• <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(jī)器學(xué)習(xí)算法的信用風(fēng)險(xiǎn)量化模型研究

    2023-05-21 23:26:07李沐勛
    金融經(jīng)濟(jì) 2023年4期
    關(guān)鍵詞:機(jī)器學(xué)習(xí)債券市場(chǎng)

    李沐勛

    摘要:傳統(tǒng)的信用風(fēng)險(xiǎn)計(jì)量模型難以處理高維數(shù)據(jù)和非線性問(wèn)題,多具備較嚴(yán)格的假設(shè)條件,計(jì)算結(jié)果常與實(shí)際情形存在較大的誤差。本文綜合考慮影響信用風(fēng)險(xiǎn)的內(nèi)生變量和外生變量,使用更優(yōu)的非線性變換方式擬合數(shù)據(jù),并借助機(jī)器學(xué)習(xí)強(qiáng)大的算力和學(xué)習(xí)迭代優(yōu)勢(shì)量化信用風(fēng)險(xiǎn)。實(shí)證結(jié)果表明,該模型算法可提高預(yù)測(cè)結(jié)果的擬合度和準(zhǔn)確性。

    關(guān)鍵詞:債券市場(chǎng);機(jī)器學(xué)習(xí);信用風(fēng)險(xiǎn)計(jì)量

    中圖分類號(hào):F832.5? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A? ? ? ? 文章編號(hào):1007-0753(2023)04-0075-09

    一、引言

    信用風(fēng)險(xiǎn)作為金融市場(chǎng)風(fēng)險(xiǎn)的重要組成之一,其被衡量的方式始終被市場(chǎng)參與方所重視。投資者、金融機(jī)構(gòu)、監(jiān)管部門出于風(fēng)控需求,對(duì)信用風(fēng)險(xiǎn)衡量的要求也趨于更加精準(zhǔn)和動(dòng)態(tài)。信用風(fēng)險(xiǎn)計(jì)量模型則在其中扮演最為關(guān)鍵和重要的角色,其科學(xué)性和準(zhǔn)確性成為風(fēng)險(xiǎn)計(jì)量結(jié)果好壞的基礎(chǔ)性因素。

    金融學(xué)中大部分研究對(duì)象的本質(zhì)都是復(fù)雜、多維和非線性的。傳統(tǒng)的信用風(fēng)險(xiǎn)計(jì)量模型難以處理高維數(shù)據(jù)和非線性問(wèn)題,多具備較嚴(yán)格的假設(shè)條件,并且算力難以支持大量模擬和迭代優(yōu)化,因此計(jì)算結(jié)果常與實(shí)際情形存在較大誤差。

    隨著金融工程的發(fā)展和計(jì)算機(jī)算力的增長(zhǎng),機(jī)器學(xué)習(xí)作為人工智能的重要成果之一,在金融風(fēng)控領(lǐng)域的應(yīng)用日益廣泛。該類算法將概率論、統(tǒng)計(jì)學(xué)、最優(yōu)化理論等科學(xué)理論與計(jì)算機(jī)的強(qiáng)大算力相結(jié)合,既可快速、自動(dòng)地處理高維數(shù)據(jù),還能在不斷學(xué)習(xí)和優(yōu)化過(guò)程中提高模型的泛化能力,通過(guò)復(fù)雜多樣的函數(shù)輸出更準(zhǔn)確的預(yù)測(cè)結(jié)果??梢灶A(yù)見,機(jī)器學(xué)習(xí)模型的應(yīng)用和迭代將帶動(dòng)信用風(fēng)控技術(shù)進(jìn)入新紀(jì)元。

    本文利用統(tǒng)計(jì)學(xué)原理以及機(jī)器學(xué)習(xí)算法,構(gòu)建資產(chǎn)信用風(fēng)險(xiǎn)溢價(jià)和違約概率量化模型,以解決傳統(tǒng)模型中的各類局限和不足,輸出更準(zhǔn)確的量化預(yù)測(cè)結(jié)果。

    二、傳統(tǒng)信用風(fēng)險(xiǎn)衡量模型

    信用風(fēng)險(xiǎn)衡量模型的發(fā)展經(jīng)歷了三個(gè)階段:第一階段為20世紀(jì)60年代之前的專家分析法,通過(guò)專家經(jīng)驗(yàn)和主觀分析來(lái)評(píng)估信用風(fēng)險(xiǎn);第二階段為20世紀(jì)70年代至90年代的信用評(píng)分模型,包括線性概率模型、Logit/Probit模型和Z-score模型,20世紀(jì)60年代的信用卡業(yè)務(wù)催生了該類模型的發(fā)展,這也是數(shù)學(xué)模型首次應(yīng)用于信用風(fēng)險(xiǎn)領(lǐng)域;第三階段為20世紀(jì)90年代至今的違約概率模型,例如KMV模型、CreditMetrics模型和CreditRist+模型,該階段的模型將金融理論與數(shù)學(xué)相結(jié)合,對(duì)信用風(fēng)險(xiǎn)的評(píng)估由分類上升至計(jì)量。目前,信用評(píng)分模型仍被國(guó)內(nèi)外評(píng)級(jí)機(jī)構(gòu)和多數(shù)金融機(jī)構(gòu)應(yīng)用于信用風(fēng)險(xiǎn)評(píng)估,違約概率模型則多被商業(yè)銀行使用,用于信貸審批、信用卡額度審批和信用風(fēng)險(xiǎn)敞口的計(jì)算。

    然而信用風(fēng)險(xiǎn)衡量模型的發(fā)展已停滯近三十年,其固有的缺陷也日益暴露,難以滿足更高的風(fēng)控需求。信用評(píng)分模型使用了較多的內(nèi)生變量,例如財(cái)務(wù)數(shù)據(jù)、主體資質(zhì)、資產(chǎn)特征等,但最終僅輸出分類結(jié)果,并無(wú)進(jìn)一步的量化信息;并且模型計(jì)算中僅使用初等函數(shù),應(yīng)用的數(shù)學(xué)理論較為簡(jiǎn)單。而違約概率模型雖然實(shí)現(xiàn)了進(jìn)一步的風(fēng)險(xiǎn)計(jì)量,但考慮的內(nèi)生變量較少,例如KMV模型中僅考慮資產(chǎn)與負(fù)債規(guī)模的內(nèi)生變量,CreditMetrics模型和CreditRist+模型僅使用了違約頻率的外生變量,并且應(yīng)用的統(tǒng)計(jì)學(xué)模型局限于正態(tài)分布,弱化了擬合度和尾部風(fēng)險(xiǎn)。此外,傳統(tǒng)模型中尚未探索出信用風(fēng)險(xiǎn)溢價(jià)與違約概率之間的映射關(guān)系,以及對(duì)違約的預(yù)警功能。

    三、模型算法原理

    外生變量是資產(chǎn)信用風(fēng)險(xiǎn)變化的直接體現(xiàn),例如生存率、死亡率(違約率)、等級(jí)遷徙率等,可通過(guò)簡(jiǎn)單的計(jì)算統(tǒng)計(jì)得到。內(nèi)生變量是影響資產(chǎn)信用風(fēng)險(xiǎn)的本源性因素,例如資產(chǎn)歸屬主體的資質(zhì)、財(cái)務(wù)狀況和經(jīng)營(yíng)狀況,它們之間通過(guò)復(fù)雜的聯(lián)系和變化影響著資產(chǎn)的違約概率,難以用簡(jiǎn)單的函數(shù)進(jìn)行表達(dá)。此時(shí)可通過(guò)引入具有代表性的標(biāo)簽值作為中間變量,一方面構(gòu)建更顯著的映射特征,另一方面強(qiáng)化深度,尋找更優(yōu)的非線性變換方式以擬合數(shù)據(jù)。

    鑒于此,在變量選擇上,本文使用財(cái)務(wù)、經(jīng)營(yíng)、行業(yè)和宏觀數(shù)據(jù)等與資產(chǎn)相關(guān)的特征值作為內(nèi)生變量,多維度囊括關(guān)于資產(chǎn)的有效信息;使用標(biāo)簽屬性顯著的信用利差作為中間變量,根據(jù)信用利差和違約頻率的正相關(guān)性,建立單變量映射函數(shù);使用違約頻率作為外生變量,將模型訓(xùn)練結(jié)果擬合至直觀的統(tǒng)計(jì)數(shù)據(jù)。通過(guò)上述變量的選擇,模擬信用風(fēng)險(xiǎn)由內(nèi)至外的演變過(guò)程。

    本文量化模型先后運(yùn)用分布擬合、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等算法原理,輸入變量包括資產(chǎn)到期收益率、無(wú)風(fēng)險(xiǎn)利率、定性指標(biāo)和定量指標(biāo)等特征值以及違約頻率統(tǒng)計(jì)值;輸出變量包括信用利差、等級(jí)序列、違約概率和違約分類結(jié)果。

    四、模型算法的實(shí)證

    (一)信用利差與偏正態(tài)分布

    信用利差即信用風(fēng)險(xiǎn)溢價(jià),金融市場(chǎng)體現(xiàn)風(fēng)險(xiǎn)與收益對(duì)等的原則,越低的信用利差說(shuō)明資產(chǎn)的違約風(fēng)險(xiǎn)越小。對(duì)信用債而言,業(yè)界多采用票面利率與國(guó)債收益率之差作為信用利差,由于票面利率多為固定利率,信用利差的變化也單純由國(guó)債收益率的變動(dòng)引起。本文選擇債券到期收益率代替票面利率,到期收益率的變動(dòng)可體現(xiàn)資產(chǎn)回報(bào)率的變化,便于動(dòng)態(tài)反映信用風(fēng)險(xiǎn)。當(dāng)投資者認(rèn)為債券發(fā)行人信用質(zhì)量顯著下降時(shí),該只債券遭到拋售,買入價(jià)格的下降和剩余期限的減少導(dǎo)致到期收益率上升,信用利差隨之上升,如表1所示。而到期收益率的上升變相地增加了發(fā)行人的還款壓力,增大了債券的違約概率。

    目前業(yè)界對(duì)信用利差數(shù)據(jù)的建模多采用正態(tài)分布,但正態(tài)分布具有左右完美對(duì)稱的性質(zhì),而實(shí)際情形中利差分布較多呈現(xiàn)左偏或右偏、單側(cè)瘦尾或肥尾的狀態(tài),此情形下,使用正態(tài)分布建模常導(dǎo)致某個(gè)區(qū)間的累積分布值被高估或低估,模型誤差增大。例如默頓、KMV和CreditMetrics等模型中正態(tài)分布的應(yīng)用均導(dǎo)致了模型結(jié)果與數(shù)據(jù)實(shí)際呈現(xiàn)的肥尾現(xiàn)象不符。因此,本文引入偏正態(tài)分布對(duì)利差數(shù)據(jù)進(jìn)行建模,保證模型具備更高的擬合度和精準(zhǔn)度。

    Azzalini(1985)首次提出偏正態(tài)分布的概念,并給出了相關(guān)定義式、性質(zhì)、最大似然估計(jì)以及多維形式的歸納 。引入偏度參數(shù)λ,若將標(biāo)準(zhǔn)正態(tài)分布的概率密度函數(shù)與累積分布函數(shù)分別記為φ(x)和(x),則偏正態(tài)分布概率密度函數(shù)為:

    f ( x; μ, σ, λ ) =? 2-σ φ (? )( λ )? ? ? ? ?(1)

    提取截至2021年末我國(guó)房地產(chǎn)業(yè)和銀行業(yè)的全部存續(xù)債券(剔除結(jié)構(gòu)化產(chǎn)品)的相關(guān)數(shù)據(jù)(數(shù)據(jù)來(lái)源于WIND金融終端),計(jì)算信用利差并進(jìn)行數(shù)據(jù)清洗,根據(jù)信用利差樣本進(jìn)行偏正態(tài)分布的參數(shù)估計(jì)和卡方擬合優(yōu)度檢驗(yàn),結(jié)果如圖2和圖3所示。房地產(chǎn)業(yè)和銀行業(yè)樣本容量分別為3 282個(gè)和835個(gè),P值分別為0.230 8和0.262 8,結(jié)果均無(wú)顯著性差異,模型結(jié)果和實(shí)際數(shù)據(jù)具備一致性。可視化效果同樣說(shuō)明,概率分布與原始數(shù)據(jù)擬合度較高,偏正態(tài)分布可更準(zhǔn)確地反映信用利差分布的實(shí)際情況。

    對(duì)信用利差進(jìn)行分箱處理,建立信用等級(jí)和信用風(fēng)險(xiǎn)的映射關(guān)系,利差數(shù)值越小代表信用風(fēng)險(xiǎn)越低,對(duì)應(yīng)的信用等級(jí)越高。此處分箱處理的為理論利差分布,而非樣本觀測(cè)值。

    常用的無(wú)監(jiān)督學(xué)習(xí)數(shù)據(jù)分箱方法包括等距分箱、等頻分箱和聚類分箱等。聚類分箱法由于對(duì)特征值定義缺乏明確的量化標(biāo)準(zhǔn),類個(gè)數(shù)取決于建模人員的主觀意見(例如將債券分為投資級(jí)和高收益級(jí)),因此不作為備選方法。等距分箱法是對(duì)隨機(jī)變量進(jìn)行等距分組,會(huì)產(chǎn)生樣本數(shù)量較高(眾數(shù))或極少(尾部)的箱體,對(duì)樣本數(shù)量較高的箱體的風(fēng)控效果較差。從信用風(fēng)險(xiǎn)衡量的實(shí)際業(yè)務(wù)需求角度來(lái)講,分箱后建立的等級(jí)序列需具備較好的區(qū)分效果,以便嚴(yán)格把控風(fēng)險(xiǎn)和降低投資虧損概率。提升序列區(qū)分度問(wèn)題存在最優(yōu)解,即等級(jí)序列與概率之間呈均勻分布,此時(shí)不存在任何一個(gè)箱體的區(qū)分度高于或低于其他箱體,因此選擇等頻分箱法更符合建模需求。

    以箱體數(shù)量9個(gè)為例,分別代表1—9個(gè)信用利差區(qū)間即等級(jí)序列。每個(gè)箱體在偏正態(tài)分布上具有相等的積分值,因此通過(guò)逆累積分布函數(shù)即可求得每個(gè)箱體的利差區(qū)間閾值。為方便理解,同樣給予級(jí)別符號(hào)對(duì)應(yīng)表示。表2為房地產(chǎn)業(yè)樣本的等頻分箱結(jié)果??梢钥匆?,測(cè)試樣本的分箱結(jié)果與理論值較為接近,卡方擬合優(yōu)度檢驗(yàn)結(jié)果無(wú)顯著性差異,整體區(qū)分度較顯著。

    (二)違約概率與冪律分布

    對(duì)違約數(shù)據(jù)的統(tǒng)計(jì)表明,當(dāng)資產(chǎn)的信用質(zhì)量下降時(shí),違約概率將以類指數(shù)形式增長(zhǎng)。目前我國(guó)較多商業(yè)銀行使用指數(shù)分布對(duì)違約概率進(jìn)行預(yù)測(cè)(周四軍和彭建剛,2008),即首先根據(jù)卡普蘭生存分析法統(tǒng)計(jì)不同時(shí)間期限下樣本的累積違約頻率,再根據(jù)數(shù)據(jù)真值進(jìn)行指數(shù)分布擬合得到對(duì)違約概率的預(yù)測(cè)。但指數(shù)分布的無(wú)記憶性特點(diǎn)與違約事件相矛盾,表現(xiàn)為系統(tǒng)內(nèi)下一時(shí)刻的狀態(tài)僅與當(dāng)前狀態(tài)有關(guān),而與過(guò)去無(wú)關(guān),該特點(diǎn)忽略了信用質(zhì)量變化過(guò)程對(duì)違約概率所造成的影響,因此其盡管與違約率數(shù)據(jù)擬合度較高,但并不具備經(jīng)濟(jì)學(xué)解釋性。

    冪律分布同樣體現(xiàn)出與違約率數(shù)據(jù)的高擬合度,并且其內(nèi)在原理應(yīng)用于違約事件具備良好的解釋性。冪律現(xiàn)象可簡(jiǎn)單描述為事件發(fā)生的概率與事件規(guī)模的某個(gè)負(fù)指數(shù)成比例。導(dǎo)致冪律現(xiàn)象的原因包括自組織臨界論、優(yōu)先鏈接理論和大偏差理論,各理論均在極端事件的金融問(wèn)題的應(yīng)用中有著重要作用(胡海波和王林,2005)。

    將等級(jí)序列定義為隨機(jī)變量x,對(duì)應(yīng)的y值為違約概率。在樣本數(shù)據(jù)同時(shí)包括x值和y值時(shí),使用曲線擬合可獲得目標(biāo)函數(shù)表達(dá)式和擬合優(yōu)度,實(shí)現(xiàn)參數(shù)估計(jì)和假設(shè)檢驗(yàn)的效果。本文以穆迪評(píng)級(jí)官方披露的1983—2020年全球平均累積違約率數(shù)據(jù)為樣本進(jìn)行檢驗(yàn),各期限下的違約數(shù)據(jù)擬合效果如表3所示,10年期樣本的擬合結(jié)果如圖4所示。

    根據(jù)表2信用利差的等頻分箱數(shù)據(jù),統(tǒng)計(jì)序列1—9下房地產(chǎn)業(yè)樣本1年期違約率,使用冪律分布進(jìn)行曲線擬合,結(jié)果如表4所示。由于我國(guó)信用債市場(chǎng)目前所積累的違約樣本依舊較少,樣本數(shù)據(jù)存在刪失和截尾現(xiàn)象,因此擬合效果有所減弱。

    (三)信用利差與違約概率

    根據(jù)前述原理,可建立信用利差與違約概率之間的函數(shù)關(guān)系,步驟如下:

    (1)定義資產(chǎn)的信用利差為x,信用風(fēng)險(xiǎn)為u,違約概率為y,均為連續(xù)變量;

    (2)信用利差x取值范圍為[0,+ ∞);

    (3)信用風(fēng)險(xiǎn)u取值范圍為[0, k],k越大代表信用風(fēng)險(xiǎn)越大;

    (4)違約概率y取值范圍為[0, 1],理論上可取至1;

    (5)信用利差x服從偏正態(tài)概率分布,定義偏正態(tài)概率分布的累積分布函數(shù)為skew (x);

    (6)等頻分箱原則表明信用風(fēng)險(xiǎn)u的大小通過(guò)信用利差x在偏正態(tài)分布中所處的位置體現(xiàn),x的累積分布函數(shù)值越小則信用風(fēng)險(xiǎn)越低,skew(x) 與u之間為線性正相關(guān),滿足:

    u = k ·skew(x)? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?(3)

    (7)給定期限下,信用風(fēng)險(xiǎn)u和違約概率y之間滿足參數(shù)為C和α的冪律函數(shù):

    y = C · u-α? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? (4)

    (8)則信用利差x與違約概率y之間的函數(shù)關(guān)系為:

    y = C · k-α[skew(x)]-α? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? (5)

    將前述偏正態(tài)分布和冪律函數(shù)的參數(shù)估計(jì)值代入公式(5),在利差樣本最小值和最大值范圍內(nèi)創(chuàng)建等差序列,生成利差向量x,并繪制函數(shù)曲線。圖5為理論模型下房地產(chǎn)業(yè)信用利差與1年期違約概率的映射關(guān)系。樣本中信用利差最大值為686.29bp,此時(shí)資產(chǎn)的1年期違約概率約為11.96%。

    (四)信用利差預(yù)測(cè)與BP神經(jīng)網(wǎng)絡(luò)

    計(jì)算機(jī)算力的增長(zhǎng)和人工智能的發(fā)展推動(dòng)了機(jī)器學(xué)習(xí)在金融風(fēng)控領(lǐng)域的應(yīng)用。其中,神經(jīng)網(wǎng)絡(luò)算法(聞新等,2015)具有優(yōu)良的多維非線性映射能力和柔性的網(wǎng)絡(luò)結(jié)構(gòu),其理論上可擬合出變量任何形式的變化,因此在機(jī)器學(xué)習(xí)算法中具備極高的上限。其中,由Rumelhart和Mcclelland(1986)提出的BP神經(jīng)網(wǎng)絡(luò)是基于誤差逆向傳播(Back Propagation,BP)對(duì)多層前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的算法。該算法并非在建模前將描述變量之間關(guān)系的函數(shù)表達(dá)式揭露并固定下來(lái),而是使用最速下降法,通過(guò)反向傳播方式反復(fù)訓(xùn)練和調(diào)整網(wǎng)絡(luò)的權(quán)值和偏差,使輸出結(jié)果與期望結(jié)果盡可能地接近,即網(wǎng)絡(luò)輸出層的誤差平方和最小。

    本文首先選擇截至2021年末房地產(chǎn)業(yè)和銀行業(yè)存續(xù)債券的發(fā)行主體,作為兩組樣本進(jìn)行對(duì)比和模型穩(wěn)健性檢驗(yàn);其次選擇結(jié)構(gòu)化財(cái)務(wù)數(shù)據(jù)作為特征值,先后使用信用利差和等級(jí)序列作為標(biāo)簽值,進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練。數(shù)據(jù)清洗方面,對(duì)相同發(fā)行人的債券僅保留單一值,并剔除信用利差小于零的樣本。特征值選擇方面,選擇WIND金融終端中包括盈利能力、收益質(zhì)量、現(xiàn)金流量、資本結(jié)構(gòu)、償債能力和運(yùn)營(yíng)能力的全部財(cái)務(wù)指標(biāo),分類進(jìn)行主成分分析。選擇每類中主成分累積貢獻(xiàn)度大于90%的指標(biāo)納入特征值,進(jìn)行數(shù)據(jù)降維;同時(shí)對(duì)數(shù)據(jù)進(jìn)行歸一化處理,消除不同特征值之間的量綱差距。最終房地產(chǎn)業(yè)樣本組的樣本數(shù)量為695個(gè),特征值數(shù)量為23個(gè);銀行業(yè)樣本組的樣本數(shù)量為820個(gè),特征值數(shù)量為18個(gè)①。

    需要指出的是,對(duì)信用利差的預(yù)測(cè)并不具備建立時(shí)間序列模型的條件。信用債發(fā)行主體的財(cái)務(wù)數(shù)據(jù)所披露的頻率通常以年度為基準(zhǔn),季度和半年度報(bào)告的數(shù)據(jù)完整性較差且未經(jīng)過(guò)審計(jì),數(shù)據(jù)集質(zhì)量并不理想。而債券發(fā)行期限通常以3至10年為主,這意味著數(shù)據(jù)集的最大時(shí)間窗口通常在10個(gè)步長(zhǎng)以內(nèi),若再對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練集與測(cè)試集的分割,則每個(gè)數(shù)據(jù)集的時(shí)間步長(zhǎng)極短,模型難以在訓(xùn)練學(xué)習(xí)中發(fā)現(xiàn)規(guī)律。因此,在對(duì)信用風(fēng)險(xiǎn)的動(dòng)態(tài)監(jiān)測(cè)過(guò)程中,應(yīng)定期抓取存續(xù)樣本和采集特征值,重新訓(xùn)練模型并獲得預(yù)測(cè)結(jié)果。

    本文使用列文伯格·馬夸爾特算法,將訓(xùn)練集、驗(yàn)證集與測(cè)試集數(shù)量設(shè)置為2∶1∶1;隱含層數(shù)量根據(jù)經(jīng)驗(yàn)公式設(shè)置為? 層,其中n和m分別為輸入節(jié)點(diǎn)數(shù)量和輸出節(jié)點(diǎn)數(shù)量;經(jīng)歷10輪完整學(xué)習(xí),并記錄測(cè)試集回歸系數(shù)R的均值和最大值。

    將僅使用財(cái)務(wù)指標(biāo)的訓(xùn)練過(guò)程記為“訓(xùn)練1”,其測(cè)試集回歸結(jié)果如表5所示,可見訓(xùn)練結(jié)果較為一般。銀行業(yè)的回歸系數(shù)高于房地產(chǎn)業(yè),對(duì)信用利差預(yù)測(cè)的準(zhǔn)確性高于對(duì)等級(jí)序列預(yù)測(cè)。在特征值中引入部分經(jīng)營(yíng)數(shù)據(jù)和文本數(shù)據(jù)以優(yōu)化預(yù)測(cè)結(jié)果,對(duì)于房地產(chǎn)業(yè)樣本,在特征值中引入所在省份的GDP總量、GDP增速、股東背景和債券擔(dān)保方式;對(duì)于銀行業(yè)樣本,引入存貸款總額、不良貸款率、撥備率、凈息差和股東背景,并再次訓(xùn)練記為“訓(xùn)練2”。

    訓(xùn)練2測(cè)試集回歸結(jié)果如表6所示??梢钥闯?,引入除財(cái)務(wù)數(shù)據(jù)外的其他評(píng)價(jià)要素后,模型預(yù)測(cè)的準(zhǔn)確性顯著上升,其中房地產(chǎn)業(yè)的提升效果更為明顯。銀行業(yè)的回歸結(jié)果依然優(yōu)于房地產(chǎn)業(yè),可能與商業(yè)銀行所披露的數(shù)據(jù)質(zhì)量更高、信用利差跨度較小有關(guān)。使用等級(jí)序列進(jìn)行預(yù)測(cè)的準(zhǔn)確性略低,可能與位于序列端點(diǎn)的樣本被誤分類有關(guān)。其中,銀行業(yè)在訓(xùn)練2中回歸系數(shù)最高的一次學(xué)習(xí)結(jié)果如圖6所示。

    信用風(fēng)險(xiǎn)的內(nèi)源性體現(xiàn)出非結(jié)構(gòu)化數(shù)據(jù)對(duì)風(fēng)險(xiǎn)衡量的重要性,即決定信用風(fēng)險(xiǎn)的因素不僅包括定量數(shù)據(jù),還包括對(duì)定性指標(biāo)的加工處理。由于定性指標(biāo)判別所需的時(shí)長(zhǎng)較長(zhǎng)、工作量極大,本文僅進(jìn)行了少量定性指標(biāo)的判別,因此呈現(xiàn)的訓(xùn)練結(jié)果并非最優(yōu),但仍優(yōu)于傳統(tǒng)的信用風(fēng)險(xiǎn)衡量模型,特別是對(duì)評(píng)級(jí)結(jié)果95%以上集中于AA-以上的中國(guó)債券市場(chǎng)而言,可起到深度量化的效果。將新樣本的特征值數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)模型,即可輸出該樣本信用利差的預(yù)測(cè)結(jié)果;再將輸出的信用利差代入公式(5),即可獲得對(duì)應(yīng)時(shí)間期限下的違約概率。實(shí)際操作過(guò)程中,提取聚類后樣本在不同時(shí)間截點(diǎn)的信用利差、特征值數(shù)據(jù)和累積違約概率,即可通過(guò)BP神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)對(duì)信用風(fēng)險(xiǎn)的動(dòng)態(tài)量化。

    (五)違約預(yù)測(cè)與支持向量機(jī)

    目前宏觀經(jīng)濟(jì)下行導(dǎo)致信用風(fēng)險(xiǎn)加劇,資產(chǎn)違約問(wèn)題日漸凸顯,金融風(fēng)控對(duì)違約預(yù)警提出了更強(qiáng)的需求。支持向量機(jī)(SVM)為有監(jiān)督學(xué)習(xí)中的廣義線性分類器,十分適合解決二分類和回歸問(wèn)題(周志華,2016)。該算法根據(jù)VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理,在樣本中求解最大邊距超平面,尋找分割樣本的最優(yōu)決策邊界(Vapnik和Chervonenkis,1964) 。對(duì)于線性不可分問(wèn)題,SVM通過(guò)徑向基函數(shù)核,將非線性低維空間樣本映射至高維空間,使其變?yōu)榫€性可分問(wèn)題,在該空間中尋找最優(yōu)分類超平面。因此,滿足利用高維財(cái)務(wù)數(shù)據(jù)解決二分類問(wèn)題的違約預(yù)警需求(張杰和趙峰,2013)。

    由于季度財(cái)務(wù)數(shù)據(jù)可獲取性較低,本文統(tǒng)一選取年度財(cái)務(wù)數(shù)據(jù)納入多維數(shù)據(jù)集。行業(yè)聚類上選擇房地產(chǎn)業(yè)樣本,該行業(yè)違約樣本較多,可降低樣本不均衡的影響。對(duì)于違約樣本,本文選取違約前的年度財(cái)務(wù)數(shù)據(jù);對(duì)于未違約樣本,本文選取2021年末財(cái)務(wù)數(shù)據(jù),代表存續(xù)債券發(fā)行人的最新財(cái)務(wù)狀況。在進(jìn)行數(shù)據(jù)清洗、歸一化處理和主成分分析后,最終總樣本數(shù)量為585個(gè),數(shù)據(jù)集特征值數(shù)量為30個(gè);違約樣本數(shù)量為25個(gè),未違約樣本數(shù)量為560個(gè)②。

    違約事件的特點(diǎn)導(dǎo)致樣本顯著不均衡,因此使用誤分類代價(jià)增強(qiáng)和Stratified K-fold交叉驗(yàn)證解決樣本不均衡和過(guò)擬合問(wèn)題,增強(qiáng)訓(xùn)練模型的穩(wěn)定性。

    誤分類代價(jià)增強(qiáng)方面,由于金融風(fēng)控領(lǐng)域更注重對(duì)正樣本(即違約樣本)的篩選能力,以盡可能減小遺漏正樣本造成的損失,對(duì)誤分類正樣本的代價(jià)進(jìn)行設(shè)置。權(quán)重設(shè)置為向上取整后樣本集中負(fù)樣本與正樣本數(shù)量的比值。

    Stratified K-fold交叉驗(yàn)證方面,將數(shù)據(jù)集分為5個(gè)容量相等的折疊,每個(gè)折疊具有相等數(shù)量的違約樣本;每次選取1個(gè)折疊作為測(cè)試集,剩余4個(gè)作為訓(xùn)練集,并取訓(xùn)練集中1個(gè)折疊為驗(yàn)證集,重復(fù)5次直至每個(gè)折疊均用作驗(yàn)證集,最終取驗(yàn)證數(shù)據(jù)的平均精度作為結(jié)果。

    本文使用一對(duì)一多類方式,分別使用以下核函數(shù)進(jìn)行模型訓(xùn)練。除優(yōu)化高斯核之外,均對(duì)樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。最終測(cè)試集測(cè)試結(jié)果如表7所示,模型誤差如圖7所示。查全率反映實(shí)際違約樣本中預(yù)測(cè)正確的比例,因此在信用風(fēng)險(xiǎn)衡量方面,該指標(biāo)相對(duì)查準(zhǔn)率更被看重。綜合而言,高斯核和優(yōu)化高斯核的SVM模型表現(xiàn)最優(yōu)。優(yōu)化高斯核模型為可優(yōu)化模型中的最佳點(diǎn)超參數(shù)模型,對(duì)高斯核模型中的核尺度和框約束級(jí)別均做了調(diào)整,未對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。由于原始數(shù)據(jù)集指標(biāo)中絕大多數(shù)為比率指標(biāo),其余規(guī)模指標(biāo)在爬取時(shí)對(duì)計(jì)算單位進(jìn)行了處理,因此模型表現(xiàn)未受到顯著影響。

    結(jié)果反映出SVM算法的測(cè)試效果較好,可對(duì)違約風(fēng)險(xiǎn)進(jìn)行有效預(yù)警。在資產(chǎn)存續(xù)期內(nèi),利用資產(chǎn)最近一期的財(cái)務(wù)數(shù)據(jù)建立多維數(shù)據(jù)集,可實(shí)現(xiàn)對(duì)違約風(fēng)險(xiǎn)的定期動(dòng)態(tài)跟蹤,為投資決策的調(diào)整提供參考依據(jù)。

    五、結(jié)論

    (一)改進(jìn)與創(chuàng)新

    與傳統(tǒng)模型相比,本文一方面綜合考慮內(nèi)生變量與外生變量,通過(guò)引入中間變量完整了信用風(fēng)險(xiǎn)傳遞的邏輯關(guān)系;另一方面,驗(yàn)證了機(jī)器學(xué)習(xí)模型在信用風(fēng)險(xiǎn)衡量領(lǐng)域應(yīng)用的可行性,依靠算力模擬和迭代優(yōu)化,機(jī)器學(xué)習(xí)提高了量化結(jié)果的準(zhǔn)確度。

    在函數(shù)使用方面,本文模型弱化了線性和基礎(chǔ)函數(shù)在信用風(fēng)險(xiǎn)衡量領(lǐng)域的應(yīng)用,使用非線性和積分變換等復(fù)雜函數(shù)映射變量關(guān)系,依靠BP神經(jīng)網(wǎng)絡(luò)的多層網(wǎng)絡(luò)結(jié)構(gòu),實(shí)現(xiàn)更復(fù)雜更精細(xì)的算法。

    在實(shí)際風(fēng)控需求方面,等頻分箱處理、信用利差與違約概率映射、神經(jīng)網(wǎng)絡(luò)隱含層數(shù)設(shè)置、特征值選擇和優(yōu)化方向等內(nèi)容均能對(duì)風(fēng)控工作起到借鑒作用。

    (二)局限性

    外生變量的推論統(tǒng)計(jì)需要具備大量樣本,以避免欠擬合現(xiàn)象。因此,當(dāng)資產(chǎn)為信貸資產(chǎn)時(shí),商業(yè)銀行可通過(guò)積累的大量樣本進(jìn)行數(shù)據(jù)擬合;而當(dāng)資產(chǎn)為標(biāo)準(zhǔn)化債券時(shí),由于我國(guó)債券市場(chǎng)積累的違約樣本不足,刪失和截尾現(xiàn)象較多,數(shù)據(jù)擬合度難以提升。

    在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練方面,受限于人力成本和時(shí)間成本,本文未將獲取較為困難的經(jīng)營(yíng)數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)納入數(shù)據(jù)集,因此測(cè)試結(jié)果并非最優(yōu)。未來(lái),在特征值中加入處理后的文本和字段信息,可進(jìn)一步提升模型泛化能力。

    各類機(jī)器學(xué)習(xí)均具備一定局限性。例如BP神經(jīng)網(wǎng)絡(luò)易出現(xiàn)收斂速度慢和局部極小值的問(wèn)題;支持向量機(jī)對(duì)缺失數(shù)據(jù)和異常數(shù)據(jù)較為敏感,對(duì)數(shù)據(jù)預(yù)處理要求較高。同時(shí)多數(shù)機(jī)器學(xué)習(xí)具有“黑箱特性”,即算法過(guò)程難以使用人類語(yǔ)言描述,困于被廣泛理解和接受。

    (三)政策建議

    本文構(gòu)建的模型可幫助投資者或風(fēng)控人員量化信用風(fēng)險(xiǎn)和預(yù)警違約風(fēng)險(xiǎn),使其根據(jù)自身需求進(jìn)行資產(chǎn)配置或調(diào)整投資頭寸,做到風(fēng)險(xiǎn)和收益的平衡。對(duì)監(jiān)管機(jī)構(gòu)而言,有助于其把控市場(chǎng)整體信用風(fēng)險(xiǎn),為監(jiān)管政策的制定提供借鑒,落實(shí)經(jīng)濟(jì)回穩(wěn)向上的發(fā)展政策。因此,對(duì)金融市場(chǎng)的信用風(fēng)險(xiǎn)防控,本文提出以下建議:

    一是加強(qiáng)信息披露維度和頻率,推進(jìn)數(shù)據(jù)基礎(chǔ)設(shè)施建設(shè)。數(shù)據(jù)基礎(chǔ)設(shè)施的完善可提升風(fēng)險(xiǎn)量化的精準(zhǔn)性和風(fēng)險(xiǎn)監(jiān)測(cè)的及時(shí)性,而目前交易市場(chǎng)中關(guān)于各類資產(chǎn)的違約率數(shù)據(jù)存在刪失和截尾現(xiàn)象,披露頻率較低,影響信用風(fēng)險(xiǎn)衡量的準(zhǔn)確性和動(dòng)態(tài)跟蹤。對(duì)此,應(yīng)加強(qiáng)公開市場(chǎng)數(shù)據(jù)披露的維度和頻率,提升數(shù)據(jù)的有效性和時(shí)效性。

    二是規(guī)范信息披露口徑和標(biāo)準(zhǔn)。商業(yè)銀行受到嚴(yán)格監(jiān)管,所披露的規(guī)范化數(shù)據(jù)提升了數(shù)據(jù)集質(zhì)量,有利于降低金融市場(chǎng)中的信噪比,提高模型的訓(xùn)練效果。相比而言,其他行業(yè)的數(shù)據(jù)口徑不一、可使用指標(biāo)數(shù)量較少,增加了噪聲信息。對(duì)此,各類非金融企業(yè)行業(yè)協(xié)會(huì)應(yīng)規(guī)范數(shù)據(jù)披露標(biāo)準(zhǔn),包括統(tǒng)計(jì)準(zhǔn)則、口徑和管理方法等,提升數(shù)據(jù)質(zhì)量和真實(shí)性。

    三是加強(qiáng)高風(fēng)險(xiǎn)資產(chǎn)市場(chǎng)化經(jīng)營(yíng)能力,健全違約資產(chǎn)處置機(jī)制。借鑒成熟的金融市場(chǎng)的機(jī)制設(shè)置經(jīng)驗(yàn),例如完善高收益?zhèn)袌?chǎng)和違約資產(chǎn)的分類處置,真實(shí)反映信用風(fēng)險(xiǎn),進(jìn)而提升高風(fēng)險(xiǎn)資產(chǎn)的定價(jià)合理性、交易流動(dòng)性和市場(chǎng)穩(wěn)定性,實(shí)現(xiàn)整個(gè)金融市場(chǎng)的資源配置優(yōu)化、風(fēng)險(xiǎn)分散和經(jīng)濟(jì)調(diào)節(jié)等功能。

    注釋:

    ① 數(shù)據(jù)集較為龐大,限于篇幅本文不再列出,僅作者留存?zhèn)洳椤?/p>

    ② 限于篇幅本文不再將數(shù)據(jù)集列出,作者留存?zhèn)浒浮?/p>

    參考文獻(xiàn):

    [1] AZZALINI A. A class of distributions which includes the normal ones[J]. Scandinavian Journal of Statistics, 1985,12:171-178.

    [2] 周四軍,彭建剛.商業(yè)銀行信用風(fēng)險(xiǎn)量化新方法:死亡率模型[J].統(tǒng)計(jì)與決策, 2008(14):26-28.

    [3] 胡海波,王林.冪律分布研究簡(jiǎn)史[J].物理, 2005, 34(12):889-896.

    [4] 聞新,李新,張興旺.應(yīng)用MATLAB實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)[M].北京:國(guó)防工業(yè)出版社, 2015:95-159.

    [5] RUMELHART D E, MCCLELLAND J L.Parallel Distributed Processing[M]. Massachusetts: MIT Press, 1986:318-362.

    [6] 周志華.機(jī)器學(xué)習(xí)[M].北京:清華大學(xué)出版社,2016:? 125-135.

    [7] VAPNIK V,CHERVONENKIS A. A note on class of perceptron[J]. Automation and Remote Control, 1964, 25(01).

    [8] 張杰,趙峰.基于支持向量機(jī)的中小企業(yè)技術(shù)信貸違約預(yù)測(cè)[J].統(tǒng)計(jì)與決策, 2013(20):66-69.

    (責(zé)任編輯:張艷妮/校對(duì):唐詩(shī)柔)

    Abstract: Traditional credit-risk measurement models have difficulty in dealing with high-dimensional data and nonlinear problems, and often have strict assumptions, leading to large errors between the calculated results and the actual situation. This paper considers both endogenous and exogenous variables that affect credit risk, uses a more optimal nonlinear transformation method to fit the data, and quantifies credit risk with the powerful computational and iterative learning advantages of machine learning. Empirical results show that the algorithm of this model can improve the fitting and accuracy of predictive results.

    Keywords: Bond market; Machine learning; Credit-risk measurement

    猜你喜歡
    機(jī)器學(xué)習(xí)債券市場(chǎng)
    債券市場(chǎng)對(duì)外開放的進(jìn)程與展望
    基于詞典與機(jī)器學(xué)習(xí)的中文微博情感分析
    基于機(jī)器學(xué)習(xí)的圖像特征提取技術(shù)在圖像版權(quán)保護(hù)中的應(yīng)用
    基于網(wǎng)絡(luò)搜索數(shù)據(jù)的平遙旅游客流量預(yù)測(cè)分析
    前綴字母為特征在維吾爾語(yǔ)文本情感分類中的研究
    基于支持向量機(jī)的金融數(shù)據(jù)分析研究
    機(jī)器學(xué)習(xí)理論在高中自主學(xué)習(xí)中的應(yīng)用
    我國(guó)債券市場(chǎng)的久期分析
    国产色婷婷99| 免费观看无遮挡的男女| 亚洲av不卡在线观看| 另类亚洲欧美激情| 中文字幕人妻丝袜制服| 日日撸夜夜添| 欧美 亚洲 国产 日韩一| 九九爱精品视频在线观看| 精品人妻熟女毛片av久久网站| 亚洲精品久久久久久婷婷小说| 18禁裸乳无遮挡动漫免费视频| 卡戴珊不雅视频在线播放| 另类精品久久| 欧美激情国产日韩精品一区| 亚洲精品日韩av片在线观看| 国产高清国产精品国产三级| 视频在线观看一区二区三区| 99久久中文字幕三级久久日本| 国产成人免费无遮挡视频| 天堂俺去俺来也www色官网| 18+在线观看网站| 边亲边吃奶的免费视频| 多毛熟女@视频| 国产片特级美女逼逼视频| 国产高清三级在线| 精品国产一区二区三区久久久樱花| 欧美bdsm另类| 国产成人免费无遮挡视频| 欧美 日韩 精品 国产| 亚洲,欧美,日韩| 欧美日韩一区二区视频在线观看视频在线| 色吧在线观看| 一级毛片我不卡| 中文字幕亚洲精品专区| 欧美最新免费一区二区三区| 成人国语在线视频| 亚洲精品日本国产第一区| 午夜福利视频在线观看免费| 99精国产麻豆久久婷婷| 一本—道久久a久久精品蜜桃钙片| 午夜福利视频精品| 极品少妇高潮喷水抽搐| 肉色欧美久久久久久久蜜桃| 亚洲国产欧美在线一区| 国产精品99久久99久久久不卡 | 欧美少妇被猛烈插入视频| 久久久久网色| 男女无遮挡免费网站观看| 欧美xxⅹ黑人| 97在线视频观看| 午夜激情av网站| 中文字幕久久专区| 这个男人来自地球电影免费观看 | 国产成人精品福利久久| 菩萨蛮人人尽说江南好唐韦庄| 在线观看免费高清a一片| 女的被弄到高潮叫床怎么办| 精品国产一区二区三区久久久樱花| 亚洲av男天堂| 亚洲国产精品成人久久小说| 国产午夜精品一二区理论片| 中文欧美无线码| 9色porny在线观看| 国产精品久久久久久精品古装| 国产成人一区二区在线| 欧美bdsm另类| 国产精品久久久久成人av| 国产日韩欧美亚洲二区| 天堂中文最新版在线下载| 18禁裸乳无遮挡动漫免费视频| 国产精品久久久久成人av| 天天影视国产精品| 两个人的视频大全免费| 9色porny在线观看| 久久精品国产亚洲av天美| 女性生殖器流出的白浆| 五月玫瑰六月丁香| 一级黄片播放器| kizo精华| 99热国产这里只有精品6| 亚洲欧美日韩卡通动漫| 免费黄频网站在线观看国产| 日韩一本色道免费dvd| 亚洲欧洲日产国产| 婷婷色av中文字幕| 国产在线视频一区二区| 我的女老师完整版在线观看| 欧美日韩av久久| 黄色欧美视频在线观看| freevideosex欧美| 美女福利国产在线| 国产色婷婷99| 国产一区二区三区av在线| 黄色怎么调成土黄色| 欧美成人精品欧美一级黄| 国产在线免费精品| 精品午夜福利在线看| 热99国产精品久久久久久7| 青春草视频在线免费观看| 成人毛片a级毛片在线播放| 国产精品欧美亚洲77777| 亚洲人与动物交配视频| 成年人免费黄色播放视频| 99热国产这里只有精品6| 久久午夜福利片| 丝袜喷水一区| 这个男人来自地球电影免费观看 | 欧美日韩一区二区视频在线观看视频在线| 国产男女内射视频| 蜜桃国产av成人99| 国产高清不卡午夜福利| 亚洲欧洲日产国产| 内地一区二区视频在线| 纵有疾风起免费观看全集完整版| 天堂8中文在线网| 晚上一个人看的免费电影| 久久精品人人爽人人爽视色| 国产精品免费大片| 一级黄片播放器| 欧美日本中文国产一区发布| 97超视频在线观看视频| 国产日韩欧美视频二区| 亚洲人成77777在线视频| 中国三级夫妇交换| 日本黄色片子视频| 99精国产麻豆久久婷婷| 狂野欧美激情性xxxx在线观看| 欧美丝袜亚洲另类| 免费观看在线日韩| 亚洲国产精品一区三区| 日本91视频免费播放| 人妻夜夜爽99麻豆av| a级毛片免费高清观看在线播放| 亚洲成人一二三区av| 九草在线视频观看| 国产亚洲欧美精品永久| 91精品国产九色| 国产精品一区二区在线观看99| 免费不卡的大黄色大毛片视频在线观看| 美女国产高潮福利片在线看| 日本黄色日本黄色录像| 中文精品一卡2卡3卡4更新| 亚洲人与动物交配视频| 欧美最新免费一区二区三区| 国产高清国产精品国产三级| 国产亚洲精品第一综合不卡 | 精品久久国产蜜桃| 国产深夜福利视频在线观看| 亚洲av国产av综合av卡| 成人无遮挡网站| 中文字幕久久专区| 亚洲av二区三区四区| 一本色道久久久久久精品综合| 男人爽女人下面视频在线观看| 午夜视频国产福利| 国产一区二区在线观看av| 国产老妇伦熟女老妇高清| 18+在线观看网站| 看非洲黑人一级黄片| 人妻人人澡人人爽人人| 亚洲人成网站在线观看播放| 亚洲av成人精品一二三区| 欧美日韩国产mv在线观看视频| 久久99热6这里只有精品| 国产精品99久久久久久久久| 国产精品一国产av| 黑人欧美特级aaaaaa片| 九九爱精品视频在线观看| 在线看a的网站| 国产精品一区二区在线不卡| 午夜福利视频在线观看免费| 天天操日日干夜夜撸| 国产精品一区二区在线不卡| 国产精品麻豆人妻色哟哟久久| 久久久亚洲精品成人影院| 色视频在线一区二区三区| av线在线观看网站| 母亲3免费完整高清在线观看 | 日本色播在线视频| av女优亚洲男人天堂| 色5月婷婷丁香| 美女国产视频在线观看| 久久久精品区二区三区| 你懂的网址亚洲精品在线观看| 国产亚洲午夜精品一区二区久久| 午夜精品国产一区二区电影| a级毛片在线看网站| 日本av手机在线免费观看| av在线app专区| 亚洲精品乱码久久久久久按摩| 高清不卡的av网站| 国产又色又爽无遮挡免| 少妇丰满av| 美女国产高潮福利片在线看| 岛国毛片在线播放| 国产亚洲最大av| 成年av动漫网址| 伊人亚洲综合成人网| 中文字幕av电影在线播放| 免费少妇av软件| 成人手机av| 丰满少妇做爰视频| 欧美老熟妇乱子伦牲交| av又黄又爽大尺度在线免费看| 国产精品一二三区在线看| 久久久久久久久久人人人人人人| 精品少妇久久久久久888优播| 久久久国产欧美日韩av| 少妇丰满av| 国产成人aa在线观看| 成人免费观看视频高清| 18禁在线播放成人免费| 天天影视国产精品| 菩萨蛮人人尽说江南好唐韦庄| 少妇人妻精品综合一区二区| 久久女婷五月综合色啪小说| 综合色丁香网| 热99久久久久精品小说推荐| 日韩大片免费观看网站| 纯流量卡能插随身wifi吗| 人成视频在线观看免费观看| av电影中文网址| 亚洲欧美成人精品一区二区| av又黄又爽大尺度在线免费看| 亚洲国产欧美日韩在线播放| 国产免费一级a男人的天堂| 国产高清有码在线观看视频| a级片在线免费高清观看视频| 亚洲国产精品专区欧美| 嘟嘟电影网在线观看| 亚洲av日韩在线播放| 人人妻人人添人人爽欧美一区卜| 午夜影院在线不卡| 少妇人妻久久综合中文| 丝袜在线中文字幕| 欧美精品一区二区大全| 最后的刺客免费高清国语| 午夜福利,免费看| 777米奇影视久久| 女的被弄到高潮叫床怎么办| 亚洲精品日韩在线中文字幕| 亚洲国产色片| 插逼视频在线观看| 精品少妇内射三级| www.av在线官网国产| √禁漫天堂资源中文www| 免费黄网站久久成人精品| 亚洲av中文av极速乱| av电影中文网址| 一个人看视频在线观看www免费| 日韩av免费高清视频| 中文字幕免费在线视频6| 欧美精品人与动牲交sv欧美| 亚洲四区av| 人妻制服诱惑在线中文字幕| 制服人妻中文乱码| 久久这里有精品视频免费| 亚洲伊人久久精品综合| 国产爽快片一区二区三区| 国产黄色免费在线视频| 精品人妻熟女av久视频| 高清黄色对白视频在线免费看| 一二三四中文在线观看免费高清| 91精品一卡2卡3卡4卡| 18禁裸乳无遮挡动漫免费视频| 欧美日韩亚洲高清精品| 免费高清在线观看视频在线观看| 国产精品99久久99久久久不卡 | 亚洲欧美日韩另类电影网站| 久久99一区二区三区| 美女福利国产在线| 黄色一级大片看看| 久久99热这里只频精品6学生| 一级毛片aaaaaa免费看小| 国产伦精品一区二区三区视频9| 亚洲精品成人av观看孕妇| 天堂中文最新版在线下载| 在线观看免费高清a一片| 欧美老熟妇乱子伦牲交| 狂野欧美激情性xxxx在线观看| 午夜影院在线不卡| 各种免费的搞黄视频| 在线亚洲精品国产二区图片欧美 | 久久久久久久久久久丰满| 一区二区三区精品91| 曰老女人黄片| 国产免费福利视频在线观看| 插阴视频在线观看视频| 波野结衣二区三区在线| 91精品国产国语对白视频| 人妻一区二区av| 亚洲内射少妇av| 日日啪夜夜爽| 日本vs欧美在线观看视频| 免费看av在线观看网站| 欧美亚洲 丝袜 人妻 在线| 国产精品嫩草影院av在线观看| 成人免费观看视频高清| 国产免费视频播放在线视频| 黄色一级大片看看| 91在线精品国自产拍蜜月| 国产又色又爽无遮挡免| 91久久精品国产一区二区三区| 日日啪夜夜爽| 国产成人免费观看mmmm| 涩涩av久久男人的天堂| 桃花免费在线播放| 精品人妻一区二区三区麻豆| 99热网站在线观看| 高清毛片免费看| 日产精品乱码卡一卡2卡三| 国产精品一区www在线观看| 国产av码专区亚洲av| 亚洲在久久综合| 夫妻午夜视频| 精品一品国产午夜福利视频| 少妇的逼好多水| 亚洲av成人精品一区久久| 99热网站在线观看| 日本91视频免费播放| 国产精品秋霞免费鲁丝片| 欧美 日韩 精品 国产| 亚洲精品,欧美精品| 国产精品99久久99久久久不卡 | 国产精品久久久久久精品古装| 亚洲一区二区三区欧美精品| 亚洲精品成人av观看孕妇| 成人毛片a级毛片在线播放| 国内精品宾馆在线| 久久久久久久久久久免费av| 中文字幕av电影在线播放| 久久久久久久久久成人| 日韩成人av中文字幕在线观看| a级片在线免费高清观看视频| √禁漫天堂资源中文www| 男人添女人高潮全过程视频| 一边亲一边摸免费视频| 精品视频人人做人人爽| 欧美国产精品一级二级三级| 赤兔流量卡办理| 亚洲欧洲日产国产| 国产精品国产av在线观看| 国产亚洲午夜精品一区二区久久| 少妇被粗大的猛进出69影院 | 日韩成人av中文字幕在线观看| 欧美老熟妇乱子伦牲交| 人人澡人人妻人| 日日摸夜夜添夜夜添av毛片| 国产精品女同一区二区软件| 十八禁网站网址无遮挡| 精品少妇久久久久久888优播| 高清视频免费观看一区二区| 免费大片18禁| 91精品三级在线观看| 中文字幕最新亚洲高清| 免费看不卡的av| 高清av免费在线| 男人添女人高潮全过程视频| 日韩大片免费观看网站| 久久国产精品男人的天堂亚洲 | 热99国产精品久久久久久7| av.在线天堂| 久久国内精品自在自线图片| 制服丝袜香蕉在线| 亚洲精品日本国产第一区| 日本黄大片高清| 免费日韩欧美在线观看| 欧美精品人与动牲交sv欧美| 亚洲精品成人av观看孕妇| 亚洲精品亚洲一区二区| 少妇熟女欧美另类| 国产午夜精品久久久久久一区二区三区| 国产亚洲一区二区精品| 观看av在线不卡| 亚洲国产成人一精品久久久| 极品人妻少妇av视频| 久久精品国产鲁丝片午夜精品| 精品一区二区免费观看| 在线观看人妻少妇| 午夜激情久久久久久久| 国产午夜精品一二区理论片| 久久人人爽av亚洲精品天堂| 国产成人freesex在线| 亚洲精品久久午夜乱码| 国产在线视频一区二区| 一区二区三区四区激情视频| 精品酒店卫生间| 日日摸夜夜添夜夜爱| 少妇高潮的动态图| 性色avwww在线观看| 精品国产一区二区三区久久久樱花| 能在线免费看毛片的网站| 全区人妻精品视频| 丝袜脚勾引网站| 久久久亚洲精品成人影院| 亚洲欧美日韩另类电影网站| 午夜av观看不卡| 婷婷成人精品国产| 精品国产一区二区久久| 91成人精品电影| 精品久久蜜臀av无| 一级毛片aaaaaa免费看小| 黑人猛操日本美女一级片| 18+在线观看网站| 欧美性感艳星| 岛国毛片在线播放| 亚洲综合精品二区| 天天操日日干夜夜撸| 狂野欧美激情性bbbbbb| 国产黄频视频在线观看| 18禁动态无遮挡网站| 亚洲美女视频黄频| 午夜影院在线不卡| 精品一区在线观看国产| 十八禁网站网址无遮挡| 精品卡一卡二卡四卡免费| 熟女电影av网| 丝袜脚勾引网站| 久久久午夜欧美精品| 另类精品久久| 久久精品久久久久久噜噜老黄| 亚洲精品一区蜜桃| 五月玫瑰六月丁香| 蜜桃在线观看..| 在线观看美女被高潮喷水网站| 亚洲精品美女久久av网站| 久久 成人 亚洲| 欧美最新免费一区二区三区| 女性被躁到高潮视频| 男的添女的下面高潮视频| 亚洲欧美日韩另类电影网站| 婷婷色综合大香蕉| 九九爱精品视频在线观看| av免费在线看不卡| 成人午夜精彩视频在线观看| 美女xxoo啪啪120秒动态图| 精品人妻熟女毛片av久久网站| 美女福利国产在线| 亚洲av日韩在线播放| 最近的中文字幕免费完整| 久久99精品国语久久久| 精品99又大又爽又粗少妇毛片| 能在线免费看毛片的网站| 精品熟女少妇av免费看| 水蜜桃什么品种好| 亚洲天堂av无毛| 九九爱精品视频在线观看| 亚洲一级一片aⅴ在线观看| 日韩电影二区| 在线观看美女被高潮喷水网站| 五月开心婷婷网| 中文字幕精品免费在线观看视频 | 欧美少妇被猛烈插入视频| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 国产黄色免费在线视频| 中文字幕制服av| 桃花免费在线播放| 赤兔流量卡办理| 色视频在线一区二区三区| .国产精品久久| 亚洲精品日本国产第一区| 亚洲精品久久久久久婷婷小说| 晚上一个人看的免费电影| 女人精品久久久久毛片| 80岁老熟妇乱子伦牲交| 一区二区三区四区激情视频| 高清午夜精品一区二区三区| 午夜激情福利司机影院| 精品久久久久久久久亚洲| 老女人水多毛片| 免费久久久久久久精品成人欧美视频 | 老熟女久久久| 亚洲内射少妇av| 欧美激情国产日韩精品一区| 国语对白做爰xxxⅹ性视频网站| 美女大奶头黄色视频| 啦啦啦啦在线视频资源| 国产成人91sexporn| 夜夜爽夜夜爽视频| 人人妻人人添人人爽欧美一区卜| 熟女电影av网| 日韩一区二区三区影片| 精品久久久久久电影网| 久久这里有精品视频免费| 欧美性感艳星| 色94色欧美一区二区| 中文字幕精品免费在线观看视频 | 最近最新中文字幕免费大全7| 免费人成在线观看视频色| 国产高清国产精品国产三级| 精品酒店卫生间| 插阴视频在线观看视频| 母亲3免费完整高清在线观看 | 久久久久久久久大av| 男女无遮挡免费网站观看| 久久人人爽av亚洲精品天堂| 国产精品一区二区在线观看99| 高清欧美精品videossex| 91午夜精品亚洲一区二区三区| 热re99久久精品国产66热6| 最新中文字幕久久久久| 久久国产精品男人的天堂亚洲 | 丝袜美足系列| 永久免费av网站大全| 韩国高清视频一区二区三区| 搡女人真爽免费视频火全软件| 又黄又爽又刺激的免费视频.| 久久久精品94久久精品| 国产成人freesex在线| 亚洲综合精品二区| freevideosex欧美| 高清毛片免费看| 九色成人免费人妻av| 伦精品一区二区三区| 亚洲国产最新在线播放| 制服丝袜香蕉在线| 久久久精品区二区三区| 亚洲综合色惰| 午夜免费观看性视频| 久久青草综合色| 99精国产麻豆久久婷婷| 久久精品夜色国产| 欧美日韩精品成人综合77777| 一个人免费看片子| 成人影院久久| 色网站视频免费| 狂野欧美白嫩少妇大欣赏| av福利片在线| 大又大粗又爽又黄少妇毛片口| 久久久久人妻精品一区果冻| 伦理电影大哥的女人| 老司机影院成人| 日本av免费视频播放| 乱码一卡2卡4卡精品| 一级毛片电影观看| 欧美激情极品国产一区二区三区 | 国产高清三级在线| 色视频在线一区二区三区| 欧美xxⅹ黑人| 国产精品蜜桃在线观看| 国产精品免费大片| videosex国产| 狂野欧美激情性bbbbbb| www.色视频.com| 亚洲精品一二三| 国语对白做爰xxxⅹ性视频网站| 久久99精品国语久久久| av在线老鸭窝| 日本爱情动作片www.在线观看| 三级国产精品欧美在线观看| 亚洲精品456在线播放app| 日韩制服骚丝袜av| 久久亚洲国产成人精品v| 亚洲精品国产av成人精品| 亚洲美女黄色视频免费看| 日本欧美视频一区| av在线播放精品| 美女大奶头黄色视频| 欧美成人午夜免费资源| 国产高清国产精品国产三级| 日本免费在线观看一区| 国产精品久久久久久精品古装| 亚洲国产欧美在线一区| 大香蕉久久网| 最近的中文字幕免费完整| 亚洲综合色惰| 99re6热这里在线精品视频| 在现免费观看毛片| 又大又黄又爽视频免费| 热99久久久久精品小说推荐| 亚洲精品国产av成人精品| 欧美日韩视频精品一区| 亚洲丝袜综合中文字幕| av卡一久久| 欧美日韩成人在线一区二区| 亚洲欧美色中文字幕在线| 91在线精品国自产拍蜜月| 欧美精品人与动牲交sv欧美| 国产乱人偷精品视频| 久久人人爽av亚洲精品天堂| 人妻夜夜爽99麻豆av| 自线自在国产av| 亚洲av电影在线观看一区二区三区| 亚洲第一区二区三区不卡| 久热久热在线精品观看| 午夜久久久在线观看| 人人妻人人澡人人爽人人夜夜| 一级黄片播放器| 日韩中文字幕视频在线看片| 国产成人精品福利久久| 少妇熟女欧美另类| xxx大片免费视频| 精品酒店卫生间| 人妻系列 视频| 自拍欧美九色日韩亚洲蝌蚪91| 久久鲁丝午夜福利片| 97精品久久久久久久久久精品| 七月丁香在线播放| 久久鲁丝午夜福利片| 亚洲欧美日韩另类电影网站| 日韩三级伦理在线观看| 五月开心婷婷网| 建设人人有责人人尽责人人享有的| 中文精品一卡2卡3卡4更新| 色94色欧美一区二区| 啦啦啦啦在线视频资源| 精品久久国产蜜桃| 在线天堂最新版资源| 中文字幕制服av| 久久午夜综合久久蜜桃| 满18在线观看网站| 十八禁高潮呻吟视频| av国产精品久久久久影院| 男女边摸边吃奶| 国产成人精品一,二区|