• <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 ?

    厄蘭極值混合模型的有效估計(jì)及其在保險(xiǎn)中的應(yīng)用

    2016-12-07 08:59:40殷崔紅林小東袁海麗
    數(shù)學(xué)雜志 2016年6期
    關(guān)鍵詞:帕累托尾部極值

    殷崔紅,林小東,2,袁海麗

    (1.廈門大學(xué)數(shù)學(xué)科學(xué)學(xué)院,福建廈門361005)

    (2.多倫多大學(xué)統(tǒng)計(jì)系,加拿大多倫多M5S 3G3)

    (3.武漢大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)院,湖北武漢430072)

    厄蘭極值混合模型的有效估計(jì)及其在保險(xiǎn)中的應(yīng)用

    殷崔紅1,林小東1,2,袁海麗3

    (1.廈門大學(xué)數(shù)學(xué)科學(xué)學(xué)院,福建廈門361005)

    (2.多倫多大學(xué)統(tǒng)計(jì)系,加拿大多倫多M5S 3G3)

    (3.武漢大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)院,湖北武漢430072)

    本文研究了Erlang混合分布和廣義帕累托分布混合模型的估計(jì)問題.通過引入iSCAD懲罰函數(shù),利用EM算法極大化iSCAD懲罰似然函數(shù)的方法,獲得了混合序和參數(shù)的估計(jì)值,計(jì)算出有效的度量風(fēng)險(xiǎn)指標(biāo)value-at-risk(VaR)和tail-VaR(TVaR),通過模擬實(shí)驗(yàn)和實(shí)際數(shù)據(jù)說明了模型和算法的有效性.推廣了有限Erlang極值混合模型在保險(xiǎn)數(shù)據(jù)擬合中的應(yīng)用.

    極值理論;極值混合模型;iSCAD懲罰;EM算法;似然函數(shù)

    1 引言

    Erlang混合分布廣泛應(yīng)用于保險(xiǎn)損失數(shù)據(jù)的建模,在保險(xiǎn)破產(chǎn)理論和保險(xiǎn)損失數(shù)據(jù)的擬合中都有良好的表現(xiàn).保險(xiǎn)破產(chǎn)理論中,當(dāng)利用混合Erlang分布對(duì)保險(xiǎn)損失的嚴(yán)重程度建模時(shí),通常關(guān)注的一些指標(biāo)將有明確的解析式,比如無限破產(chǎn)概率,隨機(jī)破產(chǎn)時(shí)刻的拉普拉斯變換等,這方面的研究可參考文獻(xiàn)[3,17,21,29];近幾年,學(xué)者更多關(guān)注于將Erlang混合分布用于擬合保險(xiǎn)實(shí)際損失數(shù)據(jù),得到了很多令人滿意的分布性質(zhì),比如分布函數(shù)和矩都有解析式,使得相關(guān)的風(fēng)險(xiǎn)測(cè)度value-at-risk(VaR)和tail VaR(TVaR)比較容易計(jì)算.Verbelen[30]等將雙邊截?cái)嘁隕rlang混合分布,計(jì)算了再保險(xiǎn)合同的純保費(fèi).類似研究見文獻(xiàn)[9, 10,19,26,30]等.Lee和Lin[20]提出Erlang混合分布的多元形式,多元混合Erlang分布保留了一元Erlang混合分布的大部分有用的分布性質(zhì),同時(shí)建模相依性,與copula方法相呼應(yīng).關(guān)于多元Erlang混合分布的研究見文獻(xiàn)[2,16,31,32]等.

    混合模型的首要問題是混合序的確定,Lee和Lin[19,30]等都利用BIC來確定Erlang混合分布的序,Yin和Lin[33]提出了一種新的iSCAD懲罰函數(shù),建立懲罰似然函數(shù),運(yùn)用EM算法給出參數(shù)的估計(jì),同時(shí)給出了混合序的估計(jì).然而值得注意的是:Erlang分布是輕尾的,用它來擬合重尾數(shù)據(jù)時(shí)可能很難達(dá)到預(yù)期效果.其次,尾部數(shù)據(jù)相應(yīng)的權(quán)重一般都很小,公式(3.11)可以看出,權(quán)重小于閾值λ的相應(yīng)Erlang分布都被刪除,這不利用保留擬合尾部數(shù)據(jù)的Erlang分布.為解決這些問題,本文引入極值理論擬合尾部數(shù)據(jù),建立Erlang極值混合模型.

    極值混合模型廣泛應(yīng)用于各領(lǐng)域的數(shù)據(jù)分析中,尤其在保險(xiǎn)、金融、水文和環(huán)境科學(xué)等領(lǐng)域.在保險(xiǎn)領(lǐng)域,大額索賠在保險(xiǎn)公司的風(fēng)險(xiǎn)管理和產(chǎn)品定價(jià),尤其是再保險(xiǎn)產(chǎn)品的定價(jià)方面,有不可忽略的意義.文獻(xiàn)[4,12,13,23,27]等將極值理論引入到保險(xiǎn)的風(fēng)險(xiǎn)管理中.為使數(shù)據(jù)的主體和尾部都擬合的很好,Behrens[5]提出單一參數(shù)分布與一個(gè)極值分布的混合模型, Carreau和Bengio[7]討論混合參數(shù)分布與極值分布的混合模型,類似的文獻(xiàn)[5,6,15,22, 24]等給出多種極值混合模型.Lee[18]等最早將極值混合模型引入到保險(xiǎn)數(shù)據(jù)中,但是所有這些混合模型都沒有考慮混合序的確定.

    本文建立Erlang混合分布與廣義帕累托(GPD)分布的混合模型,廣義帕累托(GPD)分布用于擬合數(shù)據(jù)的尾部,而Erlang混合分布用于擬合數(shù)據(jù)的主體,這樣即有Erlang混合分布的優(yōu)點(diǎn),同時(shí)保留了極值理論的長(zhǎng)處.引入iSCAD懲罰來估計(jì)混合Erlang分布的參數(shù), Yin和Lin[33]已證明參數(shù)和混合序的估計(jì)都有一致性.

    2 Erlang極值混合模型

    首先給出Erlang分布的密度函數(shù)為

    其中γ是取值為正整數(shù)的形狀參數(shù)(shape parameter),θ>0是尺度參數(shù)(scale parameter).

    將m個(gè)不同的Erlang分布以權(quán)重α=(α1,···,αm)混合,則Erlang混合分布的密度函數(shù)為

    相應(yīng)的分布函數(shù)為F(x;α,γ,θ),其中權(quán)重參數(shù)α=(α1,···,αm)滿足αj≥0和γ=(γ1,···,γm)是形狀參數(shù),為了可識(shí)別性的說明,一般有γ1≤···≤γm,而θ>0是共有的尺度參數(shù).

    由于投保人的性別、車型、駕車經(jīng)驗(yàn)和熟悉程度等的不同,使得索賠數(shù)據(jù)一般有明顯的異質(zhì)性,單一的Erlang分布可能很難給出好的擬合效果,因此數(shù)據(jù)的主體部分本文仍然選用Erlang混合分布來擬合,而尾部采用極值分布.故本文采用左右雙邊截?cái)嗟腅rlang混合分布,大部分保險(xiǎn)損失數(shù)據(jù)都是已知截?cái)嘀?比如保險(xiǎn)中的免賠額和賠償限額.以l和μ分別表示左右截?cái)嘀?免賠額l已知),雙邊截?cái)嗟腅rlang混合分布的密度函數(shù)是

    其中

    顯然,(2.2)式是左右截?cái)帱c(diǎn)為l和μ的Erlang分布f(x;l,μ,γj,θ)的混合模型,混合權(quán)重為π=(π1,···,πm),滿足πj≥0和=1.密度函數(shù)(2.1)相應(yīng)的分布函數(shù)為F(x;l,μ,α,γ,θ).

    在統(tǒng)計(jì)中,廣義帕累托分布(Generalized Pareto Distribution,i.e.,GPD)經(jīng)常被用于擬合其他分布或?qū)嶋H數(shù)據(jù)的尾部,本文選用GPD擬合數(shù)據(jù)的尾部,其密度函數(shù)是

    廣義帕累托分布(GPD)的生存函數(shù)為

    結(jié)合(2.1)和(2.4)式,為彌補(bǔ)引言中提過的Erlang混合模型的不足,本文建立的Erlang極值混合模型的密度函數(shù)為

    其中μ為閾值,X是服從h(x;l,μ,α,γ,θ,ξ,σ)分布的隨機(jī)變量,令ψμ=P(X>μ),其一般由大于μ的樣本比例來估計(jì).

    相應(yīng)的生存函數(shù)為

    風(fēng)險(xiǎn)測(cè)度就是各種風(fēng)險(xiǎn)度量指標(biāo)的總稱.現(xiàn)行的國(guó)際標(biāo)準(zhǔn)風(fēng)險(xiǎn)管理工具VaR最初由Morgan針對(duì)銀行業(yè)務(wù)風(fēng)險(xiǎn)的需要提出的,并很快被推廣成為了一種產(chǎn)業(yè)標(biāo)準(zhǔn).風(fēng)險(xiǎn)價(jià)值VaR是指在正常的市場(chǎng)條件、給定的置信水平以及給定的持有期間內(nèi),投資組合所面臨的潛在最大損失.VaR是一種分位數(shù)風(fēng)險(xiǎn)測(cè)度,一般給定置信水平p,典型的p=95%或者99%.但是,VaR作為風(fēng)險(xiǎn)測(cè)度只考慮了概率為p的事件的最大損失VaRp,高于VaRp的損失并沒有納入風(fēng)險(xiǎn)測(cè)度,為克服這個(gè)缺陷,Tail Value at Risk(or TVaR)被提出來.在給定置信水平p下,TVaR就是損失落入最糟的1-p部分的平均損失.下面給出Erlang極值混合模型關(guān)于風(fēng)險(xiǎn)指標(biāo)VaR和TVaR的計(jì)算.

    為便于風(fēng)險(xiǎn)指標(biāo)VaRp和TVaRp的計(jì)算,當(dāng)X≤μ時(shí),將生存函數(shù)(2.7)用Erlang密度函數(shù)分別表達(dá)為

    假設(shè)損失隨機(jī)變量X服從Erlang極值混合分布(2.6),給定置信水平p,有

    方程(2.9)的解即置信水平為p的VaRp.

    計(jì)算TVaRp之前,首先研究自付責(zé)任額為R(>l)的再保險(xiǎn)的純保費(fèi),當(dāng)R≤μ時(shí),

    當(dāng)R>μ時(shí),

    綜上,自付責(zé)任額為R(>l)的再保險(xiǎn)的純保費(fèi)為

    當(dāng)自付責(zé)任額R=VaRp時(shí),置信水平為p的TVaRp為

    3 EM算法

    文獻(xiàn)[33]針對(duì)每一個(gè)分量權(quán)重參數(shù)πj,j=1,···,m,提出的iSCAD懲罰函數(shù)為

    其中I(·)是示性函數(shù).本文建立的Erlang極值混合分布中Eralng混合分布的參數(shù)估計(jì)與新引入的極值分布的參數(shù)估計(jì)互不影響,因此關(guān)于Eralng混合分布的極大懲罰似然估計(jì)仍然是一致的.

    Expectation-Maximization(EM)算法最早由Dempster[11]給出比較詳細(xì)的說明,當(dāng)似然函數(shù)的最大值點(diǎn)不能直接得到時(shí),EM算法通過迭代的方法找到最大值點(diǎn).EM算法需引入隱變量,隱變量可以是未知參數(shù),丟失的數(shù)據(jù)或者任何可以使模型簡(jiǎn)化的未觀測(cè)數(shù)據(jù)量. EM算法分為E-step和M-step兩步,其中E-step計(jì)算目標(biāo)函數(shù)關(guān)于隱變量Z的條件期望, M-step是最大化目標(biāo)函數(shù),求得參數(shù)的極大似然估計(jì).王繼霞等[1]將EM算法用于有限混合Laplace分布的估計(jì).

    Erlang極值混合模型的所有待估參數(shù)是:擬合數(shù)據(jù)主體部分的Erlang混合分布的序m,形狀參數(shù)γ=(γ1,···,γm),相應(yīng)的權(quán)重參數(shù)α=(α1,···,αm),所有Erlang分布共用的尺度參數(shù)θ,擬合數(shù)據(jù)尾部的廣義帕累托分布的閾值μ,尺度參數(shù)σ,形狀參數(shù)ξ,下面逐一介紹它們的估計(jì).

    由公式(2.2)知,密度函數(shù)(2.6)也可以由新權(quán)重參數(shù)π表示為

    假設(shè)X=(X1,···,Xn)是獨(dú)立同分布的隨機(jī)變量,服從密度函數(shù)h(x;l,μ,π,γ,θ,ξ,σ),即(3.2),樣本觀測(cè)值為x=(x1,···,xn),相應(yīng)有序樣本觀測(cè)值為x(1)≤···≤x(n),記

    Pickands[25]給出與閾值μ相應(yīng)的k的選擇方法,從1開始依次增加,最大值為[n/4],而μ=x(n-k),本文最終由似然函數(shù)的大小選出μ.為方便后面的說明,重新表示n'=n-k和x'=(x(1),···,x(n')).

    形狀參數(shù)的估計(jì)采用Yin和Lin[33]類似的方法,即預(yù)先給定一個(gè)大的混合序M,形狀參數(shù)的所有可能取值是γ0=(),通過估計(jì)相應(yīng)的權(quán)重參數(shù),來實(shí)現(xiàn)混合序的估計(jì)和形狀參數(shù)的選擇.

    Erlang極值混合分布的密度函數(shù)h(x;l,μ,π,γ0,θ,ξ,σ)中的部分未知參數(shù)記為φ= (π1,···,πM,θ),本文采用EM算法來估計(jì)φ.

    樣本x=(x1,···,xn)的對(duì)數(shù)似然函數(shù)為

    樣本x=(x1,···,xn)的iSCAD懲罰對(duì)數(shù)似然函數(shù),其中與參數(shù)φ=(π1,···,πM,θ)有關(guān)的部分是

    直接關(guān)于?n',P(φ;x)求極大似然估計(jì)是困難的,本文使用EM算法,引入隱變量,即Z=(Z1,···,Zn),其中Zi=(Zij|i=1,···,n,j=1,···,M),

    那么完整樣本(x,Z)的似然函數(shù)為

    相應(yīng)完整樣本(x,Z)的對(duì)數(shù)似然函數(shù)為

    相應(yīng)的完整樣本(x,Z)的iSCAD懲罰對(duì)數(shù)似然函數(shù)為

    EM算法是利用迭代過程來估計(jì)參數(shù)的方法,假設(shè)已經(jīng)完成第k次迭代,獲得的當(dāng)前估計(jì)是φ(k)=EM算法的E-step和M-step分別為

    E-step ?n,P(φ;x,Z)關(guān)于隱變量Z求條件期望,得到關(guān)于可觀測(cè)樣本x的邊際似然函數(shù),即

    M-step(3.9)式是權(quán)重參數(shù)πj(j=1,···,M)和尺度參數(shù)θ的函數(shù),求函數(shù)(3.9)的極大估計(jì),即

    權(quán)重參數(shù)πj的第(k+1)次迭代的估計(jì)為

    尺度參數(shù)θ的第(k+1)次迭代的估計(jì)為

    其中

    迭代過程一直持續(xù)到|Q(φ(k))-Q(φ(k-1))|小于某個(gè)既定的誤差界.分別以0,j=1,···,M}和表示EM迭代的最終結(jié)果.混合模型序的估計(jì)是

    最后,關(guān)于廣義帕累托分布(GPD)的尺度參數(shù)σ和形狀參數(shù)ξ的極大似然估計(jì),Coles[8]已經(jīng)詳細(xì)討論過,本文就不再作重復(fù)說明.

    本文利用R軟件進(jìn)行計(jì)算,基于Yin和Lin[33]關(guān)于Erlang混合分布的R程序和軟件包“ismev”,編寫本文Erlang混合分布和GPD分布混合模型的R程序,完成模擬實(shí)驗(yàn)和實(shí)際數(shù)據(jù)中模型參數(shù)的估計(jì).

    4 模擬實(shí)驗(yàn)

    為驗(yàn)證模型和估計(jì)的有效性,本文給出一個(gè)模擬實(shí)驗(yàn),從密度函數(shù)(2.6)中隨機(jī)抽取了2500個(gè)隨機(jī)數(shù),其中(2.6)式中的所有參數(shù)見表1中的真實(shí)參數(shù).

    表1:真實(shí)參數(shù)與參數(shù)估計(jì)值的對(duì)比

    參數(shù)的初始化主要參考文獻(xiàn)[19,28].事先給定M=10,形狀參數(shù)的備擇范圍即γ=(1,···,10),以Tijms[28]的方法初始化,公式(3.11)給出極大懲罰似然的權(quán)重參數(shù)估計(jì),其稀疏性實(shí)現(xiàn)了在形狀參數(shù)備擇范圍γ=(1,···,10)中進(jìn)行合理選擇.從表1可以看出,形狀參數(shù)最終僅選中=(2,7),只有這兩個(gè)形狀參數(shù)對(duì)應(yīng)的權(quán)重參數(shù)估計(jì)為非零的,即=(0.501,0.499),其它形狀參數(shù)相應(yīng)的權(quán)重參數(shù)估計(jì)均為零,即=0,j=1,3,4,5,6,8,9,10.顯然,混合模型序的估計(jì)

    由本實(shí)驗(yàn)可以看出,引入iSCAD懲罰的優(yōu)勢(shì)所在:通過對(duì)權(quán)重參數(shù)的估計(jì),同時(shí)實(shí)現(xiàn)了對(duì)形狀參數(shù)的選擇和混合模型序的估計(jì).表1列出的所有參數(shù)估計(jì)值與真實(shí)值都很接近,說明模型和算法都很有效,能夠反映出數(shù)據(jù)的特征.圖1很好的反應(yīng)了這一點(diǎn),圖1中的真實(shí)曲線和擬合曲線幾乎是重合的.

    圖1:模擬數(shù)據(jù)的直方圖,真實(shí)曲線與擬合曲線

    5 丹麥火災(zāi)數(shù)據(jù)

    丹麥火災(zāi)賠償數(shù)據(jù)有2167個(gè)觀測(cè)值,Embrechts[14]和Mendes[24]等都用極值理論研究過這組數(shù)據(jù)的尾部,本文采用Erlang極值混合模型從總體上研究這組數(shù)據(jù),不再僅僅限于研究其尾部特征.

    文獻(xiàn)[33]討論了帶左截?cái)帱c(diǎn)l的Erlang混合分布,本文在其基礎(chǔ)上提出了Erlang極值混合分布,在本例中將利用這兩種不同的分布分別擬合丹麥火災(zāi)賠償數(shù)據(jù),比較兩種分布的優(yōu)劣.

    表2給出Erlang混合分布和Erlang極值混合分布(2.6)擬合火災(zāi)損失數(shù)據(jù)得到的所有參數(shù)的估計(jì)值,其中利用Erlang極值混合分布得到的結(jié)果說明擬合數(shù)據(jù)的主體部分采用了三個(gè)Erlang分布,數(shù)據(jù)的尾部由廣義帕累托分布來擬合,兩部分的閾值點(diǎn)為4.174,尾部數(shù)據(jù)比例為0.152;而利用Erlang混合分布擬合同一組火災(zāi)數(shù)據(jù)則需要十個(gè)不同的Erlang分布的混合.

    表2 :參數(shù)估計(jì)值

    圖2:丹麥火災(zāi)數(shù)據(jù)的直方圖與擬合曲線

    圖2是丹麥火災(zāi)數(shù)據(jù)的直方圖、Erlang混合分布和Erlang極值混合分布的擬合曲線,可以看出擬合效果較好.

    圖3和4分別給出Erlang混合分布和Erlang極值混合分布的Q-Q圖,顯然Erlang極值混合分布在尾部數(shù)據(jù)的擬合上更優(yōu).

    本文給出VaR的非參數(shù)(nonparametric)法估計(jì)作為標(biāo)桿,在置信水平為p的條件下, VaRp的非參數(shù)估計(jì)是方程Fn(VaRp)=p的解,其中Fn(x)=

    表3:非參數(shù)法、Erlang混合分布和Erlang極值混合分布的VaRp值的比較

    圖3:丹麥火災(zāi)數(shù)據(jù)的Q-Q圖(Erlang混合分布)

    圖4:丹麥火災(zāi)數(shù)據(jù)的Q-Q圖(Erlang極值混合分布)

    表3給出三種方法的VaRp估計(jì)值,表3可以看出,Erlang極限混合分布估計(jì)得到的VaRp與非參數(shù)法得到的VaRp非常接近,估計(jì)效果很好.

    表4:非參數(shù)法、Erlang混合分布和Erlang極值混合分布的TVaRp值的比較

    表4給出非參數(shù)法、Erlang混合分布和Erlang極值混合分布的TVaRp估計(jì)值,其中TVaR的非參數(shù)估計(jì)為TVaRp=.Erlang混合分布的TVaRp比非參數(shù)法的結(jié)果偏小,這主要是因?yàn)镋rlang混合分布對(duì)火災(zāi)損失數(shù)據(jù)的尾部擬合不足,見圖3;而Erlang極值混合分布的結(jié)果稍大,而且越到尾部,這種趨勢(shì)越明顯,這主要是因?yàn)楣烙?jì)得到的=0.661>0,即估計(jì)的極值分布為厚尾的,而實(shí)際數(shù)據(jù)的尾部過于稀疏,不足以表現(xiàn)這種厚尾性.

    [1]王繼霞,汪春峰,苗雨.有限混合Laplace分布回歸模型局部估計(jì)的EM算法(英文)[J/OL].數(shù)學(xué)雜志, 2016,36(4):667-675.

    [2]Badescu A L,Lan G,Lin X S,et al.Modeling correlated frequencies with application in operational risk management[J].J.Oper.Risk,2015,10(1):1-43.

    [4]Beirlant J,Goegebeur Y,Segers J,et al.Statistics of extremes:theory and applications[M].Ltd England:John Wiley&Sons,2006.

    [5]Behrens C N,Lopes H F,Gamerman D.Bayesian analysis of extreme events with threshold estimation[J].Stat.Model.,2004,4(3):227-244.

    [6]Carreau J,Bengio Y.A hybrid Pareto model for asymmetric fat-tail data[R].Technical Report 1283, Canada:Dept.IRO,Universitde Montral,2006.

    [7]Carreau J,Bengio Y.A hybrid pareto mixture for conditional asymmetric fat-tailed distributions[J]. Neural Net.,IEEE Trans.,2009,20(7):1087-1101.

    [8]Coles S,Bawa J,Trenner L,et al.An introduction to statistical modeling of extreme values[M]. London:Springer,2001.

    [9]Cossette H,Mailhot M,Marceau.TVaR-based capital allocation for multivariate compound distributions with positive continuous claim amounts[J].Insur.:Math.Econ.,2012,50(2):247-256.

    [10]Cossette H,CotM P,Marceau E,et al.Multivariate distribution defined with Farlie Gumbel Morgenstern copula and mixed Erlang marginals:Aggregation and capital allocation[J].Insur.: Math.Econ.,2013,52(3):560-572.

    [11]Dempster A P,Laird N M,Rubin D B.Maximum likelihood from incomplete data via the EM algorithm[J].J.Royal Stat.Soc.,Ser.B(Methodological),1977:1-38.

    [12]Embrechts P,Klppelberg C,Mikosch T.Modelling extremal events for insurance and finance[J]. Springer,1997,71(2):183-199.

    [13]Embrechts P,Resnick S I,Samorodnitsky G.Extreme value theory as a risk management tool[J]. North Amer.Actua.J.,1999,3(2):30-41.

    [14]Embrechts P,Klppelberg C,Mikosch T.Modelling extremal events:for insurance and finance[M]. Germany:Springer Sci.Business Media,2013.

    [15]Frigessi A,Haug O,Rue H.A dynamic mixture model for unsupervised tail estimation without threshold selection[J].Extremes,2002,5(3):219-235.

    [16]Hashorva E,Ratovomirija G.On Sarmanov mixed Erlang risks in insurance applications[J].Astin Bull.,2015,45(01):175-205.

    [17]Landriault D,Willmot G E.On the joint distributions of the time to ruin,the surplus prior to ruin, and the deficit at ruin in the classical risk model[J].North Amer.Actua.J.,2009,13(2):252-270.

    [18]Lee D,Li W K,Wong T S T.Modeling insurance claims via a mixture exponential model combined with peaks-over-threshold approach[J].Insur.:Math.Econ.,2012,51(3):538-550.

    [19]Lee S C K,Lin X S.Modeling and evaluating insurance losses via mixtures of Erlang distributions[J]. North Amer.Actua.J.,2010,14(1):107-130.

    [20]Lee S C K,Lin X S.Modeling dependent risks with multivariate Erlang mixtures[J].Astin Bull., 2012,42(01):153-180.

    [21]Lin X S,Willmot G E.The moments of the time of ruin,the surplus before ruin,and the deficit at ruin[J].Insur.:Math.Econ.,2000,27(1):19-44.

    [22]MacDonald A,Scarrott C J,Lee D,et al.A flexible extreme value mixture model[J].Comput.Stat. Data Anal.,2011,55(6):2137-2157.

    [23]McNeil A J.Estimating the tails of loss severity distributions using extreme value theory[J].Astin Bull.,1997,27(01):117-137.

    [24]Melo Mendes B V,Lopes H F.Data driven estimates for mixtures[J].Comput.Stat.Data Anal., 2004,47(3):583-598.

    [25]Pickands III J.Statistical inference using extreme order statistics[J].Ann.Stat.,1975:119-131.

    [26]Porth L,Zhu W,Seng Tan K.A credibility-based Erlang mixture model for pricing crop reinsurance[J].Agricul.Finance Rev.,2014,74(2):162-187.

    [27]Resnick S I.Discussion of the Danish data on large fire insurance losses[J].Astin Bull.,1997,27(01): 139-151.

    [28]Tijms H C.A first course in stochastic models[M].UK:John Wiley and Sons,2003.

    [29]Tsai C C L,Willmot G E.On the moments of the surplus process perturbed by diffusion[J].Insur.: Math.Econ.,2002,31(3):327-350.

    [30]Verbelen R,Gong L,Antonio K,et al.Fitting mixtures of Erlangs to censored and truncated data using the EM algorithm[J].Astin Bull.,2015,45(03):729-758.

    [31]Verbelen R,Antonio K,Claeskens G.Multivariate mixtures of Erlangs for density estimation under censoring[J].Life.Data Anal.,2015:1-27.

    [32]Willmot G E,Woo J K.On some properties of a class of multivariate Erlang mixtures with insurance applications[J].Astin Bull.,2015,45(01):151-173.

    [33]Yin C,Lin X S.Efficient estimation of Erlang mixtures using iSCAD penalty with insurance application[J].Astin Bull.,Available on CJO2016,doi:10.1017/asb.2016.14.

    2010 MR Subject Classification:62E15;62F10

    EFFICIENT ESTIMATION OF ERLANG AND GPD MIXTURES USING ISCAD PENALTY WITH INSURANCE APPLICATION

    YIN Cui-hong1,LIN Xiao-dong1,2,YUAN Hai-li3
    (1.School of Mathematical Sciences,Xiamen University,Xiamen 361005,China)
    (2.Department of Statistical Sciences,University of Toronto,Ontario M5S 3G3,Canada)
    (3.School of Mathematics and Statistics Sciences,Wuhan University,Wuhan 430072,China)

    In this paper,we study efficient estimation of Erlang&GPD mixture model.By using a new thresholding penalty function and a corresponding EM algorithm,we estimate model parameters and determine the order of the mixture model.We obtain risk measure including VaR and TVaR and show efficiency of the new mixture model in simulation studies and a real data application,which improve Erlang&extreme value mixture model in modeling insurance losses.

    extreme value theory;mixture model;iSCAD penalty;EM algorithm;likelihood function

    MR(2010)主題分類號(hào):62E15;62F10O212.1

    A

    0255-7797(2016)06-1315-13

    ?2016-04-09接收日期:2016-06-28

    國(guó)家自然科學(xué)基金資助(11201352).

    殷崔紅(1982-),女,山東濰坊,博士,主要研究方向:非壽險(xiǎn)精算.

    猜你喜歡
    帕累托尾部極值
    船舶尾部響應(yīng)特性試驗(yàn)與計(jì)算
    極值點(diǎn)帶你去“漂移”
    超聲及磁共振診斷骶尾部藏毛竇1例
    成都經(jīng)濟(jì)區(qū)極端降水廣義帕累托分布模型研究
    極值點(diǎn)偏移攔路,三法可取
    一類“極值點(diǎn)偏移”問題的解法與反思
    審判工作量何以最優(yōu):民事審判單元的“帕累托效率”——以C市基層法院為例
    帕累托最優(yōu)
    彎式尾部接頭注塑模具設(shè)計(jì)
    匹配數(shù)為1的極值2-均衡4-部4-圖的結(jié)構(gòu)
    人体艺术视频欧美日本| 国产在线一区二区三区精| 国模一区二区三区四区视频| 亚洲成人手机| 综合色丁香网| 国精品久久久久久国模美| 一级二级三级毛片免费看| 校园人妻丝袜中文字幕| 一级毛片我不卡| 免费看日本二区| 秋霞伦理黄片| 身体一侧抽搐| 国国产精品蜜臀av免费| 最近的中文字幕免费完整| 国产日韩欧美在线精品| 1000部很黄的大片| 大片电影免费在线观看免费| 国产片特级美女逼逼视频| 99久久人妻综合| 伦精品一区二区三区| 亚洲精品乱码久久久久久按摩| 亚洲国产欧美在线一区| 国产片特级美女逼逼视频| 久久国产精品男人的天堂亚洲 | 18禁裸乳无遮挡动漫免费视频| 日本av手机在线免费观看| 一级黄片播放器| 久热这里只有精品99| 久久女婷五月综合色啪小说| 国产精品秋霞免费鲁丝片| 最近中文字幕高清免费大全6| 国产乱来视频区| 秋霞伦理黄片| 黄片无遮挡物在线观看| 综合色丁香网| 蜜桃久久精品国产亚洲av| 不卡视频在线观看欧美| 最黄视频免费看| 观看美女的网站| 青春草国产在线视频| 国产精品麻豆人妻色哟哟久久| 国产高清不卡午夜福利| 日韩大片免费观看网站| av国产久精品久网站免费入址| 亚洲成人一二三区av| 涩涩av久久男人的天堂| 国产乱人偷精品视频| 国产成人免费观看mmmm| 亚洲怡红院男人天堂| 国产精品一区二区在线不卡| 婷婷色av中文字幕| 国产精品一区二区三区四区免费观看| 国产精品av视频在线免费观看| 嫩草影院新地址| 热re99久久精品国产66热6| 国产又色又爽无遮挡免| 免费高清在线观看视频在线观看| 青春草亚洲视频在线观看| 亚洲人与动物交配视频| 人人妻人人看人人澡| 国产女主播在线喷水免费视频网站| 日韩中文字幕视频在线看片 | 人人妻人人澡人人爽人人夜夜| 大话2 男鬼变身卡| 久久国产亚洲av麻豆专区| 中文在线观看免费www的网站| 日本欧美视频一区| 91精品一卡2卡3卡4卡| 午夜免费男女啪啪视频观看| 久久久精品免费免费高清| 亚洲国产精品999| 亚洲,欧美,日韩| 亚洲,欧美,日韩| 免费av不卡在线播放| 美女脱内裤让男人舔精品视频| 蜜臀久久99精品久久宅男| 我要看日韩黄色一级片| 亚洲国产成人一精品久久久| 夜夜看夜夜爽夜夜摸| 国产精品一及| 国产 精品1| 国产淫语在线视频| 天天躁夜夜躁狠狠久久av| 成人影院久久| 国产精品蜜桃在线观看| 免费av不卡在线播放| 熟女av电影| 一个人看的www免费观看视频| 日本欧美视频一区| 美女内射精品一级片tv| 夜夜骑夜夜射夜夜干| 精品人妻熟女av久视频| 少妇人妻精品综合一区二区| 99热6这里只有精品| 中文字幕亚洲精品专区| 亚洲av在线观看美女高潮| h视频一区二区三区| 麻豆成人av视频| 大陆偷拍与自拍| 男人舔奶头视频| 久久久久精品久久久久真实原创| 黑人高潮一二区| 亚洲国产精品一区三区| 国模一区二区三区四区视频| 成人二区视频| 免费看av在线观看网站| 国产亚洲午夜精品一区二区久久| 日韩大片免费观看网站| 激情 狠狠 欧美| 王馨瑶露胸无遮挡在线观看| 大片免费播放器 马上看| 久久国内精品自在自线图片| 在线免费十八禁| 国产91av在线免费观看| 精品一品国产午夜福利视频| 久久毛片免费看一区二区三区| kizo精华| 日本-黄色视频高清免费观看| 欧美三级亚洲精品| 日本av免费视频播放| 亚洲av国产av综合av卡| 日韩大片免费观看网站| 国产精品国产三级国产专区5o| 久久精品国产亚洲av涩爱| 欧美bdsm另类| 亚洲精品日本国产第一区| 国产午夜精品一二区理论片| 日韩不卡一区二区三区视频在线| 亚洲人与动物交配视频| 人人妻人人澡人人爽人人夜夜| 久久久久视频综合| 少妇熟女欧美另类| 成人亚洲精品一区在线观看 | 春色校园在线视频观看| 日韩一区二区视频免费看| 婷婷色麻豆天堂久久| 超碰av人人做人人爽久久| 91精品国产九色| 欧美区成人在线视频| 又粗又硬又长又爽又黄的视频| 久久久久性生活片| 一个人看视频在线观看www免费| 男女啪啪激烈高潮av片| 国产男人的电影天堂91| 亚洲精品自拍成人| 五月开心婷婷网| 国产女主播在线喷水免费视频网站| 噜噜噜噜噜久久久久久91| 美女视频免费永久观看网站| 亚洲自偷自拍三级| 免费黄色在线免费观看| 久久女婷五月综合色啪小说| 大片电影免费在线观看免费| 亚洲精品456在线播放app| 波野结衣二区三区在线| 久久久精品94久久精品| 熟妇人妻不卡中文字幕| 亚洲精品乱码久久久久久按摩| 在线观看美女被高潮喷水网站| 国产深夜福利视频在线观看| 午夜日本视频在线| 国产白丝娇喘喷水9色精品| av又黄又爽大尺度在线免费看| 欧美xxxx性猛交bbbb| 国产在线视频一区二区| 夫妻午夜视频| 美女视频免费永久观看网站| 91狼人影院| 国产精品麻豆人妻色哟哟久久| 免费在线观看成人毛片| 亚洲av不卡在线观看| 国产淫语在线视频| 看免费成人av毛片| 2022亚洲国产成人精品| 国产成人免费观看mmmm| 国产高清有码在线观看视频| 久久精品国产亚洲av天美| 亚洲电影在线观看av| 激情五月婷婷亚洲| 国产精品蜜桃在线观看| 男人舔奶头视频| 亚洲成人手机| 日韩一区二区视频免费看| 3wmmmm亚洲av在线观看| 日韩 亚洲 欧美在线| 精品酒店卫生间| 一边亲一边摸免费视频| 久久精品国产亚洲av天美| 午夜福利高清视频| 一本久久精品| 国产精品一区二区三区四区免费观看| 国产高清国产精品国产三级 | 国产一区二区三区av在线| 97热精品久久久久久| 秋霞伦理黄片| 最新中文字幕久久久久| 国产乱来视频区| 大陆偷拍与自拍| 舔av片在线| 老师上课跳d突然被开到最大视频| 男女边摸边吃奶| 亚洲高清免费不卡视频| 欧美+日韩+精品| 亚洲精品乱久久久久久| 内地一区二区视频在线| freevideosex欧美| 99久国产av精品国产电影| 国产伦在线观看视频一区| 色吧在线观看| 亚洲国产成人一精品久久久| 免费高清在线观看视频在线观看| 最近手机中文字幕大全| 熟女av电影| 色婷婷av一区二区三区视频| 涩涩av久久男人的天堂| 久久99精品国语久久久| 91久久精品国产一区二区成人| 极品教师在线视频| 一本一本综合久久| 亚洲精品久久午夜乱码| 国产人妻一区二区三区在| 成人美女网站在线观看视频| 欧美激情极品国产一区二区三区 | 在线观看一区二区三区| 久久久久久久精品精品| 一级黄片播放器| 国产精品国产av在线观看| 国产成人精品久久久久久| 3wmmmm亚洲av在线观看| 国产亚洲最大av| 亚洲人与动物交配视频| 日韩欧美一区视频在线观看 | 久久久成人免费电影| 日韩一区二区三区影片| 国产成人精品久久久久久| 久久97久久精品| 99久久精品一区二区三区| 日韩精品有码人妻一区| 久久99热6这里只有精品| 精品熟女少妇av免费看| 欧美日韩国产mv在线观看视频 | 大片免费播放器 马上看| 欧美日本视频| 免费久久久久久久精品成人欧美视频 | 国产精品国产av在线观看| 亚洲综合色惰| 久久久久久久国产电影| 亚洲欧美精品专区久久| 国产成人aa在线观看| 亚洲成人av在线免费| 搡老乐熟女国产| 一级爰片在线观看| 一区在线观看完整版| 国产淫片久久久久久久久| 久久女婷五月综合色啪小说| 日日摸夜夜添夜夜爱| 男人添女人高潮全过程视频| av免费在线看不卡| 亚洲精品456在线播放app| 天天躁夜夜躁狠狠久久av| 18禁裸乳无遮挡免费网站照片| 久久av网站| 2018国产大陆天天弄谢| 97在线人人人人妻| 搡女人真爽免费视频火全软件| 秋霞在线观看毛片| 国产爱豆传媒在线观看| 在线 av 中文字幕| 亚洲国产高清在线一区二区三| 黄色怎么调成土黄色| 精品一品国产午夜福利视频| 午夜激情久久久久久久| 精品久久久噜噜| 久久99热这里只有精品18| 免费看av在线观看网站| 亚洲欧美精品专区久久| 99热这里只有是精品在线观看| 身体一侧抽搐| 国产精品熟女久久久久浪| 亚洲成色77777| 少妇裸体淫交视频免费看高清| 久久久精品免费免费高清| 一本—道久久a久久精品蜜桃钙片| 婷婷色av中文字幕| 成人毛片60女人毛片免费| 日韩强制内射视频| 日韩成人av中文字幕在线观看| 在线观看美女被高潮喷水网站| 99热这里只有是精品在线观看| 色综合色国产| av在线播放精品| 国产精品人妻久久久久久| 一级片'在线观看视频| 久久精品国产鲁丝片午夜精品| 国产精品成人在线| 99热全是精品| 婷婷色麻豆天堂久久| 男人爽女人下面视频在线观看| 久久女婷五月综合色啪小说| av卡一久久| 国产精品99久久久久久久久| 舔av片在线| a级一级毛片免费在线观看| 国产欧美另类精品又又久久亚洲欧美| videos熟女内射| 国产一区二区在线观看日韩| 女的被弄到高潮叫床怎么办| 黄片无遮挡物在线观看| 性色av一级| 亚洲av中文av极速乱| 男人爽女人下面视频在线观看| 国产有黄有色有爽视频| 插阴视频在线观看视频| 欧美区成人在线视频| 91精品伊人久久大香线蕉| 精品少妇黑人巨大在线播放| 超碰av人人做人人爽久久| 亚洲av中文字字幕乱码综合| 少妇人妻一区二区三区视频| 一级二级三级毛片免费看| 搡女人真爽免费视频火全软件| 亚洲精品久久午夜乱码| 久久久久久久久久久丰满| 日本av免费视频播放| 韩国av在线不卡| av网站免费在线观看视频| 亚洲四区av| 九九在线视频观看精品| 99久久综合免费| 九草在线视频观看| 啦啦啦视频在线资源免费观看| 久久av网站| 舔av片在线| 18+在线观看网站| 夫妻午夜视频| 免费看不卡的av| 亚洲国产欧美人成| 久久久欧美国产精品| 男女边吃奶边做爰视频| 亚洲人成网站在线观看播放| 男女国产视频网站| 国产精品人妻久久久久久| 久久久精品94久久精品| 91精品一卡2卡3卡4卡| 亚洲精品国产色婷婷电影| a级一级毛片免费在线观看| 免费久久久久久久精品成人欧美视频 | 午夜免费男女啪啪视频观看| 久久影院123| 国产伦精品一区二区三区四那| 大片电影免费在线观看免费| 秋霞伦理黄片| 男女国产视频网站| 亚洲无线观看免费| 超碰av人人做人人爽久久| 色5月婷婷丁香| 成人影院久久| 在线精品无人区一区二区三 | 久久国产精品大桥未久av | 亚洲精品一区蜜桃| 少妇人妻 视频| 纯流量卡能插随身wifi吗| 精品久久久久久久久亚洲| 免费看av在线观看网站| 精品久久久久久久久亚洲| 亚洲国产成人一精品久久久| 国产精品av视频在线免费观看| 久久精品国产亚洲av天美| 九九久久精品国产亚洲av麻豆| 极品教师在线视频| 国产精品秋霞免费鲁丝片| 亚洲不卡免费看| 美女福利国产在线 | 一本色道久久久久久精品综合| 免费看日本二区| 黄色一级大片看看| 欧美老熟妇乱子伦牲交| 亚洲精品日韩在线中文字幕| 亚洲精品国产色婷婷电影| 丝瓜视频免费看黄片| av在线蜜桃| 亚洲精品国产色婷婷电影| 成年av动漫网址| 久久久久久九九精品二区国产| 久久综合国产亚洲精品| 亚洲国产精品国产精品| 午夜日本视频在线| 最后的刺客免费高清国语| 国产伦精品一区二区三区四那| 美女主播在线视频| 简卡轻食公司| 日韩国内少妇激情av| 爱豆传媒免费全集在线观看| 免费在线观看成人毛片| 久久国产精品大桥未久av | 少妇的逼好多水| 青春草视频在线免费观看| 有码 亚洲区| 少妇的逼水好多| 亚洲精品国产成人久久av| 97超碰精品成人国产| 在线观看国产h片| 中文资源天堂在线| 一二三四中文在线观看免费高清| 美女脱内裤让男人舔精品视频| 中文字幕精品免费在线观看视频 | 久久久久久久大尺度免费视频| 一区二区三区精品91| 国产精品伦人一区二区| 亚洲欧洲国产日韩| 中文在线观看免费www的网站| 黑人高潮一二区| 久久精品熟女亚洲av麻豆精品| 丰满乱子伦码专区| 伊人久久精品亚洲午夜| 欧美成人一区二区免费高清观看| 三级国产精品欧美在线观看| 午夜激情福利司机影院| 五月伊人婷婷丁香| 乱码一卡2卡4卡精品| 中文精品一卡2卡3卡4更新| 成人一区二区视频在线观看| 亚洲国产精品一区三区| 日韩,欧美,国产一区二区三区| 高清不卡的av网站| 亚洲国产高清在线一区二区三| 亚洲国产色片| 欧美精品一区二区免费开放| 亚洲图色成人| 国产精品人妻久久久影院| 日韩欧美一区视频在线观看 | 蜜桃亚洲精品一区二区三区| 亚洲美女视频黄频| 亚洲三级黄色毛片| 搡老乐熟女国产| 国产在线视频一区二区| 18禁裸乳无遮挡免费网站照片| 高清黄色对白视频在线免费看 | 午夜免费男女啪啪视频观看| 免费大片18禁| 久久女婷五月综合色啪小说| 精品一区二区三区视频在线| 国产极品天堂在线| 中文字幕制服av| 日日撸夜夜添| 在线观看免费视频网站a站| 91久久精品国产一区二区三区| 伦精品一区二区三区| 男男h啪啪无遮挡| 午夜福利在线观看免费完整高清在| 久久久久精品性色| 深夜a级毛片| 蜜桃久久精品国产亚洲av| 97超视频在线观看视频| 80岁老熟妇乱子伦牲交| 久久99热这里只频精品6学生| 夫妻性生交免费视频一级片| 国产 精品1| 少妇人妻一区二区三区视频| 亚洲国产精品999| 欧美区成人在线视频| 色婷婷久久久亚洲欧美| 亚洲精品视频女| 香蕉精品网在线| 国产伦精品一区二区三区视频9| 又黄又爽又刺激的免费视频.| 精品久久久久久久久av| 精品少妇黑人巨大在线播放| 午夜福利影视在线免费观看| 亚洲一区二区三区欧美精品| 精品99又大又爽又粗少妇毛片| 一本色道久久久久久精品综合| 久久久精品免费免费高清| 日韩成人av中文字幕在线观看| 国产高清不卡午夜福利| 亚洲人与动物交配视频| 99热国产这里只有精品6| 国产色爽女视频免费观看| av一本久久久久| 久久鲁丝午夜福利片| 午夜老司机福利剧场| 成人毛片a级毛片在线播放| 欧美丝袜亚洲另类| 成人国产麻豆网| 夜夜爽夜夜爽视频| 深爱激情五月婷婷| 欧美最新免费一区二区三区| 欧美精品亚洲一区二区| 少妇丰满av| 国产色婷婷99| 亚洲精品久久午夜乱码| 欧美xxⅹ黑人| 99热全是精品| 一区二区三区精品91| 女性被躁到高潮视频| 国产精品一区www在线观看| 精品国产一区二区三区久久久樱花 | 国产午夜精品久久久久久一区二区三区| 亚洲精品中文字幕在线视频 | 免费av中文字幕在线| 99国产精品免费福利视频| 最后的刺客免费高清国语| 亚洲一区二区三区欧美精品| 亚洲不卡免费看| 日本猛色少妇xxxxx猛交久久| 高清视频免费观看一区二区| 午夜老司机福利剧场| 男人舔奶头视频| 亚洲不卡免费看| 亚洲国产欧美人成| 亚洲色图av天堂| 成年人午夜在线观看视频| 黄片无遮挡物在线观看| 亚洲国产毛片av蜜桃av| 少妇裸体淫交视频免费看高清| 全区人妻精品视频| 三级国产精品片| 美女国产视频在线观看| 国产精品不卡视频一区二区| 精品久久久精品久久久| 只有这里有精品99| 丝袜喷水一区| 免费大片18禁| 亚洲欧美一区二区三区黑人 | 大陆偷拍与自拍| 亚洲精品成人av观看孕妇| 少妇人妻 视频| 人妻 亚洲 视频| 精品99又大又爽又粗少妇毛片| 国产亚洲91精品色在线| 高清视频免费观看一区二区| 高清欧美精品videossex| 街头女战士在线观看网站| 亚洲av在线观看美女高潮| 91久久精品国产一区二区三区| 波野结衣二区三区在线| 麻豆乱淫一区二区| 美女国产视频在线观看| 亚洲国产精品999| 高清欧美精品videossex| 国产午夜精品久久久久久一区二区三区| 国产 一区 欧美 日韩| 一级毛片久久久久久久久女| 日本-黄色视频高清免费观看| 国产视频内射| 97超视频在线观看视频| 国产探花极品一区二区| 夜夜骑夜夜射夜夜干| 精品人妻视频免费看| 国产高清三级在线| 视频中文字幕在线观看| 免费观看在线日韩| 国产精品蜜桃在线观看| 国产亚洲午夜精品一区二区久久| 黄色日韩在线| 建设人人有责人人尽责人人享有的 | 菩萨蛮人人尽说江南好唐韦庄| 男男h啪啪无遮挡| 亚洲欧美精品自产自拍| 日韩 亚洲 欧美在线| 在线观看免费日韩欧美大片 | 超碰av人人做人人爽久久| 国产黄片美女视频| 男人和女人高潮做爰伦理| 亚洲av国产av综合av卡| 欧美高清性xxxxhd video| 777米奇影视久久| 日韩成人伦理影院| 91久久精品国产一区二区成人| 国产免费福利视频在线观看| 久久久久精品性色| 久久99蜜桃精品久久| 国产一级毛片在线| 日韩制服骚丝袜av| 国产淫语在线视频| 免费大片18禁| 亚洲成人av在线免费| 成年人午夜在线观看视频| 日本av免费视频播放| 久久久a久久爽久久v久久| 亚洲精品国产成人久久av| 久久久久久久久久久免费av| 久久久久精品性色| 深夜a级毛片| 国产高清三级在线| 美女xxoo啪啪120秒动态图| 色网站视频免费| 最近2019中文字幕mv第一页| 久久99精品国语久久久| 久久精品国产a三级三级三级| 九色成人免费人妻av| 免费大片黄手机在线观看| 色婷婷久久久亚洲欧美| 少妇人妻一区二区三区视频| av线在线观看网站| 亚洲av.av天堂| 国产精品国产av在线观看| 卡戴珊不雅视频在线播放| 肉色欧美久久久久久久蜜桃| 熟女人妻精品中文字幕| 欧美亚洲 丝袜 人妻 在线| 国产精品蜜桃在线观看| 久久久久久伊人网av| 在线观看免费视频网站a站| 偷拍熟女少妇极品色| 黄色日韩在线| 亚洲精品日本国产第一区| av播播在线观看一区| 亚洲不卡免费看| 2018国产大陆天天弄谢| 亚洲久久久国产精品| 最后的刺客免费高清国语| 日韩av不卡免费在线播放| 欧美极品一区二区三区四区| 在线观看三级黄色|