• <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 BO-XGBoost與集成學(xué)習(xí)方法的供應(yīng)鏈金融信用評價研究

    2023-06-30 05:38:10顧天下劉勤明葉春明
    上海理工大學(xué)學(xué)報 2023年1期
    關(guān)鍵詞:集成學(xué)習(xí)信用評價中小企業(yè)

    顧天下 劉勤明 葉春明

    摘要:針對供應(yīng)鏈金融領(lǐng)域中小企業(yè)融資的信用風(fēng)險控制問題,提出了一種在 Bagging 算法框架下結(jié)合貝葉斯優(yōu)化和XGBoost算法的集成學(xué)習(xí)模型 BO-XGBoost-Bagging(BXB)。首先,基于XGBoost特征重要度進行特征篩選,建立供應(yīng)鏈金融信用評價指標(biāo)體系。其次,通過貝葉斯優(yōu)化獲得XGBoost的最優(yōu)超參數(shù),并結(jié)合 Bagging 算法得到集成模型 BXB。最后,在中小企業(yè)數(shù)據(jù)集上進行預(yù)測,通過實證研究驗證信用評價模型的有效性。實證結(jié)果表明,BXB 模型相比其他模型具有更好的預(yù)測效果,能夠更加準(zhǔn)確、全面地對中小企業(yè)的信用風(fēng)險進行評估,更好地區(qū)分風(fēng)險企業(yè)和正常企業(yè),最大程度減少違約損失,在供應(yīng)鏈金融信用評價方面有著較高的應(yīng)用價值。

    關(guān)鍵詞:信用評價;XGBoost算法;貝葉斯優(yōu)化;集成學(xué)習(xí);中小企業(yè)

    中圖分類號:F 832.4??????????? 文獻(xiàn)標(biāo)志碼:A

    Credit evaluation of supply chain finance based on BO-XGBoost and ensemble learning method

    GU Tianxia, LIU Qinming, YE Chunming

    (Business School, University of Shanghaifor Science and Technology, Shanghai 200093, China)

    Abstract: Tosolvetheproblemofthecreditriskcontrolofthesmallandmedium-sized enterprises(SMEs) financinginthesupplychainfinancefield,anensemblelearningmodelBO- XGBoost-Bagging (BXB) that combines Bayesian optimization and XGBoost was proposed under the Baggingframework. Firstly, basedontheXGBoostfeatureimportance,thefeaturescreening was carriedout,and thefinancialcreditevaluationindexsystemfor thesupplychain wasestablished. Secondly, the optimal super parameters of XGBoost were obtained by Bayesian optimization, and the integrated model BXB was obtained by bagging. Finally, the prediction was performed on SMEs data set,andtheeffectivenessof thecreditevaluationmodelwasverifiedbyempiricalresearch. The empirical results show that the BXB model has a better predictive effect than other models and canevaluate the credit risk of SMEs more exactly and comprehensively. The model can better distinguishbetween risky companies and normal companies, and minimize default losses. It has high applicationvalue in the credit evaluation of supply chain finance.Keywords: credit evaluation; XGBoost; Bayesian optimization; ensemble learning; SMEs

    近幾年來,供應(yīng)鏈金融呈現(xiàn)出巨大的發(fā)展?jié)摿?,成為中小企業(yè)解決融資難、融資貴、融資慢等問題的有效途徑,受到我國政府的高度關(guān)注和支持[1]。中小企業(yè)是國民經(jīng)濟發(fā)展的重要基礎(chǔ),但其發(fā)展過程中融資難的問題一直比較突出[2]。供應(yīng)鏈金融可有效解決處于供應(yīng)鏈上下游的中小企業(yè)基數(shù)大卻融資難的問題,成為中小企業(yè)的重要融資方式之一,但各種金融風(fēng)險也隨之產(chǎn)生。其中,最大的風(fēng)險問題是中小企業(yè)的違約問題,因此對中小企業(yè)的信用風(fēng)險進行控制至關(guān)重要。目前,信用評價已成為金融風(fēng)險管理的重要方式,通過建立評價模型,根據(jù)融資企業(yè)的歷史數(shù)據(jù)進行預(yù)測,可有效進行風(fēng)險評估和控制[3]。

    當(dāng)前,越來越多的信用風(fēng)險研究借助機器學(xué)習(xí)方法建立模型,例如邏輯回歸[4-7]、K 近鄰[8]、隨機森林[9-10]、支持向量機[11-13]以及集成學(xué)習(xí)算法[14]等。 Yang[15]基于支持向量機對企業(yè)信貸進行風(fēng)險控制,節(jié)約了成本并提高了效率。 Ye[16]結(jié)合邏輯回歸、決策樹和支持向量機,建立集成模型進行風(fēng)險控制,實證表明集成模型具有更好的穩(wěn)定性和預(yù)測效果。然而目前大部分關(guān)于信用評價的研究都僅關(guān)注算法的應(yīng)用,基于超參數(shù)優(yōu)化的研究較少。李欣等[17]提出了改進的網(wǎng)格搜索法優(yōu)化XGBoost算法,縮短了調(diào)參時間,同時也提高了模型的 F1值和幾何平均值。王重仁等[18]通過實證研究發(fā)現(xiàn),貝葉斯優(yōu)化優(yōu)于傳統(tǒng)的超參數(shù)優(yōu)化算法,建立的分類模型在預(yù)測效果方面也優(yōu)于對比模型。

    中小企業(yè)的違約風(fēng)險問題是供應(yīng)鏈金融發(fā)展的重要阻礙, Liu 等[19]用支持向量機結(jié)合 AdaBoost 算法建立模型,并通過實證表明其提出的算法在中小企業(yè)信用風(fēng)險預(yù)測方面具有高準(zhǔn)確率。劉平山等[20]結(jié)合醫(yī)藥行業(yè)的特點,構(gòu)建了基于 GBDT ( gradient boosting decision tree)的信用風(fēng)險評估模型,通過數(shù)據(jù)分析證明該模型在醫(yī)藥供應(yīng)鏈金融的信用評價中具有優(yōu)越性。 Zhang 等[21]基于改進的隨機森林建立信用評價模型,進一步提高模型性能,對中小企業(yè)進行信用風(fēng)險控制。 Zhang 等[22]利用螢火蟲算法優(yōu)化支持向量機,建立預(yù)測模型,并驗證了其有效性。

    目前,大部分信用評價研究都關(guān)注于個人信貸領(lǐng)域,或脫離供應(yīng)鏈金融情況下的企業(yè)信貸領(lǐng)域,研究供應(yīng)鏈金融模式下中小企業(yè)融資問題的較少,對供應(yīng)鏈金融風(fēng)險控制的研究也過于簡單和片面。因此,需要建立完善的信用風(fēng)險控制體系,對風(fēng)險評估和控制制訂有效的措施。

    1理論基礎(chǔ)

    1.1 XGBoost算法

    XGBoost (eXtreme gradient boosting)算法為 Chen等[23]提出的基于 Boosting 算法改進的機器學(xué)習(xí)模型。該模型具有準(zhǔn)確率高、運行速度快等優(yōu)勢,也可以在不進行插補預(yù)處理的情況下處理缺失值[24]。XGBoost在求解過程中運用了二階泰勒公式,可以更加準(zhǔn)確、迅速地得到目標(biāo)函數(shù)最優(yōu)解。XGBoost將每顆樹分值的和作為樣本的預(yù)測值,最終預(yù)測函數(shù)為

    XGBoost的目標(biāo)函數(shù)為損失函數(shù)和正則化懲罰項的結(jié)合,在一定程度上防止了過擬合,具體函數(shù)為

    1.2集成學(xué)習(xí)

    集成學(xué)習(xí)的主要思想是將多個基礎(chǔ)模型作為基分類器組合起來進行集成,從而提高模型的性能。集成學(xué)習(xí)可以將一系列相對弱的分類器進行組合,從而生成一個強分類器,提高模型的準(zhǔn)確性。集成學(xué)習(xí)主要有3個類型: Bagging 、Boosting 和 Stacking。

    a. Bagging。

    在 Bagging 算法中,通過 bootstrap 方法重抽樣生成 M 個子數(shù)據(jù)集,在每個子數(shù)據(jù)集上繼續(xù)訓(xùn)練預(yù)測,最后的預(yù)測結(jié)果根據(jù) M 個模型的輸出,采取投票的方式獲得。

    b. Boosting。

    Boosting 算法是一種減小偏差的集成算法。其中最常用的是 AdaBoost 算法,其根據(jù)基分類器的表現(xiàn)不斷更新權(quán)重,在訓(xùn)練下一個基分類器時,增加錯誤分類樣本的權(quán)重,從而迭代生成 Boosting 集成模型。

    c. Stacking。

    Stacking 算法是一種分層的集成算法。大多數(shù)情況下分為兩層,第一層是多個基分類器,通過對原始樣本的訓(xùn)練預(yù)測進行輸出,將輸出值作為第二層模型的輸入再進行一次分類預(yù)測,從而生成 Stacking 集成模型,進一步提高模型的預(yù)測能力。

    2基于 BO-XGBoost-Bagging 的信用評價模型

    本文針對中小企業(yè)的信用風(fēng)險問題進行研究,提出了在 Bagging 框架下結(jié)合貝葉斯優(yōu)化和XGBoost的信用評價模型 BO-XGBoost-Bagging ( BXB ),從高維數(shù)據(jù)中篩選重要信息,從而減小中小企業(yè)違約帶來的損失,對信用風(fēng)險進行有效監(jiān)管。該模型的大致流程如圖1所示。

    2.1信用評價指標(biāo)體系的構(gòu)建

    2.1.1信用評價指標(biāo)的選取

    供應(yīng)鏈金融的誕生為中小企業(yè)和銀行發(fā)展帶來新機遇的同時,也帶來了新挑戰(zhàn)。在多元化和復(fù)雜化的背景下,對供應(yīng)鏈金融進行風(fēng)險管控也顯得尤其重要。而信用風(fēng)險評價指標(biāo)不僅是信用評價的依據(jù),還是衡量信用評價結(jié)果是否公平公正的重要標(biāo)準(zhǔn)。何平均等[25]引入客戶集中度指標(biāo),完善指標(biāo)評價體系。徐秋慧等[26]結(jié)合企業(yè)財務(wù)指標(biāo)和所在供應(yīng)鏈的發(fā)展情況構(gòu)建信用風(fēng)險指標(biāo)體系,對供應(yīng)鏈金融農(nóng)業(yè)企業(yè)進行信用評價。Yang 等[27]通過研究,選取了財務(wù)指標(biāo)和交易數(shù)據(jù)對中小企業(yè)進行風(fēng)險評估。 Xuan 等[28]通過選取財務(wù)數(shù)據(jù)、交易數(shù)據(jù)和物流數(shù)據(jù)構(gòu)建供應(yīng)鏈金融信用評價指標(biāo)體系,為供應(yīng)鏈金融信用風(fēng)險控制提出了新方案。

    本文借鑒以上研究,選取傳統(tǒng)信用評價方法中的5C 指標(biāo)作為指標(biāo)選取的依據(jù)。其中:品質(zhì)( character)指的是企業(yè)的名譽;能力( capacity)主要是指企業(yè)償還債務(wù)的能力;資本(capital)代表股東的投資情況;擔(dān)保(collateral)主要考慮企業(yè)無法償還債務(wù)時能被抵押的資產(chǎn);環(huán)境條件(condition)主要分析企業(yè)所處的環(huán)境情況。參考以往研究,在常規(guī)財務(wù)指標(biāo)體系中加入了供應(yīng)鏈集中度指標(biāo)。中小企業(yè)供應(yīng)鏈集中度越高,與供應(yīng)鏈關(guān)系越密切,則其所在供應(yīng)鏈完整性和穩(wěn)定性越高,表明中小企業(yè)供應(yīng)鏈金融能力越高。本文根據(jù)5C 指標(biāo)最終選取9個一級指標(biāo)、25個二級指標(biāo)作為最初的指標(biāo)體系,具體內(nèi)容如表1所示。

    2.1.2特征選擇

    特征選擇是從收集到的高維數(shù)據(jù)特征中刪除冗余或者無關(guān)的特征,選擇最優(yōu)的特征集合,從而降低模型復(fù)雜度,提高模型準(zhǔn)確率。周傳華等[29]提出根據(jù)是否依賴機器學(xué)習(xí),特征選擇方法主要分為兩種:過濾式(filter)和封裝式( wrapper )。過濾式具有高效率,但其最終選擇結(jié)果不理想,比較常用的方法主要有 Fisher 得分[30]、Laplacian 得分[31]和 Pearson 相關(guān)系數(shù)[32]等。封裝式是在特征空間內(nèi)進行搜索尋優(yōu),雖然效率低,但選擇的最優(yōu)特征子集效果更好。封裝式主要通過決策樹[33]、支持向量機[34]、隨機森林[35]等機器學(xué)習(xí)算法計算特征重要度并進行排序,從而選擇最優(yōu)子集。本文使用封裝式特征選擇方法,通過XGBoost的特征重要度進一步選擇最優(yōu)特征,從而作為本文最終的信用評價指標(biāo)體系。

    2.2貝葉斯優(yōu)化

    貝葉斯優(yōu)化(Bayesian optimization)是一種自動化機器學(xué)習(xí)方法,可以自動搜索出模型的超參數(shù),適合于參數(shù)較多的模型進行超參數(shù)優(yōu)化。相關(guān)研究表明,貝葉斯優(yōu)化優(yōu)于其他優(yōu)化算法[36],同網(wǎng)格搜索、隨機搜索相比,貝葉斯優(yōu)化更加高效準(zhǔn)確,迭代次數(shù)更小。貝葉斯優(yōu)化主要是在目標(biāo)函數(shù)方程未知的情況下根據(jù)已有采樣點預(yù)估函數(shù)的最值,其中先驗函數(shù)和采集函數(shù)是最重要的兩部分。高斯過程指的是服從聯(lián)合正態(tài)分布的隨機變量的集合,先驗函數(shù)則利用高斯過程回歸。采集函數(shù)主要有探索(explore)和利用(exploit)兩個方向:探索是指針對未知區(qū)域,選取未評估的參數(shù)組合,防止陷入局部最優(yōu);利用是指挖掘已知最優(yōu)點周圍的點,迅速找到最優(yōu)解。本文所用采集函數(shù)表示為

    式中:Φ(·)為正態(tài)累計分布函數(shù);?(x),σ(x)分別為期望和方差; c用來調(diào)節(jié)搜索方向;f(x+)表示目前的最優(yōu)值。

    貝葉斯優(yōu)化的具體步驟如下:

    a.生成隨機的初始化點,根據(jù)輸入樣本使用高斯過程更新目標(biāo)函數(shù)的后驗概率分布;

    b.根據(jù)后驗概率分布找到使采集函數(shù)最大化的參數(shù)集合;

    c.計算當(dāng)前參數(shù)集合的目標(biāo)函數(shù)值,若目標(biāo)函數(shù)值達(dá)到要求則停止迭代輸出,否則迭代至最大次數(shù)。

    2.3 BO-XGBoost-Bagging 模型

    XGBoost實質(zhì)上是一種 Boosting 算法,主要通過樹模型不斷串行來擬合殘差。在擬合殘差的迭代中,根據(jù)上一次的迭代結(jié)果進行調(diào)整,從而逐步降低偏差。由于串行方式不能顯著降低模型的方差,而 Bagging 是并行集成方式,能從原數(shù)據(jù)集中進行重抽樣,并對各基分類器分別訓(xùn)練并采取投票機制,從而減小方差。為了權(quán)衡偏差與方差,進一步提高精度,本文提出在 Bagging 框架下結(jié)合貝葉斯優(yōu)化和XGBoost的集成學(xué)習(xí)模型 BO- XGBoost-Bagging ,具體過程如下:

    a.基于XGBoost的特征重要度,進行特征篩選,得到模型的指標(biāo)體系;

    b.通過 BO 進行優(yōu)化,得到XGBoost的最優(yōu)超參數(shù)集,得到 BO-XGBoost模型;

    c.將 BO-XGBoost進行 Bagging,得到 BO- XGBoost-Bagging 模型;

    d.對于每個 BO-XGBoost基分類器的預(yù)測結(jié)果,采取投票機制將預(yù)測結(jié)果進行組合,得到最終的結(jié)果。

    3算例分析

    本文從國泰安數(shù)據(jù)庫中選取253家中小企業(yè)

    2020年的數(shù)據(jù)進行實證研究,經(jīng)過數(shù)據(jù)預(yù)處理剔除了嚴(yán)重缺失信息的企業(yè),將剩余企業(yè)的缺失信息用均值代替。由于破產(chǎn)數(shù)據(jù)難以獲得,參考李成剛等[37]、李哲等[38]的研究,采用慣常做法,將st標(biāo)記的企業(yè)作為風(fēng)險企業(yè),最終選擇了210家中小企業(yè)。其中,正常企業(yè)有137家,風(fēng)險企業(yè)有73家。為了全面評價所建立模型的分類預(yù)測性能,首先選取準(zhǔn)確率( accuracy )為模型評價指標(biāo)。準(zhǔn)確率用來評估模型對整體樣本的分類準(zhǔn)確度,但對預(yù)測性能的評價不夠全面。通常情況下,風(fēng)險企業(yè)的預(yù)測更加重要,對風(fēng)險企業(yè)進行準(zhǔn)確識別最為關(guān)鍵。因此,選取 AUC 值和 F1值對模型整體性能進行進一步評估。 AUC 值是衡量模型優(yōu)劣的重要指標(biāo), F1值同時考慮召回率和精確率之間的關(guān)系,主要反映風(fēng)險企業(yè)的預(yù)測效果。精確率表示在預(yù)測為風(fēng)險企業(yè)的樣本中實際風(fēng)險企業(yè)的占比,召回率表示在實際為風(fēng)險企業(yè)的樣本中預(yù)測正確的風(fēng)險企業(yè)占比?;谏鲜?個評價指標(biāo),對所有建立的模型進行預(yù)測評價,并比較3個指標(biāo)的結(jié)果。

    3.1特征選擇

    3.1.1基于XGBoost的特征選擇

    本文總共選取了25個候選指標(biāo),通過XGBoost度量各個指標(biāo)的重要性程度,對其進行特征選擇,按照表1二級指標(biāo)順序排列,結(jié)果如圖2所示。通過特征選擇最終保留特征重要性前10的特征,其中包括上市公司信息披露考評結(jié)果、流動比率、總資產(chǎn)周轉(zhuǎn)率、凈資產(chǎn)收益率、流動資產(chǎn)凈利潤率、每股現(xiàn)金凈流量、總資產(chǎn)增長率、資本積累率、每股凈資產(chǎn)、供應(yīng)鏈集中度。評價指標(biāo)的具體明細(xì)如表2所示。

    3.1.2指標(biāo)相關(guān)性分析

    根據(jù)篩選出的10個指標(biāo),進一步分析特征之間的相關(guān)性,分別計算10個特征之間的相關(guān)系數(shù),并用相關(guān)系數(shù)熱力圖直觀表現(xiàn)不同特征之間的關(guān)系,如圖3所示,熱力圖中顏色極深或極淺表示變量之間相關(guān)性很高。由熱力圖可以得出所有變量的相關(guān)系數(shù)都小于0.5,且大部分相關(guān)系數(shù)小于0.3。由于變量之間的相關(guān)系數(shù)都不大,可以不考慮它們之間的共線性問題,并將這10個評價指標(biāo)確定為最終的指標(biāo)體系。

    3.2超參數(shù)優(yōu)化

    本文以AUC 值為優(yōu)化目標(biāo),使用貝葉斯優(yōu)化分別對邏輯回歸(logistic regression ,LR )、隨機森林( randomforest , RF )、支持向量機( supportvector machine, SVM )、K 近鄰( K-nearestneighbor, KNN )和XGBoost進行調(diào)參。由于各模型的特點與參數(shù)均不相同,本文以表現(xiàn)最佳的XGBoost模型為例,超參數(shù)設(shè)置如表3所示。

    3.3結(jié)果比較

    首先選取了4個在信用評價領(lǐng)域中較為常用的機器學(xué)習(xí)算法與XGBoost算法進行對比,分別為邏輯回歸、隨機森林、支持向量機和 KNN。這些對比算法和XGBoost算法使用相同的特征子集,同時采用貝葉斯優(yōu)化進行調(diào)參,將原始數(shù)據(jù)集中隨機選取的70%作為訓(xùn)練集對模型進行訓(xùn)練,原始數(shù)據(jù)集另外的30%作為測試集對模型性能進行測試,并與其他模型在提出的3個評價指標(biāo)上進行對比,實驗得到的測試集預(yù)測效果如表4所示。

    從表4可以得出, BO-XGBoost的準(zhǔn)確率最高,而其他模型準(zhǔn)確率均低于0.9。在整體預(yù)測效果 AUC 值方面, BO-XGBoost僅略低于 BO-RF 模型0.0033,但相比其他模型仍有著較小的優(yōu)勢。在風(fēng)險企業(yè)預(yù)測效果 F1值方面, BO-XGBoost仍然有著顯著優(yōu)勢,明顯高于其他對比模型。總體來說 BO-XGBoost相比其他主流分類器,具有更好的分類性能,說明了 BO-XGBoost模型能夠較為準(zhǔn)確、快速地對中小企業(yè)進行信用評價。

    BO-XGBoost相比其他模型具有更好的分類效果,將 BO-XGBoost進行集成,分別進行 Bagging,Boosting 和 Stacking。第一個模型訓(xùn)練 m 個差異化的 BO-XGBoost模型進行 Bagging,通過 bootstrap采樣,生成 BO-XGBoost-Bagging( BXB )模型。第二個模型用 Boosting 的經(jīng)典算法 AdaBoost 實現(xiàn),訓(xùn)練 m 個XGBoost作為基分類器,生成 BO-XGBoost- AdaBoost ( BXA )模型。第三個模型將LightGBM、隨機森林、 GBDT 、XGBoost作為 Stacking 模型的第一層,邏輯回歸為第二層,訓(xùn)練生成 BO- XGBoost-Stacking( BXS )模型。用新建立的3個模型在隨機選取的70%原始數(shù)據(jù)集上進行訓(xùn)練,對另外30%的數(shù)據(jù)集進行預(yù)測,得到如表5所示的結(jié)果。

    由表5可知,將 BO-XGBoost進行 Bagging得到的 BXB 模型在各個指標(biāo)上達(dá)到最優(yōu)。該模型各項指標(biāo)相比 BO-XGBoost模型分別提升了1.75%,0.11%和2.93%。BXB 模型相比 BO-XGBoost預(yù)測性能有顯著提升,分類效果也優(yōu)于其他集成模型。 BXA 模型在預(yù)測時,所有預(yù)測概率都為0.5,以至于所有樣本都分為一個種類。 BXS 模型相比XGBoost原模型沒有太大的提升,但相比其他基礎(chǔ)模型在準(zhǔn)確率和 F1值上略有提升。因此,相比其他集成學(xué)習(xí)方式,強分類器更加適合進行 Bagging。單一的XGBoost模型容易受到噪聲干擾,所以 Bagging 集成方法從一定程度上降低了泛化誤差,并通過投票機制來避免極端情況的出現(xiàn),從而進一步提高了模型的分類精度。本文提出的 BXB 模型在對中小企業(yè)信用風(fēng)險識別預(yù)測方面具有較好的效果,顯著優(yōu)于其他分類模型,能夠更加準(zhǔn)確、全面地對中小企業(yè)的信用風(fēng)險進行評估,在供應(yīng)鏈金融的風(fēng)險控制中具有實際意義。

    4結(jié)論

    針對供應(yīng)鏈金融領(lǐng)域中小企業(yè)融資的信用風(fēng)險控制問題,提出了一種在 Bagging 框架下結(jié)合貝葉斯優(yōu)化和XGBoost的集成學(xué)習(xí)模型 BO-XGBoost-Bagging。該模型結(jié)合了XGBoost出色的預(yù)測能力、貝葉斯優(yōu)化高效的超參數(shù)優(yōu)化能力和 Bagging 集成方法的強泛化能力。與其他模型相比, BXB 在模型準(zhǔn)確度、泛化能力等指標(biāo)上都有著更好的表現(xiàn),可以有效區(qū)分風(fēng)險企業(yè)與正常企業(yè),并準(zhǔn)確、高效地預(yù)測中小企業(yè)的信用風(fēng)險。本文提出的基于 BXB 的信用評價方法有助于銀行等金融機構(gòu)在供應(yīng)鏈金融模式下對中小企業(yè)的融資問題進行信用風(fēng)險控制,一定程度上減少了違約損失,促進了供應(yīng)鏈金融的健康發(fā)展。

    參考文獻(xiàn):

    [1]宋華.困境與突破:供應(yīng)鏈金融發(fā)展中的挑戰(zhàn)和趨勢[J].中國流通經(jīng)濟, 2021, 35(5):3–9.

    [2]劉露, 李勇建, 薛克雷.融資選擇沖突與可變參數(shù)風(fēng)險分擔(dān)機制[J].系統(tǒng)工程理論與實踐, 2021, 41(3):649–666.

    [3] ZHU Y, ZHOU L, XIE C, et al. Forecasting SMEs' credit riskinsupplychainfinancewithanenhancedhybrid ensemblemachinelearningapproach[J]. International Journal of Production Economics, 2019, 211:22–33.

    [4] E SILVA E C, LOPES I C, CORREIA A, et al. A logistic regression model for consumer default risk[J]. Journal of Applied Statistics, 2020, 47(13/15):2879–2894.

    [5]郭林, 李戰(zhàn)江, 孔文婷.基于二階段 Logistic 回歸的小企業(yè)信用指標(biāo)判別模型[J].數(shù)學(xué)的實踐與認(rèn)識 , 2020, 50(20):35–45.

    [6]王小燕, 張中艷, 馬雙鴿.基于文本先驗信息的貸款信用風(fēng)險評估模型[J].中國管理科學(xué), 2021, 29(5):34–44.

    [7]許文彬 , 張佳韜.我國城投債信用風(fēng)險測算——基于 Logistic 回歸的評分卡模型[J].數(shù)理統(tǒng)計與管理, 2020, 39(4):705–720.

    [8] HANL,SUZ,LINJ. AhybridKNNalgorithmwith Sugeno measure for the personal credit reference system in China[J]. Journalof Intelligent & FuzzySystems, 2020, 39(5):6993–7004.

    [9] ATAO,HAZIML. Comparativeanalysisofdifferent distributions dataset by using data mining techniques on creditcardfrauddetection[J]. Tehni?kiVjesnik, 2020, 27(2):618–626.

    [10] TANGLX,CAIF,OUYANGY. Applyinga nonparametric random forest algorithm to assess the creditriskoftheenergyindustryinChina[J]. Technological Forecasting and Social Change, 2019, 144:563–572.

    [11]王潤華.基于改進支持向量機的消費信貸中個人信用評估模型[J].統(tǒng)計與決策, 2010(11):54–56.

    [12] YONTAR M, NAMLI?H, YANIKS. Using machine learningtechniquestodeveloppredictionmodelsfor detectingunpaidcreditcardcustomers[J]. Journalof Intelligent & Fuzzy Systems, 2020, 39(5):6073–6087.

    [13] SHI J, ZHANG S Y, QIU L M. Credit scoring by feature- weighted support vector machines[J]. Journal of Journal of Zhejiang University SCIENCE C, 2013, 14(3):197–204.

    [14]莫贊, 張燦鳳, 魏偉, 等.基于 Bagging 集成的個人信用風(fēng)險評估方法研究[J].系統(tǒng)工程, 2019, 37(1):143–151.

    [15] YANG J H. Research on the forecasting of enterprise credit scoringbasedonSVRmodel[J]. AcademicJournalof Engineering and Technology Science, 2020, 3(1):55–64.

    [16] YE K T. Research on personal credit risk assessment based onmachinelearningalgorithm[J]. WorldScientific Research Journal, 2020, 6(11):146–156.

    [17]李欣, 俞衛(wèi)琴.基于改進 GS-XGBoost的個人信用評估[J].計算機系統(tǒng)應(yīng)用, 2020, 29(11):145–150.

    [18]王重仁, 韓冬梅.基于超參數(shù)優(yōu)化和集成學(xué)習(xí)的互聯(lián)網(wǎng)信貸個人信用評估[J].統(tǒng)計與決策, 2019, 35(1):87–91.

    [19] LIU Y,HUANGLH. Supplychainfinancecredit risk assessment using support vector machine –based ensemble improved with noise elimination[J]. International Journal of Distributed Sensor Networks, 2020, 16(1):1–10.

    [20]劉平山, 曾梓銘.基于 GBDT 的醫(yī)藥供應(yīng)鏈金融信用風(fēng)險評價[J].會計之友, 2021(16):24–31.

    [21] ZHANG H,SHI Y X, TONG J Y. Online supply chain financialriskassessmentbasedonimprovedrandom forest[J]. Journal of Data, Information and Management, 2021, 3(1):41–48.

    [22] ZHANGH,SHIYX,YANGXR,etal. Afirefly algorithm modified support vector machine for the credit riskassessmentof supplychainfinance[J]. Researchin International Business and Finance, 2021, 58:101482.

    [23] CHENTQ,GUESTRINC. XGBoost: ascalabletree boostingsystem[C]//Proceedingsofthe 22ndACM SIGKDDInternationalConferenceonKnowledge DiscoveryandDataMining. California,SanFrancisco: ACM, 2016:785–794

    [24] RUSDAH D A, MURFI H. XGBoost in handling missing valuesforlifeinsuranceriskprediction[J]. SNApplied Sciences, 2020, 2(8):1336.

    [25]何平均 , 李菁菁.客戶集中度與供應(yīng)鏈金融信用風(fēng)險——基于中小企業(yè)板制造業(yè)上市公司的實證研究[J].征信, 2018, 36(7):21–26.

    [26]徐秋慧, 王迪, 鄧之音.供應(yīng)鏈金融模式下中小企業(yè)融資問題分析——以44家農(nóng)業(yè)中小企業(yè)為例[J].農(nóng)村金融研究, 2020(9):63–71.

    [27] YANG Y B, CHU X J, PANG R Q, et al. Identifying and predictingthecreditriskofsmallandmedium-sized enterprises insustainablesupplychainfinance: evidence from China[J]. Sustainability, 2021, 13(10):5714.

    [28] XUANF. Regressionanalysisof supplychainfinancial riskbasedonmachinelearningandfuzzydecision model[J]. Journal of Intelligent & FuzzySystems, 2021, 40(4):6925–6935.

    [29]周傳華, 柳智才, 丁敬安, 等.基于filter+wrapper模式的特征選擇算法[J].計算機應(yīng)用研究 , 2019, 36(7):1975–1979,2010.

    [30]安起光, 于曉靜.基于 Fisher判別方法的信用風(fēng)險評估實證研究[J].現(xiàn)代管理科學(xué), 2012(4):67–69.

    [31]錢曉亮, 左開中, 接標(biāo).新的基于 Laplacian 的特征選擇方法[J].計算機工程與應(yīng)用, 2016, 52(15):79–82.

    [32] ZHANGY. Assessingfairlendingrisksusing race/ethnicityproxies[J]. ManagementScience, 2018, 64(1):178–197.

    [33]董紀(jì)陽.基于決策樹自動化特征選擇的基金客戶流失預(yù)測研究——后疫情時代下的思考[J].山東社會科學(xué) ,2020(9):74–80.

    [34] ZHOU T, LU H L, WANG W W, et al. GA-SVM based featureselectionandparameteroptimizationin hospitalizationexpensemodeling[J]. AppliedSoft Computing, 2019, 75:323–332.

    [35] BOU-HAMAD I. Bayesian credit ratings: a random forest alternativeapproach[J]. CommunicationsinStatistics- Theory and Methods, 2017, 46(15):7289–7300.

    [36] SHAHRIARI B, SWERSKY K, WANG Z Y, et al. Taking thehumanoutoftheloop: areviewofBayesian optimization[J]. Proceedingsof theIEEE, 2016, 104(1):148–175.

    [37]李成剛, 賈鴻業(yè), 趙光輝, 等.基于信息披露文本的上市公司信用風(fēng)險預(yù)警——來自中文年報管理層討論與分析的經(jīng)驗證據(jù)[J/OL].中國管理科學(xué)[2021-12-21].https://doi.org/10.16381/j.cnki.issn1003-207x.2020.2263.

    [38]李哲, 遲國泰.基于最大指標(biāo)區(qū)分度與最優(yōu)相對隸屬度的上市公司信用風(fēng)險研究[J].中國管理科學(xué) , 2021, 29(4):1–15.

    (編輯:丁紅藝)

    猜你喜歡
    集成學(xué)習(xí)信用評價中小企業(yè)
    基于稀疏編碼器與集成學(xué)習(xí)的文本分類
    基于屬性權(quán)重的Bagging回歸算法研究
    試析電子商務(wù)環(huán)境下中小企業(yè)信用評價
    企業(yè)現(xiàn)金流管理存在的問題和對策
    小額貸款助力我國中小企業(yè)融資
    試析中小企業(yè)成本核算的管理及控制
    中小企業(yè)如何應(yīng)對“營改增”
    基于AHP灰色關(guān)聯(lián)分析的企業(yè)電子商務(wù)信用評價研究
    商(2016年25期)2016-07-29 21:07:14
    基于校園一卡通的學(xué)生信用管理模型設(shè)計
    基于改進的LogitBoost算法的垃圾網(wǎng)頁檢測研究
    科技視界(2015年27期)2015-10-08 11:01:28
    亚洲人成网站在线播放欧美日韩| 18美女黄网站色大片免费观看| 一级作爱视频免费观看| 国产探花在线观看一区二区| av福利片在线观看| 亚洲国产精品999在线| 成年女人永久免费观看视频| 熟女人妻精品中文字幕| 国产激情偷乱视频一区二区| 国内精品美女久久久久久| avwww免费| 国产精品精品国产色婷婷| 国产亚洲av嫩草精品影院| 国产久久久一区二区三区| 超碰成人久久| 丁香欧美五月| 在线观看美女被高潮喷水网站 | 此物有八面人人有两片| 午夜福利免费观看在线| 美女 人体艺术 gogo| 人妻丰满熟妇av一区二区三区| 国产伦一二天堂av在线观看| 一进一出好大好爽视频| 身体一侧抽搐| 一二三四社区在线视频社区8| 黄片大片在线免费观看| 精品午夜福利视频在线观看一区| 亚洲一区高清亚洲精品| 不卡一级毛片| 日韩精品青青久久久久久| 丁香欧美五月| 国产91精品成人一区二区三区| 日韩免费av在线播放| 国产午夜福利久久久久久| 免费看光身美女| 国语自产精品视频在线第100页| 欧美日韩精品网址| 欧美日本视频| 国产精品综合久久久久久久免费| 老熟妇乱子伦视频在线观看| 久久精品91蜜桃| av在线蜜桃| 久久人人精品亚洲av| 国产真人三级小视频在线观看| 国产精品久久久久久精品电影| 亚洲熟妇中文字幕五十中出| 亚洲九九香蕉| 18禁裸乳无遮挡免费网站照片| 久9热在线精品视频| 欧美日韩一级在线毛片| 亚洲av中文字字幕乱码综合| 久久久久亚洲av毛片大全| 欧美日韩中文字幕国产精品一区二区三区| 欧美日韩福利视频一区二区| 欧美日本视频| 亚洲成人精品中文字幕电影| 岛国在线免费视频观看| 高清在线国产一区| 久久精品91蜜桃| 五月玫瑰六月丁香| 18禁黄网站禁片午夜丰满| 国产激情偷乱视频一区二区| 精品人妻1区二区| 精品久久久久久久毛片微露脸| 无人区码免费观看不卡| 又黄又粗又硬又大视频| 国产蜜桃级精品一区二区三区| 男女视频在线观看网站免费| 精品一区二区三区av网在线观看| 午夜福利在线在线| 中文字幕熟女人妻在线| 成人亚洲精品av一区二区| 岛国在线观看网站| 香蕉av资源在线| 一本久久中文字幕| 看黄色毛片网站| 亚洲精品在线观看二区| 亚洲欧美日韩卡通动漫| 黑人欧美特级aaaaaa片| 97碰自拍视频| 亚洲黑人精品在线| 国产精品永久免费网站| 悠悠久久av| 成年女人永久免费观看视频| 色综合欧美亚洲国产小说| 日韩精品中文字幕看吧| 欧美黑人欧美精品刺激| 97超级碰碰碰精品色视频在线观看| 中文资源天堂在线| 国产成人系列免费观看| 亚洲精品久久国产高清桃花| 一级毛片精品| 最好的美女福利视频网| 欧美xxxx黑人xx丫x性爽| 久久国产精品人妻蜜桃| 99久久久亚洲精品蜜臀av| 国产一区二区激情短视频| 午夜激情福利司机影院| h日本视频在线播放| 免费电影在线观看免费观看| 日本一二三区视频观看| 人妻丰满熟妇av一区二区三区| 亚洲专区中文字幕在线| 精品免费久久久久久久清纯| 最新美女视频免费是黄的| 国产极品精品免费视频能看的| 天堂动漫精品| 午夜激情福利司机影院| 国产成+人综合+亚洲专区| www日本黄色视频网| 男女视频在线观看网站免费| 国产激情欧美一区二区| 色在线成人网| 欧美黑人巨大hd| 中文字幕最新亚洲高清| 国产精品影院久久| 亚洲aⅴ乱码一区二区在线播放| 国产精品永久免费网站| 又粗又爽又猛毛片免费看| 亚洲九九香蕉| 黄色丝袜av网址大全| 日韩中文字幕欧美一区二区| 天堂√8在线中文| bbb黄色大片| 国产亚洲精品一区二区www| 国产成人系列免费观看| 后天国语完整版免费观看| 小蜜桃在线观看免费完整版高清| 五月伊人婷婷丁香| 高清毛片免费观看视频网站| 人人妻人人看人人澡| 午夜福利18| 免费人成视频x8x8入口观看| 精品国内亚洲2022精品成人| 97人妻精品一区二区三区麻豆| 亚洲aⅴ乱码一区二区在线播放| 制服人妻中文乱码| 久久人人精品亚洲av| 夜夜爽天天搞| 99久久精品一区二区三区| 日本与韩国留学比较| 色播亚洲综合网| 99热这里只有是精品50| 亚洲成人精品中文字幕电影| 18美女黄网站色大片免费观看| 夜夜躁狠狠躁天天躁| 成人国产一区最新在线观看| 日本 欧美在线| 日韩大尺度精品在线看网址| 婷婷精品国产亚洲av在线| 国产伦人伦偷精品视频| 亚洲欧美日韩高清在线视频| 一级a爱片免费观看的视频| 麻豆av在线久日| 免费在线观看日本一区| 村上凉子中文字幕在线| 国产亚洲av嫩草精品影院| 亚洲av片天天在线观看| 午夜a级毛片| 男人的好看免费观看在线视频| 精品久久久久久久人妻蜜臀av| 无遮挡黄片免费观看| 久久久久国内视频| 国产亚洲精品一区二区www| 国产又色又爽无遮挡免费看| 日本a在线网址| 日韩高清综合在线| 欧美色欧美亚洲另类二区| 国产精品电影一区二区三区| 女同久久另类99精品国产91| 91av网一区二区| 免费大片18禁| 久久久久国内视频| 成年女人毛片免费观看观看9| 可以在线观看毛片的网站| 欧美大码av| 亚洲国产精品久久男人天堂| 亚洲av片天天在线观看| 国产毛片a区久久久久| 免费看a级黄色片| 一二三四社区在线视频社区8| 亚洲18禁久久av| 69av精品久久久久久| 国产欧美日韩一区二区精品| 亚洲天堂国产精品一区在线| 网址你懂的国产日韩在线| 2021天堂中文幕一二区在线观| 一个人免费在线观看电影 | 亚洲av成人一区二区三| 精品国产超薄肉色丝袜足j| 亚洲av免费在线观看| 久久久久国内视频| 欧美极品一区二区三区四区| 亚洲va日本ⅴa欧美va伊人久久| 久久久久久九九精品二区国产| 国产亚洲欧美在线一区二区| 国产亚洲av嫩草精品影院| 欧美中文日本在线观看视频| 人妻丰满熟妇av一区二区三区| 免费av不卡在线播放| 国产乱人视频| 欧美黄色片欧美黄色片| 天天躁日日操中文字幕| 亚洲成a人片在线一区二区| 久久国产精品人妻蜜桃| 亚洲午夜理论影院| 99久久久亚洲精品蜜臀av| 精品国产三级普通话版| 九九热线精品视视频播放| 在线观看午夜福利视频| 色视频www国产| 真人做人爱边吃奶动态| 亚洲精品一卡2卡三卡4卡5卡| 亚洲乱码一区二区免费版| 国产三级黄色录像| 久久中文字幕一级| 国产成人一区二区三区免费视频网站| 老司机深夜福利视频在线观看| 国内揄拍国产精品人妻在线| 国产亚洲av嫩草精品影院| 日日夜夜操网爽| 成人特级黄色片久久久久久久| 欧美在线黄色| 亚洲av成人av| 日韩有码中文字幕| 免费在线观看视频国产中文字幕亚洲| 女人高潮潮喷娇喘18禁视频| 九九热线精品视视频播放| 精品久久蜜臀av无| 成人国产综合亚洲| 亚洲国产欧洲综合997久久,| 夜夜夜夜夜久久久久| 成人精品一区二区免费| 国产三级在线视频| 成人午夜高清在线视频| 欧美中文日本在线观看视频| 九色国产91popny在线| 久久精品亚洲精品国产色婷小说| 国产av在哪里看| 97超视频在线观看视频| 啪啪无遮挡十八禁网站| 国产成人一区二区三区免费视频网站| 91麻豆av在线| 少妇的逼水好多| 中文亚洲av片在线观看爽| 久久久国产欧美日韩av| 中文字幕熟女人妻在线| 国产成人一区二区三区免费视频网站| 日本熟妇午夜| 日韩欧美一区二区三区在线观看| 麻豆av在线久日| 天堂av国产一区二区熟女人妻| av天堂在线播放| 色播亚洲综合网| 亚洲av电影不卡..在线观看| 又紧又爽又黄一区二区| 99精品欧美一区二区三区四区| 国产美女午夜福利| 色尼玛亚洲综合影院| 国产亚洲精品综合一区在线观看| 日本免费一区二区三区高清不卡| 日本 av在线| cao死你这个sao货| 国内精品久久久久久久电影| 中文资源天堂在线| 久久久久久九九精品二区国产| 五月玫瑰六月丁香| 一本久久中文字幕| 久久伊人香网站| 熟妇人妻久久中文字幕3abv| 欧美+亚洲+日韩+国产| 99精品欧美一区二区三区四区| 夜夜爽天天搞| 美女扒开内裤让男人捅视频| 老司机深夜福利视频在线观看| 亚洲精品在线观看二区| 亚洲熟妇中文字幕五十中出| 国产精品 国内视频| 国产激情久久老熟女| 老司机深夜福利视频在线观看| 午夜福利18| 老鸭窝网址在线观看| 国产亚洲精品一区二区www| 亚洲精品美女久久av网站| svipshipincom国产片| 天天躁狠狠躁夜夜躁狠狠躁| 欧美黄色淫秽网站| 亚洲精品一区av在线观看| 欧美日韩福利视频一区二区| 99久久久亚洲精品蜜臀av| 又大又爽又粗| av福利片在线观看| 色精品久久人妻99蜜桃| 超碰成人久久| 国产黄色小视频在线观看| 精品久久久久久久人妻蜜臀av| 欧美黄色片欧美黄色片| 真实男女啪啪啪动态图| 香蕉av资源在线| 亚洲国产中文字幕在线视频| 国产不卡一卡二| 在线看三级毛片| 黄色 视频免费看| 性色avwww在线观看| 色老头精品视频在线观看| 久久中文字幕一级| 国产伦一二天堂av在线观看| 我要搜黄色片| 国产午夜精品论理片| 亚洲精品粉嫩美女一区| 精品一区二区三区av网在线观看| 村上凉子中文字幕在线| 成年版毛片免费区| 国产蜜桃级精品一区二区三区| 成人av在线播放网站| 亚洲国产日韩欧美精品在线观看 | 欧美日本亚洲视频在线播放| 成人无遮挡网站| 99久久精品一区二区三区| 亚洲国产精品sss在线观看| 国模一区二区三区四区视频 | 麻豆国产97在线/欧美| 国产v大片淫在线免费观看| 日本黄色视频三级网站网址| av在线天堂中文字幕| 伦理电影免费视频| 97碰自拍视频| 久久久久久久精品吃奶| 久久久精品大字幕| 亚洲乱码一区二区免费版| 亚洲精华国产精华精| 精品国产乱子伦一区二区三区| 91字幕亚洲| 国产成人精品无人区| 一级毛片女人18水好多| 搡老岳熟女国产| 免费观看的影片在线观看| 国产熟女xx| 99精品欧美一区二区三区四区| 中文在线观看免费www的网站| 久久婷婷人人爽人人干人人爱| 少妇的丰满在线观看| 99国产极品粉嫩在线观看| 美女 人体艺术 gogo| 999久久久国产精品视频| 精品欧美国产一区二区三| 久久精品91蜜桃| 嫁个100分男人电影在线观看| 变态另类成人亚洲欧美熟女| 丝袜人妻中文字幕| 亚洲精品在线美女| 亚洲国产色片| 97碰自拍视频| 最新在线观看一区二区三区| 美女大奶头视频| 最新在线观看一区二区三区| 美女大奶头视频| 狂野欧美激情性xxxx| 男女午夜视频在线观看| 国产v大片淫在线免费观看| 少妇人妻一区二区三区视频| 99久国产av精品| 美女大奶头视频| 久久久久国产一级毛片高清牌| 丁香欧美五月| 日韩欧美在线二视频| 国产高清激情床上av| 亚洲国产精品久久男人天堂| 亚洲激情在线av| 亚洲欧洲精品一区二区精品久久久| 黄色女人牲交| 一本精品99久久精品77| 日本精品一区二区三区蜜桃| 99精品在免费线老司机午夜| 成年女人永久免费观看视频| 成人精品一区二区免费| 偷拍熟女少妇极品色| 国产精品99久久久久久久久| 亚洲aⅴ乱码一区二区在线播放| 激情在线观看视频在线高清| 岛国在线免费视频观看| av福利片在线观看| 亚洲成av人片免费观看| 精品电影一区二区在线| 两人在一起打扑克的视频| 色在线成人网| 美女扒开内裤让男人捅视频| 国产私拍福利视频在线观看| 看免费av毛片| 久久久精品欧美日韩精品| 欧美乱码精品一区二区三区| 日本免费a在线| 亚洲最大成人中文| 亚洲精华国产精华精| 黑人巨大精品欧美一区二区mp4| 免费看十八禁软件| 麻豆久久精品国产亚洲av| 亚洲国产色片| 最好的美女福利视频网| 99久久综合精品五月天人人| 在线永久观看黄色视频| 亚洲欧美日韩高清在线视频| 久久久久久大精品| 国产伦在线观看视频一区| 在线观看美女被高潮喷水网站 | 一卡2卡三卡四卡精品乱码亚洲| 国产主播在线观看一区二区| 两个人看的免费小视频| 琪琪午夜伦伦电影理论片6080| 亚洲国产欧美网| 我要搜黄色片| 黄色成人免费大全| 麻豆av在线久日| 成人高潮视频无遮挡免费网站| 亚洲精品粉嫩美女一区| 亚洲男人的天堂狠狠| av中文乱码字幕在线| 欧美成狂野欧美在线观看| 日本熟妇午夜| 久久久精品欧美日韩精品| 美女被艹到高潮喷水动态| 午夜免费观看网址| 亚洲欧美精品综合久久99| 亚洲av成人不卡在线观看播放网| 后天国语完整版免费观看| 日韩国内少妇激情av| 久久这里只有精品中国| 成人av在线播放网站| 欧美不卡视频在线免费观看| 波多野结衣高清作品| 欧美色欧美亚洲另类二区| 国产一区二区三区视频了| 十八禁人妻一区二区| 白带黄色成豆腐渣| 性色av乱码一区二区三区2| 波多野结衣巨乳人妻| 国产精品一及| 成人鲁丝片一二三区免费| 波多野结衣高清无吗| 国产成人av教育| 身体一侧抽搐| 夜夜爽天天搞| 看片在线看免费视频| 久久久成人免费电影| 首页视频小说图片口味搜索| 男人舔女人的私密视频| 亚洲aⅴ乱码一区二区在线播放| 欧美高清成人免费视频www| www.999成人在线观看| 欧美另类亚洲清纯唯美| 成人国产一区最新在线观看| 真人一进一出gif抽搐免费| 成人国产综合亚洲| 综合色av麻豆| 人妻丰满熟妇av一区二区三区| 九九久久精品国产亚洲av麻豆 | 99久久99久久久精品蜜桃| 最新美女视频免费是黄的| 日本精品一区二区三区蜜桃| 亚洲午夜理论影院| 母亲3免费完整高清在线观看| 精品国产超薄肉色丝袜足j| 在线免费观看不下载黄p国产 | 黑人欧美特级aaaaaa片| 嫩草影院精品99| 少妇熟女aⅴ在线视频| 性色avwww在线观看| 欧美一区二区精品小视频在线| 在线看三级毛片| 亚洲片人在线观看| 免费观看精品视频网站| 叶爱在线成人免费视频播放| 久久国产精品影院| 狂野欧美白嫩少妇大欣赏| 五月伊人婷婷丁香| 99热这里只有是精品50| 极品教师在线免费播放| 日本成人三级电影网站| 青草久久国产| 午夜影院日韩av| 国内久久婷婷六月综合欲色啪| 亚洲精品美女久久av网站| 国产精品亚洲美女久久久| 国产精品久久视频播放| 好男人电影高清在线观看| 精品日产1卡2卡| 草草在线视频免费看| 精品久久久久久久久久免费视频| 一个人免费在线观看的高清视频| 老司机在亚洲福利影院| 1024手机看黄色片| 村上凉子中文字幕在线| 观看免费一级毛片| 国产成年人精品一区二区| 精品久久久久久久久久免费视频| 久久中文看片网| 亚洲天堂国产精品一区在线| 他把我摸到了高潮在线观看| 精品久久久久久久久久久久久| 亚洲国产看品久久| 欧美极品一区二区三区四区| 亚洲国产看品久久| 美女扒开内裤让男人捅视频| 国产精品香港三级国产av潘金莲| 欧美一级毛片孕妇| av国产免费在线观看| 精品日产1卡2卡| 男人舔女人下体高潮全视频| 色av中文字幕| www日本黄色视频网| 色av中文字幕| 国内揄拍国产精品人妻在线| 法律面前人人平等表现在哪些方面| 日本 av在线| 国产人伦9x9x在线观看| 午夜免费观看网址| 欧美大码av| 国产成年人精品一区二区| 精品国内亚洲2022精品成人| 久久精品综合一区二区三区| 国产亚洲精品综合一区在线观看| 精品国产乱码久久久久久男人| 又黄又粗又硬又大视频| 最近最新中文字幕大全免费视频| 国产乱人伦免费视频| 久久天躁狠狠躁夜夜2o2o| 中文亚洲av片在线观看爽| 真人一进一出gif抽搐免费| 伊人久久大香线蕉亚洲五| 国产亚洲欧美98| 亚洲国产看品久久| av黄色大香蕉| 久久久久久久久久黄片| 啦啦啦韩国在线观看视频| 欧美日韩乱码在线| 亚洲一区二区三区色噜噜| 欧美丝袜亚洲另类 | 99国产精品99久久久久| 免费搜索国产男女视频| 又粗又爽又猛毛片免费看| 国产久久久一区二区三区| 成人特级av手机在线观看| 成年版毛片免费区| 国产成人一区二区三区免费视频网站| 黄色女人牲交| 91在线观看av| 男人的好看免费观看在线视频| 国产野战对白在线观看| 久久久久久久久免费视频了| 51午夜福利影视在线观看| 黄色 视频免费看| 成人亚洲精品av一区二区| 国产三级黄色录像| 在线观看66精品国产| xxxwww97欧美| 在线免费观看的www视频| 亚洲国产欧美网| 久久久久九九精品影院| 亚洲国产精品999在线| 看免费av毛片| 母亲3免费完整高清在线观看| 97碰自拍视频| 国产又黄又爽又无遮挡在线| 少妇裸体淫交视频免费看高清| 色哟哟哟哟哟哟| 99久久综合精品五月天人人| 女生性感内裤真人,穿戴方法视频| 一个人看的www免费观看视频| 女警被强在线播放| 香蕉av资源在线| 熟妇人妻久久中文字幕3abv| 国产欧美日韩一区二区精品| 亚洲片人在线观看| 亚洲国产日韩欧美精品在线观看 | 高潮久久久久久久久久久不卡| 亚洲欧美日韩卡通动漫| 嫩草影视91久久| 国产aⅴ精品一区二区三区波| 叶爱在线成人免费视频播放| 亚洲一区二区三区色噜噜| 熟女少妇亚洲综合色aaa.| 国产精品日韩av在线免费观看| 女同久久另类99精品国产91| 国产成人欧美在线观看| 长腿黑丝高跟| 成年版毛片免费区| 亚洲成a人片在线一区二区| 亚洲国产欧洲综合997久久,| 亚洲色图av天堂| 免费在线观看亚洲国产| 丰满人妻一区二区三区视频av | 999精品在线视频| 99久久综合精品五月天人人| 成人特级av手机在线观看| 日韩中文字幕欧美一区二区| 精品日产1卡2卡| a级毛片a级免费在线| 国产亚洲精品久久久久久毛片| 国产成人欧美在线观看| 国产精品九九99| 女同久久另类99精品国产91| 99久国产av精品| 九九热线精品视视频播放| 精品国产超薄肉色丝袜足j| 美女扒开内裤让男人捅视频| 最近视频中文字幕2019在线8| 国内精品美女久久久久久| 国产久久久一区二区三区| 我要搜黄色片| 日韩人妻高清精品专区| 真实男女啪啪啪动态图| 91久久精品国产一区二区成人 | 黄色女人牲交| 熟妇人妻久久中文字幕3abv| 一进一出抽搐动态|