• <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)
    婷婷色av中文字幕| 在线免费观看不下载黄p国产| 亚洲激情五月婷婷啪啪| 国产高清不卡午夜福利| 伊人久久精品亚洲午夜| 人人妻人人看人人澡| 大又大粗又爽又黄少妇毛片口| 尾随美女入室| 搞女人的毛片| 欧美日韩一区二区视频在线观看视频在线 | 国精品久久久久久国模美| 欧美最新免费一区二区三区| 尤物成人国产欧美一区二区三区| 欧美日韩国产mv在线观看视频 | 一级毛片久久久久久久久女| 欧美精品国产亚洲| 97在线视频观看| 黄片无遮挡物在线观看| 肉色欧美久久久久久久蜜桃 | 免费av观看视频| 日本一本二区三区精品| 国产久久久一区二区三区| 少妇熟女欧美另类| 成人性生交大片免费视频hd| 欧美xxxx黑人xx丫x性爽| 久久久色成人| 国产精品美女特级片免费视频播放器| 超碰97精品在线观看| videos熟女内射| 三级经典国产精品| 亚洲怡红院男人天堂| 综合色av麻豆| 亚洲精品第二区| 日日啪夜夜爽| 99视频精品全部免费 在线| 国产精品av视频在线免费观看| 一夜夜www| 国产乱来视频区| 久久久久久久久中文| 日韩人妻高清精品专区| 中国国产av一级| 97精品久久久久久久久久精品| 国产免费又黄又爽又色| 国内少妇人妻偷人精品xxx网站| 国产亚洲91精品色在线| 久久精品国产亚洲网站| 麻豆成人av视频| 男人舔奶头视频| 一级a做视频免费观看| 在线 av 中文字幕| 少妇的逼水好多| 91午夜精品亚洲一区二区三区| 精品久久久久久久久av| 日韩亚洲欧美综合| 尤物成人国产欧美一区二区三区| 1000部很黄的大片| 国产精品日韩av在线免费观看| 一二三四中文在线观看免费高清| 极品少妇高潮喷水抽搐| 熟女电影av网| 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 | 国产免费视频播放在线视频 | 久久精品国产鲁丝片午夜精品| 十八禁网站网址无遮挡 | 看免费成人av毛片| av专区在线播放| 国产伦理片在线播放av一区| 午夜福利在线观看免费完整高清在| 精品人妻视频免费看| 中国国产av一级| 三级毛片av免费| 亚洲在线观看片| 国产男女超爽视频在线观看| 日本色播在线视频| 男女国产视频网站| 最后的刺客免费高清国语| av线在线观看网站| 久久久欧美国产精品| 日韩在线高清观看一区二区三区| 国产精品一区二区性色av| 又大又黄又爽视频免费| 国产视频首页在线观看| 亚洲最大成人手机在线| 久久久久性生活片| 中文字幕久久专区| 精品少妇黑人巨大在线播放| 日韩一本色道免费dvd| 亚洲av免费在线观看| 青青草视频在线视频观看| 国产美女午夜福利| 国产v大片淫在线免费观看| 人人妻人人看人人澡| 在线观看av片永久免费下载| 久久久国产一区二区| 成人无遮挡网站| 色播亚洲综合网| 麻豆乱淫一区二区| 丝袜喷水一区| 欧美激情国产日韩精品一区| 亚洲精品久久久久久婷婷小说| 亚洲av成人av| 性插视频无遮挡在线免费观看| 国产精品伦人一区二区| 80岁老熟妇乱子伦牲交| 成年女人看的毛片在线观看| 久久精品夜夜夜夜夜久久蜜豆| 亚洲av一区综合| 男人爽女人下面视频在线观看| 国产亚洲av片在线观看秒播厂 | 男女啪啪激烈高潮av片| 国产伦精品一区二区三区视频9| 一级二级三级毛片免费看| 五月天丁香电影| 久久久久久久国产电影| 中文资源天堂在线| 一区二区三区高清视频在线| 又粗又硬又长又爽又黄的视频| 一夜夜www| 在线免费观看不下载黄p国产| 亚洲图色成人| 人人妻人人看人人澡| 日产精品乱码卡一卡2卡三| 夫妻午夜视频| 麻豆成人午夜福利视频| 亚洲av成人精品一区久久| 黄色配什么色好看| 男人舔奶头视频| 国产亚洲午夜精品一区二区久久 | 成年人午夜在线观看视频 | 免费黄色在线免费观看| 欧美xxxx性猛交bbbb| 青春草视频在线免费观看| 熟女电影av网| 国产精品国产三级专区第一集| 色综合亚洲欧美另类图片| 一级二级三级毛片免费看| 少妇猛男粗大的猛烈进出视频 | 91精品国产九色| 亚洲在线观看片| 日日啪夜夜撸| 欧美日韩国产mv在线观看视频 | 乱码一卡2卡4卡精品| 成年女人看的毛片在线观看| 搡老妇女老女人老熟妇| 国产综合懂色| 2022亚洲国产成人精品| 性色avwww在线观看| 日韩一区二区视频免费看| 久久99精品国语久久久| 日日摸夜夜添夜夜爱| 又爽又黄a免费视频| 我的老师免费观看完整版| 男女国产视频网站| 久久久久久久国产电影| 成年女人看的毛片在线观看| 91在线精品国自产拍蜜月| 中文在线观看免费www的网站| 1000部很黄的大片| 久久韩国三级中文字幕| 午夜免费观看性视频| 国产精品福利在线免费观看| 久久久色成人| 少妇高潮的动态图| av又黄又爽大尺度在线免费看| 最近的中文字幕免费完整| 亚洲在久久综合| 国产成人91sexporn| 国产精品嫩草影院av在线观看| 亚洲欧美成人精品一区二区| 草草在线视频免费看| 午夜精品在线福利| 国产精品一区二区三区四区免费观看| 亚洲av成人av| 亚洲精品乱码久久久v下载方式| 亚洲av日韩在线播放| 综合色av麻豆| 亚洲图色成人| 街头女战士在线观看网站| 欧美精品国产亚洲| 久久久久网色| 日韩一区二区视频免费看| 日产精品乱码卡一卡2卡三| 国产精品精品国产色婷婷| 一级毛片 在线播放| 欧美性猛交╳xxx乱大交人| 好男人在线观看高清免费视频| 久久久a久久爽久久v久久| 亚洲成人av在线免费| 国产成人免费观看mmmm| 国产免费视频播放在线视频 | 亚洲精品视频女| 舔av片在线| 亚洲精品成人av观看孕妇| 国产探花在线观看一区二区| 肉色欧美久久久久久久蜜桃 | 亚洲欧洲国产日韩| 91久久精品国产一区二区三区| 亚洲内射少妇av| av一本久久久久| 国产中年淑女户外野战色| 美女被艹到高潮喷水动态| 大又大粗又爽又黄少妇毛片口| 高清日韩中文字幕在线| 亚洲av.av天堂| 国产精品久久视频播放| 国产麻豆成人av免费视频| 国产亚洲av片在线观看秒播厂 | 黄色配什么色好看| 亚洲精品日韩av片在线观看| 搡老妇女老女人老熟妇| 男人爽女人下面视频在线观看| 三级毛片av免费| 成人一区二区视频在线观看| 欧美激情久久久久久爽电影| 婷婷色综合大香蕉| 听说在线观看完整版免费高清| 国产视频内射| 国产亚洲91精品色在线| 日日啪夜夜撸| 亚洲自偷自拍三级| 成人无遮挡网站| 丝袜美腿在线中文| 国产乱人偷精品视频| 欧美最新免费一区二区三区| 日韩大片免费观看网站| 在线观看免费高清a一片| 高清毛片免费看| 日本黄大片高清| 国国产精品蜜臀av免费| 国产麻豆成人av免费视频| 午夜精品一区二区三区免费看| 亚洲欧美一区二区三区黑人 | 一级爰片在线观看| 免费人成在线观看视频色| 免费观看av网站的网址| 日韩欧美三级三区| 人妻系列 视频| 99久久九九国产精品国产免费| 国产欧美另类精品又又久久亚洲欧美| 成人av在线播放网站| 久久精品熟女亚洲av麻豆精品 | 久久久精品欧美日韩精品| 亚洲av不卡在线观看| 久久亚洲国产成人精品v| 久久精品夜夜夜夜夜久久蜜豆| 一个人免费在线观看电影| 亚洲国产最新在线播放| 精品久久久久久久久久久久久| 精品少妇黑人巨大在线播放| 在线天堂最新版资源| 亚洲18禁久久av| 高清欧美精品videossex| 日本一本二区三区精品| 中文天堂在线官网| 在线观看美女被高潮喷水网站| 国产单亲对白刺激| 亚洲欧美日韩东京热| 3wmmmm亚洲av在线观看| 激情五月婷婷亚洲| 欧美3d第一页| 99热这里只有精品一区| 极品教师在线视频| 岛国毛片在线播放| 美女黄网站色视频| 午夜精品在线福利| 最近最新中文字幕大全电影3| 亚洲色图av天堂| 亚洲欧美成人综合另类久久久| 久久6这里有精品| 久久精品久久久久久久性| 内射极品少妇av片p| 日韩精品有码人妻一区| 欧美激情在线99| 少妇熟女欧美另类| 韩国高清视频一区二区三区| 国产亚洲精品av在线| 人人妻人人澡欧美一区二区| 偷拍熟女少妇极品色| 亚洲人成网站在线播| 欧美三级亚洲精品| 一级毛片电影观看| 亚洲av不卡在线观看| 精品国产露脸久久av麻豆 | 观看美女的网站| 欧美3d第一页| 久99久视频精品免费| 熟妇人妻久久中文字幕3abv| 欧美bdsm另类| 久久6这里有精品| 久久久久久久大尺度免费视频| 欧美激情久久久久久爽电影| 日韩av在线免费看完整版不卡| 亚洲18禁久久av| 亚洲aⅴ乱码一区二区在线播放| 亚洲成人一二三区av| 亚洲欧美成人精品一区二区| 久久99蜜桃精品久久| 麻豆久久精品国产亚洲av| 国产色爽女视频免费观看| 亚洲欧美一区二区三区黑人 | 亚洲av中文av极速乱| 综合色丁香网| 国产亚洲av片在线观看秒播厂 | 国产一区二区亚洲精品在线观看| 青春草国产在线视频| 国产一区二区三区综合在线观看 | 一级毛片电影观看| 午夜激情欧美在线| 天堂av国产一区二区熟女人妻| 国产成人精品久久久久久| 国产亚洲91精品色在线| 成年免费大片在线观看| 亚洲av二区三区四区| 亚洲精品色激情综合| 久久国内精品自在自线图片| 国产色婷婷99| 国产亚洲5aaaaa淫片| 国产精品久久视频播放| 久久久久久久亚洲中文字幕| ponron亚洲| 免费观看性生交大片5| 晚上一个人看的免费电影| 成人午夜精彩视频在线观看| 九九在线视频观看精品| 日韩欧美三级三区| 国产亚洲精品久久久com| 伊人久久国产一区二区| 在线a可以看的网站| 最近最新中文字幕免费大全7| 高清欧美精品videossex| 青春草视频在线免费观看| 亚洲精品乱码久久久久久按摩| 少妇裸体淫交视频免费看高清| 又爽又黄a免费视频| 亚洲成人精品中文字幕电影| 久久午夜福利片| 国产又色又爽无遮挡免| 汤姆久久久久久久影院中文字幕 | 久久久久久久久久久丰满| 国产精品国产三级专区第一集| av卡一久久| 亚洲天堂国产精品一区在线| 日本免费在线观看一区| 久久人人爽人人爽人人片va| 99久国产av精品| 22中文网久久字幕| 搡老乐熟女国产| 亚洲国产精品成人久久小说| 亚洲精华国产精华液的使用体验| 日韩三级伦理在线观看| 国产乱来视频区| 91狼人影院| 久久精品久久久久久噜噜老黄| 午夜福利视频1000在线观看| 欧美潮喷喷水| 精品久久久久久久久亚洲| 在现免费观看毛片| av福利片在线观看| 一个人免费在线观看电影| 看黄色毛片网站| 国产成人精品婷婷| 极品少妇高潮喷水抽搐| 亚洲精品日韩av片在线观看| 国产精品美女特级片免费视频播放器| 亚洲电影在线观看av| 久久韩国三级中文字幕| 欧美丝袜亚洲另类| 80岁老熟妇乱子伦牲交| 神马国产精品三级电影在线观看| 有码 亚洲区| 直男gayav资源| 在线观看av片永久免费下载| 成人午夜高清在线视频| 在线观看人妻少妇| 91av网一区二区| 国产精品一区www在线观看| 免费大片黄手机在线观看| 中文精品一卡2卡3卡4更新| 亚洲成人一二三区av| 国产精品一区二区性色av| 亚洲av电影在线观看一区二区三区 | 在线观看av片永久免费下载| 亚洲av电影在线观看一区二区三区 | 又粗又硬又长又爽又黄的视频| 亚洲成人一二三区av| 两个人的视频大全免费| 淫秽高清视频在线观看| 内地一区二区视频在线| 久久99精品国语久久久| 一区二区三区乱码不卡18| 黄色配什么色好看| a级毛片免费高清观看在线播放| 狠狠精品人妻久久久久久综合| 亚洲精品亚洲一区二区| 亚洲av免费高清在线观看| 99re6热这里在线精品视频| 亚洲国产精品专区欧美| 亚洲四区av| 欧美变态另类bdsm刘玥| 精品午夜福利在线看| 亚洲精品一区蜜桃| 街头女战士在线观看网站| 能在线免费观看的黄片| 欧美xxⅹ黑人| 在线观看免费高清a一片| 小蜜桃在线观看免费完整版高清| 只有这里有精品99| 亚洲va在线va天堂va国产| 亚洲最大成人中文| 国产高清国产精品国产三级 | 免费电影在线观看免费观看| 国产精品蜜桃在线观看| 婷婷色麻豆天堂久久| 天天躁日日操中文字幕| 免费看不卡的av| 麻豆国产97在线/欧美| 亚洲天堂国产精品一区在线| 亚洲怡红院男人天堂| 简卡轻食公司| 国产高清不卡午夜福利| 深爱激情五月婷婷| 国产精品人妻久久久久久| 国产黄a三级三级三级人| 色尼玛亚洲综合影院| 五月伊人婷婷丁香| 99热全是精品| 麻豆久久精品国产亚洲av| 欧美zozozo另类| 亚洲在线观看片| 亚洲欧洲国产日韩| 婷婷色av中文字幕| 国内精品一区二区在线观看| 国产精品一区二区三区四区久久| 秋霞在线观看毛片| 国产精品久久久久久久电影| 亚洲欧美日韩卡通动漫| 亚洲精品一二三| 久久久久久久久大av| 久久精品国产亚洲网站| 成人亚洲精品一区在线观看 | 国产 一区 欧美 日韩| 亚洲乱码一区二区免费版| 大香蕉97超碰在线| 在线播放无遮挡| 亚洲18禁久久av| 色尼玛亚洲综合影院| 少妇人妻一区二区三区视频| 少妇熟女欧美另类| 国产精品一区二区性色av| 一区二区三区免费毛片| 亚洲最大成人中文| 少妇裸体淫交视频免费看高清| 美女被艹到高潮喷水动态| 九九久久精品国产亚洲av麻豆| 非洲黑人性xxxx精品又粗又长| 国产有黄有色有爽视频| 啦啦啦中文免费视频观看日本| 欧美潮喷喷水| 色吧在线观看| 亚洲美女搞黄在线观看| 人体艺术视频欧美日本| 性色avwww在线观看| 国产免费一级a男人的天堂| 99热全是精品| 国内揄拍国产精品人妻在线| 久久久a久久爽久久v久久| 国国产精品蜜臀av免费| 免费大片黄手机在线观看| 一本久久精品| 久久久午夜欧美精品| 欧美极品一区二区三区四区| 黑人高潮一二区| a级一级毛片免费在线观看| 校园人妻丝袜中文字幕| 夜夜看夜夜爽夜夜摸| 亚洲人与动物交配视频| 少妇被粗大猛烈的视频| 天堂网av新在线| 亚洲精品国产成人久久av| 成人高潮视频无遮挡免费网站| 性色avwww在线观看| 在线观看av片永久免费下载| 中文字幕亚洲精品专区| 男人舔女人下体高潮全视频| 精品一区二区三卡| 天美传媒精品一区二区| 你懂的网址亚洲精品在线观看| 最近的中文字幕免费完整| 亚洲精品成人久久久久久| 久久久a久久爽久久v久久| 综合色av麻豆| 国产精品一区二区在线观看99 | 国内精品一区二区在线观看| 国内精品宾馆在线| 亚洲自拍偷在线| 国产在视频线在精品| 久久精品综合一区二区三区| 精品酒店卫生间| 好男人在线观看高清免费视频| 日本与韩国留学比较| 欧美成人午夜免费资源| 久久久国产一区二区| 伦精品一区二区三区| 欧美xxxx黑人xx丫x性爽| 精品人妻偷拍中文字幕| 中文字幕免费在线视频6| 亚洲熟妇中文字幕五十中出| 久久精品国产亚洲av涩爱| 亚洲综合精品二区| av在线观看视频网站免费| 99热这里只有精品一区| 精品久久久久久久久av| 少妇高潮的动态图| 午夜爱爱视频在线播放| 久久精品久久久久久噜噜老黄| 中文字幕久久专区| 国产高清有码在线观看视频| 成人毛片60女人毛片免费| 蜜桃亚洲精品一区二区三区| 爱豆传媒免费全集在线观看| 亚洲国产日韩欧美精品在线观看| 丰满少妇做爰视频| av在线观看视频网站免费| 精品久久久久久久久久久久久| 激情五月婷婷亚洲| 黄色日韩在线| 99热6这里只有精品| 久久99热这里只有精品18| 国产激情偷乱视频一区二区| 国产成人a∨麻豆精品| 国产成人精品久久久久久| 国产单亲对白刺激| 中文精品一卡2卡3卡4更新| 久久精品国产亚洲av涩爱| 国产精品熟女久久久久浪| 深夜a级毛片| 成人美女网站在线观看视频| 在线观看美女被高潮喷水网站| 亚洲电影在线观看av| 亚洲一区高清亚洲精品| 亚洲国产精品专区欧美| 亚洲欧美成人精品一区二区| 一区二区三区乱码不卡18| av在线观看视频网站免费| 国产 一区 欧美 日韩| 免费大片18禁| 身体一侧抽搐| 亚洲av电影不卡..在线观看| 有码 亚洲区| 网址你懂的国产日韩在线| 51国产日韩欧美| 亚洲伊人久久精品综合| 亚洲精品一二三| 最近手机中文字幕大全| 少妇人妻一区二区三区视频| 大又大粗又爽又黄少妇毛片口| 欧美zozozo另类| 日韩一本色道免费dvd| 久久久久久久久久久丰满| 激情 狠狠 欧美| 日本免费在线观看一区| 91精品国产九色| 亚洲内射少妇av| h日本视频在线播放| 亚洲精品成人av观看孕妇| 我的女老师完整版在线观看| 伦精品一区二区三区| 老司机影院成人| 男女下面进入的视频免费午夜| 精品久久久久久久人妻蜜臀av| av国产久精品久网站免费入址| av在线观看视频网站免费| 亚洲人成网站高清观看| 久久6这里有精品| 日韩av在线免费看完整版不卡| 日日啪夜夜爽| 国产综合精华液| 永久免费av网站大全| 亚洲美女搞黄在线观看| 乱人视频在线观看| 国产成人精品久久久久久| 午夜精品国产一区二区电影 | 亚洲aⅴ乱码一区二区在线播放| 久久久亚洲精品成人影院| 高清毛片免费看| 欧美性猛交╳xxx乱大交人| 国产成人精品久久久久久| 狠狠精品人妻久久久久久综合| av一本久久久久| 欧美三级亚洲精品| 午夜精品国产一区二区电影 | 国产成人a∨麻豆精品| av在线观看视频网站免费| 国产日韩欧美在线精品| 卡戴珊不雅视频在线播放| 国产亚洲5aaaaa淫片| 午夜精品一区二区三区免费看| 色播亚洲综合网| 国产av在哪里看| 中文字幕久久专区| 一区二区三区免费毛片| 精品人妻视频免费看| 99久久精品一区二区三区| 欧美xxxx黑人xx丫x性爽| 深夜a级毛片| 亚洲av中文字字幕乱码综合| 最近手机中文字幕大全| 欧美bdsm另类| 中文资源天堂在线| 成年人午夜在线观看视频 | 欧美日韩亚洲高清精品| 精品一区在线观看国产| 一级毛片黄色毛片免费观看视频| 亚洲av不卡在线观看| 舔av片在线|