個特征變量構建基于卷積神經(jīng)網(wǎng)絡的貸款違約預測模型,結果顯示卷積神經(jīng)網(wǎng)絡比傳統(tǒng)模型評估更準確。[13]陶艷麗(2020)引進改進的隨機森林模型,解決決策樹分類效果差的問題,結果顯示改進的隨機森林模型更適應于個人信用評估。[14]

    文獻研究發(fā)現(xiàn),機器學習模型在違約預測和風險評估方面,比傳統(tǒng)模型表現(xiàn)出更高的預測精度和穩(wěn)定性。但其中選用XGBoost、隨機森林、SVM和神經(jīng)網(wǎng)絡的較多,少有嘗試用貝葉斯模型來進行違約預測或風險評估分類。因此,本研究建立隨機森林、邏輯回歸、XGBoost和樸素貝葉斯模型,比較不同算法在貸款違約預測領域的預測準確率,探索樸素貝葉斯模型是否更優(yōu),并分析影響違約概率的因素。

    三、研究設計

    (一)數(shù)據(jù)來源與處理

    1.數(shù)據(jù)來源

    使用Home Credit提供的數(shù)據(jù)進行實驗,共有307 511個樣本。考慮到變量的重要性、相關性以及維數(shù)爆炸等因素,選擇70個變量,其中包括借款人貸款類型、性別、子女人數(shù)、收入狀況、貸款申請額、貸款年金、消費貸款的商品實際價格、借款人收入類型、受教育情況、職務、年齡、聯(lián)系方式、婚姻狀況、居住狀況、居住地人口密集度、Home Credit對申請人居住區(qū)域的評分等級、借款人工作所屬組織類型、外部數(shù)據(jù)源(1、2、3)的標準化評分、借款人居住環(huán)境各項指標的標準化評分等。其中借款人還款風險包括還款風險高和還款風險低兩類,這里將1視為未按時償還貸款,0視為按時償還貸款。樣本中部分主要變量分布情況如表1所示。

    表1 描述性統(tǒng)計

    2.數(shù)據(jù)預處理

    數(shù)據(jù)預處理主要是對缺失值和異常值的處理使其能夠滿足建模要求。首先是缺失值,變量的缺失值占比超過60%,則對預測結果的精確度產(chǎn)生較大影響,考慮將這些變量刪除;占比低于60%的變量,如 EXT_SOURCE_2、EXT_SOURCE_3和 AMT_GOODS_PRICE等數(shù)值型變量,采用中位數(shù)對空缺值進行補充,如OCCUPATION_TYPE、NAME_TYPE_SUITE屬于類別變量,則將缺失值定義為一個新的類別。由于現(xiàn)階段特征尚未構建完畢,因此缺失值部分暫時只對變量維度的缺失情況進行考察。異常值問題是針對數(shù)值型數(shù)據(jù)的合理性,主要檢測數(shù)據(jù)是否存在邏輯錯誤或特殊情況。觀察發(fā)現(xiàn)數(shù)值型變量DAYS_EMPLOYED出現(xiàn)異常,最大值為1 000年。嘗試對DAYS_EMPLOYED的異常值與非異常值總體違約情況進行分析,發(fā)現(xiàn)異常和非異常值的違約率之比為1∶1.6,異常值對違約率沒有明顯影響。所以將異常值作為缺失值處理,采用中位數(shù)進行填充,并定義新的一列告訴模型這些數(shù)據(jù)最初是異常的。

    (二)數(shù)據(jù)探索分析

    經(jīng)過以上處理,初步構建了一個適合模型訓練的數(shù)據(jù)集,但是由于各變量與目標變量之間的相關性不同,變量預測能力參差不齊,采用相關性分析法對變量之間的關系進行分析。在所選取的變量中,DAYS_BIRTH與目標變量之間表現(xiàn)出最強的正相關性為0.078 2。為了方便觀察,DAYS_BIRTH除以365天換成Age表示(如圖1),發(fā)現(xiàn)隨著貸款申請人年齡的增長,其表現(xiàn)出的違約風險越低,年齡最小的三組的違約率高于1%,DAYS_BIRTH最大的組違約率低于0.5%,表明年輕借款人的違約傾向比年長借款人高。

    圖1 隨年齡增加貸款違約情況

    根據(jù)相關性分析,與目標的負相關性最強的三個 變 量 是 EXT_SOURCE_1、EXT_SOURCE_2和EXT_SOURCE_3。DAYS_BIRTH與EXT_SOURCE_1的相關系數(shù)為0.6,表現(xiàn)出較強的正相關性,說明借款人年齡可能是該評分中的一個主要因素。為了嘗試提高模型的訓練效果,采用特征組合方法,將EXT_SOURCE_1、EXT_SOURCE_2、EXT_SOURCE_3和DAYS_BIRTH四個變量進行組合形成交互項,采用3階為最高階數(shù)形成了35個新變量,發(fā)現(xiàn)與原始變量相比,形成的新組合變量表現(xiàn)出更強的相關性,相關系數(shù)為-0.193 9。在構建模型時,本文將嘗試使用和不使用這些新變量,以確定它們是否有助于模型學習。

    (三)評價指標

    為了使得到的模型訓練效果方便進行比較分析,本文選用AUC、準確率和召回率來量化模型性能。

    AUC是二分類模型使用的主要評測指標之一,由接受者工作特征曲線(ROC)下的面積計算,可用于評估模型的整體能力。值通常在0.5到1之間,越大則分類器正確率越高。

    準確率(accuracy)是二分類問題中的另一常用指標,是分類正確、錯誤的樣本之和與總樣本數(shù)之比(混淆矩陣見表2),準確率越高則模型預測越準確,準確率的公式見式(1):

    表2 違約預測模型的混淆矩陣

    召回率(recall)同樣經(jīng)常用于二分類問題。召回率表現(xiàn)為分類器能預測準確的正例數(shù)占實際正例數(shù)的多少,可理解為查全率。召回率越高則模型表現(xiàn)出更好的訓練性能,其公式見式(2):

    (四)模型構建

    1.隨機森林模型(Random Forest)

    隨機森林模型以決策樹為基學習器構建Bag?ging集成,在訓練過程中引入隨機屬性選擇。隨機森林模型中基學習器具有的多樣性來自樣本擾動和屬性擾動,最終集成的泛化性能通過不同個體學習器之間差異的增加而提升,從而有效防止過擬合。其能夠處理很高維數(shù)據(jù)且訓練速度很快,即使遺失大部分特征,仍可以維持較高的準確率。

    2.邏輯回歸模型(Logistic Regression)

    邏輯回歸模型是最經(jīng)典的二分類模型,在線性分類問題中應用廣泛,對變量要求較低,具有廣泛的適應性。邏輯回歸是一個條件概率模型,見下式:

    其中x∈Rn是輸入,Y∈{0,1}是輸出,w∈Rn,w稱為權值向量。邏輯回歸根據(jù)式(3)和式(4)求出的結果,將樣本分到概率較大的類別。

    3.XGBoost模型

    XGBoost是Boosting算法的一個提升,以CART樹中的回歸樹作為基分類器,給定訓練數(shù)據(jù)后其單個樹的結構基本可以確定。XGBoost也是CART樹的一種加法模型,將t-1棵樹組合模型產(chǎn)生的誤差作為參考建立第t棵樹,每加入一棵樹其損失函數(shù)不斷降低,可以通過特征的列采集防止過擬合。它的預測模型為:

    損失函數(shù)為:

    其中K為樹的總個數(shù),fk表示第k棵樹,i表示樣本xi的預測結果,為樣本xi的訓練誤差,Ω(fk)表示第k棵樹的正則項。Obj又稱結構分數(shù),是一個類似基尼系數(shù)的對樹結構進行打分的函數(shù),分數(shù)越小代表樹的結構越好。

    4.高斯樸素貝葉斯(GaussianNB)

    樸素貝葉斯模型是基于貝葉斯定理與特征條件獨立假設的分類方法,特點是結合先驗概率和后驗概率,避免只使用先驗概率的主觀偏見,也避免單獨使用樣本信息的過擬合現(xiàn)象,在樣本量較大的情況下與其他分類方法相比具有最小的誤差率。樸素貝葉斯的判定準則為:

    其中d為屬性數(shù)目,xi為x在第i個屬性上的取值,y={c1,c2,…,cN}表示N種可能的類別標記。P(c)是先驗概率,P(x|c)是類別c的條件概率。本文在這里選取高斯樸素貝葉斯分類器作為模型進行訓練,即P(xi,c)服從這樣的高斯分布,所以P(xi,c)的概率密度函數(shù)為:

    其中μc,i和分別是第c類樣本在第i個屬性上取值的均值和方差。

    在機器學習所有的分類算法中,樸素貝葉斯和其他絕大多數(shù)的分類算法不同。大多數(shù)的分類算法比如決策樹、邏輯回歸、支持向量機等都屬于判別方法,即直接學習出特征,輸出Y和特征X之間的關系,要么是決策函數(shù)Y=f(X),要么是條件分布P(Y|X)。但樸素貝葉斯是生成類方法,即直接找出特征輸出Y和特征X的聯(lián)合分布P(X,Y),然后用P(Y|X)=P(X,Y)/P(X)得出結果。故選用樸素貝葉斯建模,探索分析生成類算法是否比判別類算法表現(xiàn)更優(yōu)。樸素貝葉斯模型所需估計的參數(shù)很少,對缺失數(shù)據(jù)不敏感,不僅算法簡單,對小規(guī)模的數(shù)據(jù)表現(xiàn)較好,且能很好地處理分類任務。本文數(shù)據(jù)來源于Kaggle大賽,為不平衡數(shù)據(jù),為了減少其帶來的影響,選用貝葉斯中的高斯貝葉斯模型。高斯貝葉斯是用各個類別的樣本去極大似然估計出高斯分布的均值和方差,使模型訓練準確率受樣本影響較小。

    四、實證結果與分析

    學者曾將違約預測進行研究探索時所用的方法分為兩大類:一類是普通的統(tǒng)計分類模型,如線性判別分析、Probit回歸、因子分析等;另一類是機器學習算法,如決策樹、隨機森林、神經(jīng)網(wǎng)絡等。為了探索生成類模型樸素貝葉斯是否更適用于貸款違約預測,選取隨機森林模型、邏輯回歸模型、XG?Boost模型與高斯樸素貝葉斯模型進行對比分析。

    (一)基于隨機森林分析

    首先嘗試在隨機森林模型的訓練集中加入35個交互項,根據(jù)模型的實證結果,發(fā)現(xiàn)隨機森林模型訓練的AUC評分為0.678,而未加入交互項的隨機森林模型的訓練結果的AUC評分為0.676,見表3。AUC的值越大,表明模型的擬合效果越好,根據(jù)實驗結果發(fā)現(xiàn),加入新變量未使模型的預測能力明顯提高。基于上文分析可知,EXT_SOURCE_1和DAYS_BIRTH存在較強的正相關性,使得它們組成的交互項沒能給模型提供有意義的參考。

    表3 新變量加入前后模型AUC評分

    (二)基于邏輯回歸模型分析

    本文構建了多個模型進行對比,用AUC、準確率和召回率作為評估標準對模型進行評估。根據(jù)上文所述,新變量對模型的擬合能力沒有明顯的改善,為了減少維數(shù)提高模型的擬合能力,以后的訓練中不再加入新變量。根據(jù)實驗結果,邏輯回歸模型訓練的AUC評分為0.597,準確率和召回率分別為0.623和0.109。與未加入新變量的隨機森林模型對比,邏輯回歸模型的AUC評分、準確率和召回率都比隨機森林要低,其中準確率表現(xiàn)出的差距最大,兩者相差0.276,說明隨機森林模型比邏輯回歸模型表現(xiàn)出更優(yōu)的性能。

    圖2 隨機森林模型的ROC曲線

    圖3 邏輯回歸模型的ROC曲線

    (三)基于XGBoost模型分析

    作為一個基于決策樹的梯度提升算法,XGBoost可以自動補全缺失值并獲取特征重要性,從而有效地進行特征的篩選,提高模型的擬合能力。通過實證結果(如圖4):EXT_SOURCE_2、EXT_SOURCE_3、EDUCATION_TYPE(受教育程度)、GENDER、IN?COME_TYPE(收入類型)、ORGANIZATION_TYPE(工作群體)、CONTRACT_TYPE(貸款類型)、EXT_SOURCE_1、FAMILY_STATUS(家庭情況)、FLAG_OWN(抵押品)等特征在預測借款人是否會產(chǎn)生違約行為中是最重要的,與日常生活經(jīng)驗相符。由上文EXT_SOURCE_1、EXT_SOURCE_2和EXT_SOURCE_3是根據(jù)借款人的資料打出的標準化評分,評分越高,借款人越傾向于還貸。INCOME_TYPE、ORGANI?ZATION_TYPE和OCCUPATION_TYPE在一定程度上能反映借款人的財富積累情況,代表著其對貸款償還能力的大小。最終得到XGBoost模型的AUC評分為0.738,準確率和召回率分別為0.668和0.154。

    圖4 特征重要性排序

    (四)基于高斯樸素貝葉斯分析

    由前文的分析,已知借款人是否違約主要由INCOME、EXT_SOURCE_2、EXT_SOURCE_3、OC?CUPATION_TYPE等11個特征決定,其他特征也能產(chǎn)生一定影響,而組合成的35個交互項特征對模型預測優(yōu)化影響甚微。所以本文用高斯樸素貝葉斯分類器進行模型訓練時,從數(shù)據(jù)源中剔除35個組合變量。根據(jù)實證結果,高斯樸素貝葉斯分類器擬合訓練的AUC評分為0.605,準確率和召回率分別為0.899和0.082。

    圖5 XGBoost模型的ROC曲線

    圖6 高斯樸素貝葉斯模型的ROC曲線

    (五)模型結果評價

    由表4可知,根據(jù)AUC評分來看,XGBoost模型表現(xiàn)最優(yōu),比評分最低的邏輯回歸模型高0.141。準確率最高的模型是高斯樸素貝葉斯為0.899,最低的是邏輯回歸模型為0.623,樸素貝葉斯模型的準確率提高了44.3%。XGBoost模型的召回率最高為0.154,高斯樸素貝葉斯模型的召回率最低為0.082。綜合四個模型的三個評估指標結果,不難發(fā)現(xiàn)XGBoost模型在三個指標評分中綜合表現(xiàn)最好,而高斯樸素貝葉斯模型雖然準確率較高,但AUC和召回率相對較低。綜上,可以認為高斯貝葉斯模型在貸款違約預測問題上表現(xiàn)不是特別好。

    表4 四種算法的訓練結果對比

    五、結論與啟示

    本文采用隨機森林模型、邏輯回歸模型、XG?Boost模型和高斯樸素貝葉斯模型,選用Home Credit提供的客戶數(shù)據(jù)進行貸款違約預測,并根據(jù)XG?Boost特征重要性排序結果,嘗試對違約原因進行分析,發(fā)現(xiàn)除了EXT_SOURCE_2和EXT_SOURCE_3,對貸款違約影響最大的因素是借款人的性別、年齡、工作、家庭、受教育程度、收入狀況等??偨Y如下:

    第一,研究結論對貸款違約預測的模型、特征的選擇有重要啟示。相比判別類模型,生成類模型高斯樸素貝葉斯沒有表現(xiàn)出更優(yōu)的預測能力。而作為樹模型的隨機森林和XGBoost相比表現(xiàn)更好。加入35個交互項未能使模型預測能力得到很大提升,在以后的實驗中,可以不考慮這些變量,并采用樹模型對貸款違約預測做進一步嘗試。

    第二,研究結論對貸款業(yè)務發(fā)展有重要啟示。年長、女性群體通常比年輕、男性群體更偏向于按時還貸,現(xiàn)實中年長、女性群體更偏好風險規(guī)避,避免自身陷入財務危機。近年,女性群體的消費能力逐漸提升,貸款機構可根據(jù)女性消費、風險特征推出專項消費信貸。年輕群體雖更傾向于逾期還貸,但貸款機構應為其提供更多指導或財務計劃提示來幫助年輕客戶按時還貸,而不是拒絕放貸。

    第三,研究結論對貸款審查項目有重要啟示。受教程度高、高薪職業(yè)群體誠信意識更強,高就業(yè)率、較強的專業(yè)技能和工作能力、高水平收入使其未來的收入更樂觀,為按時還貸提供了有力的資金支持。貸款機構在進行貸款資格審查時增強學歷學位影響因子占比,核驗借款人真實學歷水平,能更有效地對借款人的違約概率進行評估。

    第四,研究結論對提高貸款違約預測準確率有重要啟示。已婚、有子女貸款群體傾向于按時還貸,他們通常比未婚借款人更具穩(wěn)定性,有較為固定的居住、工作場所。且夫妻雙方均有收入,另一方無形充當了擔保人角色。貸款機構在對借款人進行資格審查時,可調研已婚借款人夫妻雙方的收入水平,從而更精準地判斷借款人違約可能性。

    猜你喜歡
    樸素借款人貝葉斯
    隔離樸素
    樸素的安慰(組詩)
    四川文學(2020年11期)2020-02-06 01:54:30
    他是那樣“笨拙”和樸素——30多年后,我們?yōu)槭裁催€需要讀路遙?
    當代陜西(2019年23期)2020-01-06 12:18:04
    鄉(xiāng)城流動借款人信用風險與空間收入差異決定
    最神奇最樸素的兩本書
    當代陜西(2019年9期)2019-05-20 09:47:38
    小微企業(yè)借款人
    貝葉斯公式及其應用
    基于貝葉斯估計的軌道占用識別方法
    商業(yè)銀行對借貸人貸后監(jiān)控與風險治理
    一種基于貝葉斯壓縮感知的說話人識別方法
    電子器件(2015年5期)2015-12-29 08:43:15
    在线免费十八禁| 国产午夜精品一二区理论片| 日本黄大片高清| 视频区图区小说| 欧美性猛交╳xxx乱大交人| 2021少妇久久久久久久久久久| 亚洲久久久久久中文字幕| 国产精品国产av在线观看| 亚洲欧美一区二区三区黑人 | 在线a可以看的网站| 免费看不卡的av| 久久鲁丝午夜福利片| 亚洲精品一二三| 久久久久久久久久成人| 白带黄色成豆腐渣| 日韩,欧美,国产一区二区三区| 大陆偷拍与自拍| 精品国产露脸久久av麻豆| 身体一侧抽搐| 亚洲精品自拍成人| 国产 一区精品| 亚洲av男天堂| 国产精品三级大全| 精品久久国产蜜桃| 亚洲色图综合在线观看| 噜噜噜噜噜久久久久久91| 国产成人精品婷婷| 久久国产乱子免费精品| 国产精品av视频在线免费观看| 亚洲怡红院男人天堂| 高清视频免费观看一区二区| 国产亚洲一区二区精品| 国产 精品1| 国产乱来视频区| 麻豆乱淫一区二区| 中文乱码字字幕精品一区二区三区| 最近2019中文字幕mv第一页| a级毛色黄片| 亚洲久久久久久中文字幕| 亚洲av成人精品一区久久| 真实男女啪啪啪动态图| 禁无遮挡网站| 久久久精品欧美日韩精品| 国产黄片视频在线免费观看| 精品一区二区三区视频在线| 下体分泌物呈黄色| 欧美 日韩 精品 国产| 91精品一卡2卡3卡4卡| 两个人的视频大全免费| av免费观看日本| 亚洲av.av天堂| 免费不卡的大黄色大毛片视频在线观看| 97在线视频观看| 啦啦啦中文免费视频观看日本| 亚洲,一卡二卡三卡| 最近手机中文字幕大全| 婷婷色av中文字幕| 一级黄片播放器| 久久精品国产亚洲av天美| 中文字幕久久专区| 欧美高清成人免费视频www| 老女人水多毛片| 国产伦精品一区二区三区四那| 日日摸夜夜添夜夜添av毛片| 免费av不卡在线播放| 国产免费福利视频在线观看| 亚洲精品自拍成人| 神马国产精品三级电影在线观看| 久久久成人免费电影| 丰满乱子伦码专区| 国精品久久久久久国模美| 亚洲精品国产av成人精品| 女人被狂操c到高潮| 亚洲不卡免费看| 可以在线观看毛片的网站| 国产成人一区二区在线| 九草在线视频观看| 人体艺术视频欧美日本| 中文字幕av成人在线电影| 国产精品福利在线免费观看| 中国三级夫妇交换| 国产一区亚洲一区在线观看| 丰满少妇做爰视频| 免费观看的影片在线观看| 久久99热6这里只有精品| 新久久久久国产一级毛片| 亚洲丝袜综合中文字幕| 黄色一级大片看看| 两个人的视频大全免费| 蜜臀久久99精品久久宅男| 欧美日韩视频精品一区| 欧美精品一区二区大全| 中文欧美无线码| 最新中文字幕久久久久| 免费av毛片视频| 国产av不卡久久| 舔av片在线| 毛片一级片免费看久久久久| 亚洲四区av| 亚洲人与动物交配视频| 中文字幕亚洲精品专区| 精品视频人人做人人爽| 人人妻人人爽人人添夜夜欢视频 | 国产精品麻豆人妻色哟哟久久| 在线看a的网站| 少妇的逼好多水| 亚洲精品成人av观看孕妇| 久久亚洲国产成人精品v| 国产一区二区三区av在线| 亚洲色图综合在线观看| 精品人妻一区二区三区麻豆| 男女啪啪激烈高潮av片| 久久6这里有精品| 久久精品国产亚洲av天美| 全区人妻精品视频| 欧美性感艳星| 国产亚洲av片在线观看秒播厂| 免费观看av网站的网址| 中国国产av一级| 久久久久久久大尺度免费视频| 大香蕉久久网| 国产av不卡久久| 99热全是精品| 99精国产麻豆久久婷婷| 嫩草影院精品99| 嘟嘟电影网在线观看| 黄色日韩在线| 国产av不卡久久| 日韩一区二区三区影片| 精品国产一区二区三区久久久樱花 | av在线蜜桃| 成人特级av手机在线观看| 色视频www国产| 白带黄色成豆腐渣| 男女国产视频网站| 亚洲精品乱码久久久v下载方式| 最近中文字幕2019免费版| 五月玫瑰六月丁香| 国产精品蜜桃在线观看| 在线天堂最新版资源| 高清av免费在线| 97超视频在线观看视频| 国产亚洲av嫩草精品影院| 免费少妇av软件| 22中文网久久字幕| 18禁在线无遮挡免费观看视频| 亚洲在线观看片| 男的添女的下面高潮视频| 超碰av人人做人人爽久久| 国产久久久一区二区三区| 日本免费在线观看一区| 激情五月婷婷亚洲| 亚洲精品456在线播放app| 三级经典国产精品| 91久久精品国产一区二区三区| 欧美 日韩 精品 国产| 熟女电影av网| 日韩成人av中文字幕在线观看| 特大巨黑吊av在线直播| 天堂中文最新版在线下载 | 亚洲精品乱码久久久v下载方式| 国产有黄有色有爽视频| 深爱激情五月婷婷| 日韩视频在线欧美| 欧美亚洲 丝袜 人妻 在线| 午夜免费鲁丝| 免费少妇av软件| 自拍偷自拍亚洲精品老妇| 91精品伊人久久大香线蕉| 在线观看一区二区三区激情| 日本色播在线视频| av女优亚洲男人天堂| 亚洲性久久影院| 日本wwww免费看| 久久国内精品自在自线图片| 91狼人影院| 日韩不卡一区二区三区视频在线| 免费黄色在线免费观看| 欧美区成人在线视频| 亚洲欧洲日产国产| 亚洲不卡免费看| 国产爱豆传媒在线观看| 国产成人免费无遮挡视频| 午夜精品国产一区二区电影 | 18禁在线播放成人免费| 国产精品久久久久久av不卡| 成人二区视频| 久久这里有精品视频免费| 欧美最新免费一区二区三区| 精品人妻偷拍中文字幕| 国产伦精品一区二区三区视频9| 美女xxoo啪啪120秒动态图| av国产久精品久网站免费入址| 蜜桃亚洲精品一区二区三区| 成年女人在线观看亚洲视频 | 26uuu在线亚洲综合色| 国产av不卡久久| 在线免费十八禁| 成年女人在线观看亚洲视频 | 色播亚洲综合网| 国模一区二区三区四区视频| 2021少妇久久久久久久久久久| 下体分泌物呈黄色| 国产综合懂色| 中国美白少妇内射xxxbb| 大陆偷拍与自拍| 日韩中字成人| 综合色av麻豆| 久久久久精品性色| av在线老鸭窝| 成人亚洲精品一区在线观看 | 久久久久久久久久久免费av| 哪个播放器可以免费观看大片| 国产黄a三级三级三级人| 又粗又硬又长又爽又黄的视频| 久久综合国产亚洲精品| 精品久久久久久久末码| 一级av片app| 91狼人影院| 免费av不卡在线播放| 精品人妻偷拍中文字幕| 菩萨蛮人人尽说江南好唐韦庄| 久久精品久久精品一区二区三区| 久久久久精品性色| 国产日韩欧美亚洲二区| 成人高潮视频无遮挡免费网站| 亚洲精品,欧美精品| 97在线视频观看| 婷婷色综合www| 国产爽快片一区二区三区| 91精品一卡2卡3卡4卡| 亚洲av欧美aⅴ国产| 少妇人妻久久综合中文| 18禁裸乳无遮挡免费网站照片| 欧美极品一区二区三区四区| 大陆偷拍与自拍| 在线观看三级黄色| 熟女人妻精品中文字幕| 国产精品不卡视频一区二区| 一个人看的www免费观看视频| 久久久欧美国产精品| 天堂网av新在线| 午夜福利高清视频| 国产精品三级大全| 最近2019中文字幕mv第一页| 一个人看视频在线观看www免费| 我的女老师完整版在线观看| 美女cb高潮喷水在线观看| 精品视频人人做人人爽| 日韩欧美精品v在线| 午夜免费鲁丝| 久久久久久久亚洲中文字幕| 午夜日本视频在线| 超碰av人人做人人爽久久| 国产视频内射| 欧美激情国产日韩精品一区| 亚洲欧美成人综合另类久久久| 国产亚洲av嫩草精品影院| 小蜜桃在线观看免费完整版高清| 精华霜和精华液先用哪个| 欧美性猛交╳xxx乱大交人| 久久久久国产精品人妻一区二区| 久久这里有精品视频免费| 亚洲精品自拍成人| 日日摸夜夜添夜夜爱| 99久久精品一区二区三区| 免费观看a级毛片全部| 最后的刺客免费高清国语| 精品久久久久久久末码| 国产老妇伦熟女老妇高清| 亚洲久久久久久中文字幕| 精品少妇黑人巨大在线播放| 久久久久久久久久久免费av| 伊人久久精品亚洲午夜| 美女脱内裤让男人舔精品视频| 国产精品一及| 美女内射精品一级片tv| 丝瓜视频免费看黄片| h日本视频在线播放| 欧美日韩视频精品一区| 欧美性猛交╳xxx乱大交人| 简卡轻食公司| 国产淫语在线视频| 在线观看av片永久免费下载| 国产高清国产精品国产三级 | 99热国产这里只有精品6| 亚洲,一卡二卡三卡| 午夜视频国产福利| 国产国拍精品亚洲av在线观看| 久久精品国产a三级三级三级| 黄片无遮挡物在线观看| 亚洲av免费高清在线观看| 亚洲av中文字字幕乱码综合| 汤姆久久久久久久影院中文字幕| 中国国产av一级| 大香蕉97超碰在线| 久久久久久久久久久丰满| 伊人久久精品亚洲午夜| 国产一区二区三区av在线| 国产av国产精品国产| 99久久人妻综合| 女人久久www免费人成看片| 美女主播在线视频| videossex国产| 中文字幕久久专区| 午夜福利在线在线| 女人十人毛片免费观看3o分钟| 精品亚洲乱码少妇综合久久| av在线蜜桃| 国产视频首页在线观看| 极品教师在线视频| 高清午夜精品一区二区三区| 九色成人免费人妻av| 一级黄片播放器| 国产成人freesex在线| 菩萨蛮人人尽说江南好唐韦庄| 久久久久网色| 免费av观看视频| 欧美日韩在线观看h| 一级毛片久久久久久久久女| 色视频www国产| 免费黄频网站在线观看国产| 亚洲av二区三区四区| 日韩伦理黄色片| 午夜亚洲福利在线播放| 男人狂女人下面高潮的视频| 人人妻人人澡人人爽人人夜夜| 亚洲精品色激情综合| 亚洲精品第二区| 人人妻人人看人人澡| 国内揄拍国产精品人妻在线| 在现免费观看毛片| 一个人看视频在线观看www免费| 亚洲一级一片aⅴ在线观看| av女优亚洲男人天堂| 午夜视频国产福利| av在线蜜桃| 我要看日韩黄色一级片| a级毛色黄片| 国产精品一区二区三区四区免费观看| 亚洲精品成人久久久久久| av国产久精品久网站免费入址| av黄色大香蕉| 国内少妇人妻偷人精品xxx网站| 久久影院123| 国产精品伦人一区二区| 一级毛片黄色毛片免费观看视频| 夫妻午夜视频| 99久久人妻综合| 久久久午夜欧美精品| 色播亚洲综合网| 国产免费又黄又爽又色| 麻豆久久精品国产亚洲av| 国产视频首页在线观看| 婷婷色av中文字幕| 成年版毛片免费区| 免费不卡的大黄色大毛片视频在线观看| 久久精品夜色国产| 少妇的逼水好多| 亚洲伊人久久精品综合| 亚洲国产色片| 成人免费观看视频高清| xxx大片免费视频| 日韩免费高清中文字幕av| 日韩成人伦理影院| 一本色道久久久久久精品综合| 久久精品久久久久久久性| 熟女电影av网| 国精品久久久久久国模美| 久热这里只有精品99| 视频区图区小说| 午夜福利视频1000在线观看| 成人美女网站在线观看视频| 国产爱豆传媒在线观看| 久久人人爽av亚洲精品天堂 | 一本久久精品| 国产久久久一区二区三区| 中文天堂在线官网| av一本久久久久| 狠狠精品人妻久久久久久综合| 寂寞人妻少妇视频99o| 综合色丁香网| 久久精品熟女亚洲av麻豆精品| 日韩精品有码人妻一区| 狂野欧美白嫩少妇大欣赏| 亚洲色图av天堂| 精品国产乱码久久久久久小说| 国产成人a∨麻豆精品| 亚洲精品一区蜜桃| 亚洲欧美一区二区三区黑人 | 国产亚洲精品久久久com| 久久久久久久久久人人人人人人| 亚洲精品影视一区二区三区av| 天天一区二区日本电影三级| 欧美成人a在线观看| 国产男女超爽视频在线观看| 99久久精品国产国产毛片| 午夜福利在线观看免费完整高清在| av卡一久久| 91狼人影院| 精品午夜福利在线看| 51国产日韩欧美| 国产成人一区二区在线| 最新中文字幕久久久久| 国产 精品1| 九草在线视频观看| 另类亚洲欧美激情| 久久精品国产自在天天线| 色播亚洲综合网| 亚洲在线观看片| 国内揄拍国产精品人妻在线| 老司机影院成人| 亚洲成色77777| 性插视频无遮挡在线免费观看| 国产高清不卡午夜福利| 男人和女人高潮做爰伦理| 亚洲精品aⅴ在线观看| 国产精品熟女久久久久浪| 久久女婷五月综合色啪小说 | 能在线免费看毛片的网站| 精品亚洲乱码少妇综合久久| 亚洲精品aⅴ在线观看| 天美传媒精品一区二区| tube8黄色片| 亚洲成人精品中文字幕电影| 免费观看无遮挡的男女| 亚洲丝袜综合中文字幕| 中文欧美无线码| 男人爽女人下面视频在线观看| 欧美xxⅹ黑人| 秋霞在线观看毛片| 欧美日韩视频精品一区| 免费在线观看成人毛片| 国产高潮美女av| 欧美xxxx黑人xx丫x性爽| 赤兔流量卡办理| 3wmmmm亚洲av在线观看| 亚洲av免费高清在线观看| 免费看光身美女| 日韩大片免费观看网站| 国语对白做爰xxxⅹ性视频网站| 秋霞伦理黄片| 亚洲美女视频黄频| 亚洲国产成人一精品久久久| 丰满人妻一区二区三区视频av| 黄色欧美视频在线观看| 最近最新中文字幕免费大全7| 免费看日本二区| 纵有疾风起免费观看全集完整版| 丰满乱子伦码专区| 欧美成人精品欧美一级黄| 久久久久久九九精品二区国产| 欧美性感艳星| 国产日韩欧美亚洲二区| 日韩欧美精品v在线| 麻豆精品久久久久久蜜桃| 欧美三级亚洲精品| 国产成年人精品一区二区| 色视频www国产| 国产午夜福利久久久久久| 日韩欧美精品免费久久| 色网站视频免费| av国产久精品久网站免费入址| 国产高清不卡午夜福利| 一区二区三区免费毛片| 久久久久久久久久久免费av| 日本wwww免费看| 久久99热这里只频精品6学生| 成年女人在线观看亚洲视频 | 亚洲人与动物交配视频| 免费观看av网站的网址| 久久韩国三级中文字幕| 国产精品99久久久久久久久| 亚洲最大成人av| 免费av观看视频| 欧美另类一区| 黄色欧美视频在线观看| 国产精品秋霞免费鲁丝片| 黄色视频在线播放观看不卡| 久久女婷五月综合色啪小说 | 亚洲最大成人手机在线| 国产精品99久久久久久久久| 精品久久久久久久久av| 熟妇人妻不卡中文字幕| 国产午夜精品久久久久久一区二区三区| 99热全是精品| 九九久久精品国产亚洲av麻豆| 青春草视频在线免费观看| 青青草视频在线视频观看| h日本视频在线播放| 亚洲婷婷狠狠爱综合网| 成人亚洲精品一区在线观看 | 日韩av在线免费看完整版不卡| 国精品久久久久久国模美| 欧美高清成人免费视频www| 免费不卡的大黄色大毛片视频在线观看| 在线亚洲精品国产二区图片欧美 | 久久久成人免费电影| 国产欧美日韩一区二区三区在线 | 色视频www国产| 午夜福利在线在线| 最近2019中文字幕mv第一页| 肉色欧美久久久久久久蜜桃 | 黄色配什么色好看| 日本欧美国产在线视频| 亚洲欧美日韩无卡精品| 男女那种视频在线观看| 一级毛片久久久久久久久女| 亚洲国产高清在线一区二区三| 久久精品国产亚洲网站| 免费av毛片视频| 国产在线男女| 我要看日韩黄色一级片| 亚洲精华国产精华液的使用体验| 亚洲最大成人av| 人人妻人人看人人澡| 精品午夜福利在线看| 国产在线一区二区三区精| 免费观看a级毛片全部| 亚洲精品第二区| 国产爱豆传媒在线观看| 在现免费观看毛片| 一级毛片黄色毛片免费观看视频| 欧美xxxx黑人xx丫x性爽| 五月开心婷婷网| 亚洲aⅴ乱码一区二区在线播放| 99久久九九国产精品国产免费| 日韩成人av中文字幕在线观看| 国产成人一区二区在线| 欧美性感艳星| 久久久久久久久久成人| 午夜老司机福利剧场| 亚洲一区二区三区欧美精品 | 各种免费的搞黄视频| 亚洲,欧美,日韩| 久久国内精品自在自线图片| 久久国产乱子免费精品| 午夜精品一区二区三区免费看| 亚洲精品国产色婷婷电影| 欧美+日韩+精品| 91久久精品国产一区二区成人| 三级经典国产精品| 久久97久久精品| 日韩国内少妇激情av| 午夜免费鲁丝| 欧美激情国产日韩精品一区| 在线观看美女被高潮喷水网站| 欧美+日韩+精品| 国产精品女同一区二区软件| 搞女人的毛片| 亚洲欧美日韩卡通动漫| 国产黄片美女视频| 天天躁日日操中文字幕| 老司机影院毛片| 国语对白做爰xxxⅹ性视频网站| 亚洲第一区二区三区不卡| 少妇 在线观看| 国产成人91sexporn| 日日摸夜夜添夜夜添av毛片| 高清欧美精品videossex| 91aial.com中文字幕在线观看| 免费少妇av软件| 欧美激情在线99| 男女啪啪激烈高潮av片| 国产精品久久久久久久久免| 亚洲国产av新网站| 男女那种视频在线观看| 女人久久www免费人成看片| 黄色怎么调成土黄色| 黄色一级大片看看| 亚洲欧美日韩卡通动漫| 一个人看的www免费观看视频| 精品久久久久久久末码| 免费av不卡在线播放| 欧美日韩国产mv在线观看视频 | 免费看不卡的av| 在线观看国产h片| 九草在线视频观看| 男男h啪啪无遮挡| 欧美区成人在线视频| 禁无遮挡网站| 午夜福利高清视频| 国产精品一二三区在线看| 七月丁香在线播放| 伊人久久精品亚洲午夜| 国产成人aa在线观看| 高清日韩中文字幕在线| 不卡视频在线观看欧美| 亚洲欧美一区二区三区国产| 我的女老师完整版在线观看| 久久久a久久爽久久v久久| 成人特级av手机在线观看| 免费看光身美女| 一个人观看的视频www高清免费观看| 亚洲成人av在线免费| 热99国产精品久久久久久7| 国内精品美女久久久久久| 亚洲婷婷狠狠爱综合网| 欧美xxⅹ黑人| 少妇 在线观看| 久久国产乱子免费精品| 国产久久久一区二区三区| 免费电影在线观看免费观看| 日韩欧美一区视频在线观看 | av在线亚洲专区| 久久午夜福利片| 深夜a级毛片| 人妻 亚洲 视频| 亚洲欧美清纯卡通| 少妇丰满av| 亚洲无线观看免费| 亚洲国产精品成人久久小说| 免费av毛片视频| 成人高潮视频无遮挡免费网站| 久久人人爽人人片av|