亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        深度循環(huán)生存分析在個(gè)人信用評(píng)估中的應(yīng)用

        2023-11-27 15:30:29李淑錦梅浩
        中國(guó)集體經(jīng)濟(jì) 2023年33期
        關(guān)鍵詞:生存分析信用風(fēng)險(xiǎn)深度學(xué)習(xí)

        李淑錦 梅浩

        摘要:根據(jù)資金流入的特點(diǎn),金融機(jī)構(gòu)同時(shí)面臨著違約和提前還款風(fēng)險(xiǎn)。文章創(chuàng)新性地構(gòu)造了違約和提前還款實(shí)際生存時(shí)間,將深度循環(huán)生存分析模型(Deep Recurrent Survival Analysis,DRSA)用于預(yù)測(cè)個(gè)人信貸的風(fēng)險(xiǎn)事件概率,在12個(gè)月、12~24個(gè)月以及24~36個(gè)月的時(shí)間窗口上對(duì)風(fēng)險(xiǎn)進(jìn)行評(píng)估,并與logistic、Cox-PH、混合治愈模型進(jìn)行比較分析。實(shí)證結(jié)果顯示,DRSA模型在信用風(fēng)險(xiǎn)評(píng)估上是有效的。相較于提前還款而言違約預(yù)測(cè)的準(zhǔn)確度更高,在三個(gè)時(shí)間窗口上分別達(dá)到97.4%、98.8%和99.8%。

        關(guān)鍵詞:生存分析;信用風(fēng)險(xiǎn);競(jìng)爭(zhēng)風(fēng)險(xiǎn);深度學(xué)習(xí);類別不平衡;LSTM

        一、引言

        2021年12月31日,中國(guó)人民銀行發(fā)布了關(guān)于印發(fā)《金融科技發(fā)展規(guī)劃(2022-2025年)》的通知,指出應(yīng)以深化金融數(shù)據(jù)要素應(yīng)用為基礎(chǔ),秉持?jǐn)?shù)字驅(qū)動(dòng)原則,應(yīng)用數(shù)字化手段不斷增強(qiáng)風(fēng)險(xiǎn)識(shí)別監(jiān)測(cè)、分析預(yù)警能力,提升數(shù)字化營(yíng)銷能力,洞察客戶行為偏好和真實(shí)金融需求。據(jù)《中華人民共和國(guó)2021年國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)》顯示,我國(guó)2021年全部金融機(jī)構(gòu)人民幣消費(fèi)貸款余額548849億元,增加53181億元。其中,個(gè)人短期消費(fèi)貸款余額93558億元,增加6080億元;個(gè)人中長(zhǎng)期消費(fèi)貸款余額455292億元,增加47101億元。隨著貸款需求和規(guī)模的日益壯大,對(duì)于金融機(jī)構(gòu)來(lái)說(shuō),如何應(yīng)用金融科技來(lái)深度挖掘借款者的金融數(shù)據(jù),預(yù)測(cè)風(fēng)險(xiǎn)行為及其時(shí)間分布,是在新的金融形勢(shì)下把握風(fēng)險(xiǎn)與機(jī)遇的一項(xiàng)重大挑戰(zhàn)。

        二、國(guó)內(nèi)外文獻(xiàn)梳理

        傳統(tǒng)的信用風(fēng)險(xiǎn)模型旨在預(yù)測(cè)貸款到期時(shí)的違約概率,對(duì)貸款的風(fēng)險(xiǎn)進(jìn)行評(píng)級(jí)與區(qū)分。統(tǒng)計(jì)和機(jī)器學(xué)習(xí)的二分類方法一直以來(lái)都被廣泛應(yīng)用于信貸違約預(yù)測(cè),如Probit回歸、logistic回歸、非參數(shù)隨機(jī)森林法、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等。當(dāng)前,銀行、消費(fèi)金融公司、網(wǎng)絡(luò)小貸等金融機(jī)構(gòu)在原來(lái)關(guān)注違約概率的基礎(chǔ)上,提出了估計(jì)違約、提前還款風(fēng)險(xiǎn)的發(fā)生概率與時(shí)間分布等更高要求。

        Narain(1992)最早將生存分析中的加速失效時(shí)間方法(accelerated failure time,AFT)引入違約概率建模。Banasilk et al.(1999)將指數(shù)、Weibull和Cox非參數(shù)模型的性能與logistic回歸進(jìn)行了比較,發(fā)現(xiàn)在信用評(píng)分中生存分析的預(yù)測(cè)效果優(yōu)于logistic。Farewell(1982)、Larson & Dinse(1985)、Bentzen et al.(1989)、Kuk & Chen(1992)都通過(guò)logistic-Weibull混合治愈模型將生存函數(shù)分解為事件部分與延遲部分兩類效應(yīng),事件部分刻畫了事件發(fā)生的概率,延遲部分刻畫了事件發(fā)生的時(shí)間。在信用風(fēng)險(xiǎn)領(lǐng)域,由于違約行為會(huì)導(dǎo)致出借方損失本金和利息,普遍地被作為感興趣事件來(lái)引入研究。除此以外,提前還款也會(huì)導(dǎo)致出借方損失利息,近年來(lái)提前還款作為競(jìng)爭(zhēng)風(fēng)險(xiǎn)被逐漸引入到信用風(fēng)險(xiǎn)研究中。Ren(2019)提出了深度循環(huán)生存分析模型(Deep Recurrent Survival Analysis,DRSA),研究結(jié)果顯示,DRSA的預(yù)測(cè)能力顯著優(yōu)于其他模型。

        通過(guò)梳理國(guó)內(nèi)外的文獻(xiàn),發(fā)現(xiàn)在其他研究中都是將最近一次還款日期與貸款發(fā)起日相差的月數(shù)作為貸款的生存時(shí)間,并將其表示為正常還款行為發(fā)生的次數(shù),這樣的設(shè)計(jì)并不科學(xué)。在對(duì)模型的識(shí)別能力評(píng)價(jià)方面,很多研究并沒(méi)有考慮到樣本不均衡性對(duì)概率預(yù)測(cè)的影響。

        本文試圖從以下方面進(jìn)行創(chuàng)新:一是重新定義貸款的生存時(shí)間,分別獲得違約與提前還款的實(shí)際觀測(cè)時(shí)間;二是根據(jù)競(jìng)爭(zhēng)風(fēng)險(xiǎn)的發(fā)生時(shí)間,將競(jìng)爭(zhēng)風(fēng)險(xiǎn)作為刪失數(shù)據(jù)提前排除在后續(xù)的風(fēng)險(xiǎn)集中;三是研究引入代價(jià)敏感學(xué)習(xí)法,根據(jù)正負(fù)類樣本的比例對(duì)損失函數(shù)進(jìn)行修正。

        三、概念界定與評(píng)估方法介紹

        (一)違約與提前還款的界定

        生存時(shí)間是指?jìng)€(gè)體存活至某一時(shí)刻后發(fā)生風(fēng)險(xiǎn)的時(shí)間,將個(gè)體生存時(shí)間按先后進(jìn)行排序得到觀測(cè)序列0=t(0)<t(1)<t(2)<…t(L),觀測(cè)時(shí)間t(k)(0≦k≦L)為觀測(cè)序列中的時(shí)間點(diǎn),t(L)表示最后觀測(cè)到發(fā)生風(fēng)險(xiǎn)的時(shí)間點(diǎn)。將違約實(shí)際生存時(shí)間記為T1= ,提前還款實(shí)際生存時(shí)間記為T2= 。貸款的實(shí)際生存時(shí)間為T=min{T1,T2}。

        研究選用期限為36個(gè)月的分期貸款數(shù)據(jù),借款者按規(guī)定每月償還相應(yīng)利息與本金。定義風(fēng)險(xiǎn)集合Rt為在t(0≤t≤36)時(shí)刻存在風(fēng)險(xiǎn)的個(gè)體集合,n 為t時(shí)刻風(fēng)險(xiǎn)集合的觀測(cè)數(shù)量,nt為t時(shí)刻因發(fā)生風(fēng)險(xiǎn)而退出觀測(cè)的數(shù)量,可以得到n =n -nt-1。由于貸款中存在完全還款情況,因此當(dāng)T=0時(shí),n >0,n36=0。在生存分析中,用刪失狀態(tài)變量δ來(lái)表示感興趣事件的風(fēng)險(xiǎn)是否發(fā)生在觀測(cè)期內(nèi),若δ=0,則表示觀測(cè)數(shù)據(jù)刪失,未觀測(cè)到感興趣事件;表示觀測(cè)數(shù)據(jù)未刪失,觀測(cè)到感興趣事件。將違約作為感興趣事件,導(dǎo)致個(gè)體提前退出觀測(cè)的行為除了違約以外,還包括了提前還款,因此將提前還款作刪失處理。

        假設(shè):提前還款會(huì)同時(shí)償還剩余的全部本金與部分期數(shù)的利息,而違約只償還了部分期數(shù)的本金與利息,并且償還的本金與利息的期數(shù)相同。

        將事件刪失的時(shí)間記作C。貸款的違約狀態(tài)變量用二元離散變量來(lái)表示:Y=1表示貸款違約,Y=0表示貸款未違約。在該假設(shè)下,可以得到貸款的三種最終信用狀態(tài):

        1. 違約。T1=T2<36,Y=1,δ=1。在觀測(cè)期內(nèi)觀測(cè)到貸款發(fā)生違約。

        2. 提前還款。T2=C<T1=36,Y=0,δ=0。貸款因發(fā)生提前還款而未觀測(cè)到違約。

        3.正常還款。T1=T2=C=36,Y=0,δ=0。在觀測(cè)期內(nèi)沒(méi)有觀測(cè)到貸款發(fā)生違約或提前還款。

        需要注意的是,由于假設(shè)的限定,T1≥T2恒成立,可以將生存時(shí)間重新記為T=T2,貸款退出觀測(cè)的退出時(shí)間可以表示為 =min{C,T}。

        本文分別將在第12、24、36個(gè)月觀測(cè)貸款數(shù)據(jù)的違約情況。記Tα為實(shí)驗(yàn)選定的觀測(cè)時(shí)間(12、24或36),生存模型在訓(xùn)練集和測(cè)試集上的觀測(cè)時(shí)間定義不同:在訓(xùn)練集中,已知樣本i刪失時(shí)間為Ci,生存時(shí)間記為Ti,退出觀測(cè)的退出時(shí)間可以表示為 i=min{Ci,Ti,Tα};在測(cè)試集中,由于事先不確定樣本i的還款情況,所以 i=Tα。

        (二)logistic模型

        該模型屬于二分類模型,是一種Sigmoid函數(shù),能夠?qū)⑤敵鲋缔D(zhuǎn)化為(0,1)之間的數(shù)。logistic函數(shù)的公式為:

        π(Z)= (1)

        式中,Z=[z1,z2,z3,…,zp]T表示p個(gè)與還款行為相關(guān)的特征變量組成的向量,b0為常數(shù)項(xiàng),b為回歸參數(shù)的向量。根據(jù)前文設(shè)定,貸款違約的狀態(tài)變量為Y=1,不違約為Y=0,假設(shè)閾值為μ:

        =0, <μ;1, ≥μ;(2)

        若Y= ,則模型分類正確,否則分類錯(cuò)誤。

        (三)Cox-PH模型

        在生存分析中,T表示個(gè)體生存時(shí)間的隨機(jī)變量,X=[x1,x2,x3,…,xq]T表示q個(gè)與還款行為相關(guān)的特征變量組成的向量。Cox比例風(fēng)險(xiǎn)模型(Cox-PH)是廣泛應(yīng)用于生存分析的回歸模型。Cox-PH屬于半?yún)?shù)回歸模型,具有半?yún)?shù)性質(zhì),模型公式為:

        h(t,X)=h0(t)e (3)

        式中,h0(t)被稱為基準(zhǔn)風(fēng)險(xiǎn)函數(shù),β為回歸參數(shù)的向量,指數(shù)項(xiàng)e 中只包含因變量X而不包含t,我們稱X為非時(shí)間依賴變量。

        (四)混合治愈模型

        模型的生存函數(shù)表達(dá)形式為:

        S(t|X,Z)=π(Z)S(t|Y=1,X)+1-π(Z)(4)

        式(4)中,S(t|X,Z)是信用貸款的全概率生存公式。π(Z)表示在給定協(xié)變量向量Z的條件下,樣本來(lái)源于非免疫子集的可能性;S(t|Y=1,X)表示在已知樣本來(lái)源于非免疫子集,在協(xié)變量向量X條件下生存時(shí)間大于t的概率。

        π(X)采用二分類模型來(lái)解釋事件發(fā)生的可能性,本文采用logistic模型。延遲部分用于解釋風(fēng)險(xiǎn)發(fā)生在觀測(cè)時(shí)間之后的可能性,用Cox-PH來(lái)表示。模型的含義:評(píng)價(jià)對(duì)象在t時(shí)間之前未違約的概率,可以表示為它一直未發(fā)生違約的概率與在t時(shí)刻前未違約且最終會(huì)違約的概率之和。

        (五)DRSA模型

        深度循環(huán)生存分析(Deep Recurrent Survival Analysis,DRSA),采用長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-term Memory,LSTM)來(lái)進(jìn)行生存預(yù)測(cè)。Ren通過(guò)將生存時(shí)間離散化后進(jìn)行排序來(lái)獲得觀測(cè)時(shí)間序列,時(shí)間序列與上文表示相同。

        DRSA模型的損失函數(shù)來(lái)源:一是未刪失數(shù)據(jù)集內(nèi)的樣本在生存時(shí)間發(fā)生風(fēng)險(xiǎn)的概率。二是未刪失數(shù)據(jù)在生存時(shí)間Ti之內(nèi)發(fā)生風(fēng)險(xiǎn)的累積概率。三是刪失數(shù)據(jù) i在處的生存概率。因?yàn)槲磩h失數(shù)據(jù)滿足 i=Ti,所以可以將來(lái)源二和來(lái)源三合并得到完整數(shù)據(jù)集的損失函數(shù)。為了獲得最優(yōu)參數(shù),DRSA模型通過(guò)隨機(jī)梯度下降法來(lái)最小化損失函數(shù):

        arg minθLT+L? (5)

        四、模型建立與結(jié)果分析

        (一)數(shù)據(jù)來(lái)源與特征選取

        研究選用Lending Club借貸平臺(tái)上借款發(fā)起日期2016年6月30日至2018年9月30日貸款期限為36個(gè)月的個(gè)人借款數(shù)據(jù),借款者每月按規(guī)定償還本息,所有項(xiàng)目均已結(jié)項(xiàng)。在對(duì)原始數(shù)據(jù)進(jìn)行清洗后,共獲得403963條觀測(cè)數(shù)據(jù)。在選取特征時(shí),首先對(duì)特征進(jìn)行相關(guān)性檢驗(yàn)刪除冗余特征,之后對(duì)剩余的變量采用卡方分箱的方法進(jìn)行分箱處理,并選入Ⅳ值大于0.02的變量,最終選取了4個(gè)分類變量和20個(gè)連續(xù)變量。

        (二)建模過(guò)程

        1. 劃分?jǐn)?shù)據(jù)集

        將數(shù)據(jù)集按照7:3的比例劃分為訓(xùn)練集(282774條數(shù)據(jù))與測(cè)試集(12189條數(shù)據(jù)),按照每12個(gè)月的觀測(cè)時(shí)間窗口對(duì)數(shù)據(jù)集進(jìn)行劃分,分別在第12個(gè)月、24個(gè)月和36個(gè)月觀測(cè)前0~12個(gè)月、12~24個(gè)月和24~36個(gè)月的貸款情況。

        2.L? 平衡類別權(quán)重

        Finlay(2011)的研究顯示,對(duì)于logistic和神經(jīng)網(wǎng)絡(luò)而言,在計(jì)算損失函數(shù)時(shí)對(duì)樣本的類別施加不同權(quán)重的代價(jià)懲罰往往能得到更好的效果。代價(jià)敏感學(xué)習(xí)(Cost-Sensitive Learning)就是這樣的一類方法。本文采用了Fernández(2018)提出的直接學(xué)習(xí)方法,使用訓(xùn)練數(shù)據(jù)的類別比例來(lái)對(duì)不同類別的損失施加權(quán)重。

        weight_for_1= (6)

        weight_for_0= (7)

        total表示樣本總數(shù),pos表示違約的樣本數(shù)量,neg表示刪失的樣本數(shù)量,weight_for_1表示計(jì)算違約樣本損失函數(shù)的權(quán)重,weight_for_0表示計(jì)算刪失樣本損失函數(shù)的權(quán)重。

        根據(jù)表1可知,時(shí)間窗口為0~12個(gè)月的貸款在測(cè)試集上分類的準(zhǔn)確度得到明顯的提升。在經(jīng)過(guò)權(quán)重修正后的模型中,前三個(gè)模型對(duì)貸款違約的識(shí)別能力明顯提升,達(dá)到60%以上。DRSA模型的準(zhǔn)確度在經(jīng)過(guò)修正后達(dá)到97.23%,模型的分類能力得到明顯的提升,識(shí)別違約樣本的準(zhǔn)確度也達(dá)到77.12%,高于其他三個(gè)模型。

        (三)模型性能比較

        從AUC來(lái)看,Cox-PH和混合治愈模型并沒(méi)有改善logistic的預(yù)測(cè)能力,Cox-PH的AUC在三個(gè)時(shí)間窗口上都比logistic更低。DRSA的AUC和準(zhǔn)確度在三個(gè)時(shí)間窗口上都遠(yuǎn)高于其他三個(gè)模型,模型在信用風(fēng)險(xiǎn)評(píng)估上是有效的。從時(shí)間上來(lái)看,前三個(gè)模型的AUC和準(zhǔn)確度都隨著觀測(cè)時(shí)間推移而下降,而DRSA模型的預(yù)測(cè)性能隨著時(shí)間推移而上升,這說(shuō)明了LSTM能夠把握時(shí)間序列之間的相關(guān)性,模型在長(zhǎng)期預(yù)測(cè)上是有效的。

        五、結(jié)語(yǔ)

        本文采用DRSA模型,在為期12個(gè)月的時(shí)間窗口上對(duì)三年期貸款進(jìn)行了違約預(yù)測(cè),模型取得了較好的預(yù)測(cè)性能。本文加入了競(jìng)爭(zhēng)風(fēng)險(xiǎn)研究,通過(guò)定義違約和提前還款實(shí)際生存時(shí)間的方法區(qū)分兩類風(fēng)險(xiǎn),將感興趣事件的競(jìng)爭(zhēng)風(fēng)險(xiǎn)事件做了刪失處理,修正了風(fēng)險(xiǎn)集合與預(yù)測(cè)概率。類別不平衡的數(shù)據(jù)集會(huì)導(dǎo)致模型將少數(shù)類樣本全部預(yù)測(cè)為多數(shù)類,研究采用代價(jià)敏感學(xué)習(xí)方法對(duì)損失函數(shù)中的不同類別施加了損失權(quán)重,改善了模型的分類能力。

        研究結(jié)果顯示,采用DRSA模型評(píng)估個(gè)人信用風(fēng)險(xiǎn)是可行的,DRSA模型采用LSTM方法很好地挖掘了時(shí)間序列之間的相關(guān)性。本文的結(jié)果為金融機(jī)構(gòu)預(yù)測(cè)信用風(fēng)險(xiǎn)帶來(lái)的啟示:一是根據(jù)DRSA模型預(yù)測(cè)貸中階段的違約水平,根據(jù)違約概率修正貸款利率,同時(shí)根據(jù)預(yù)期的貸中違約規(guī)模來(lái)預(yù)期壞賬損失。二是預(yù)測(cè)貸中階段的提前還款水平,根據(jù)提前還款的時(shí)間與規(guī)模預(yù)測(cè)借款的久期,幫助金融公司更好地匹配資產(chǎn)與負(fù)債水平。

        參考文獻(xiàn):

        [1]中國(guó)人民銀行.中國(guó)人民銀行關(guān)于印發(fā)《金融科技發(fā)展規(guī)劃(2022-2025年)》的通知[EB/OL].(2021-12-31)[2022-06-19]. http://www.china-cer.com.cn/file/pdf/金融科技發(fā)展規(guī)劃(2022-2025).pdf.

        [2]國(guó)家統(tǒng)計(jì)局.中華人民共和國(guó)2021年國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)[R].2022.

        [3]王會(huì)娟,廖理.中國(guó)P2P網(wǎng)絡(luò)借貸平臺(tái)信用認(rèn)證機(jī)制研究——來(lái)自“人人貸”的經(jīng)驗(yàn)證據(jù)[J].中國(guó)工業(yè)經(jīng)濟(jì),2014(04):136-147.

        [4]廖理,李夢(mèng)然,王正位.聰明的投資者:非完全市場(chǎng)化利率與風(fēng)險(xiǎn)識(shí)別——來(lái)自P2P網(wǎng)絡(luò)借貸的證據(jù)[J].經(jīng)濟(jì)研究,2014,49(07):125-137.

        [5]方匡南,吳見彬,朱建平,等.信貸信息不對(duì)稱下的信用卡信用風(fēng)險(xiǎn)研究[J].經(jīng)濟(jì)研究,2010,45(S1):97-107.

        [6]方匡南,章貴軍,張惠穎.基于Lasso-logistic模型的個(gè)人信用風(fēng)險(xiǎn)預(yù)警方法[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究,2014,31(02):125-136.

        [7]郭英見,吳沖.基于信息融合的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估模型研究[J].金融研究,2009(01):95-106.

        [8]劉云燾,吳沖,王敏,等.基于支持向量機(jī)的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估模型研究[J].預(yù)測(cè),2005(01):52-55.

        [9]Narain B. Survival Analysis and the Credit Granting Decision[M].Credit Scoring and Credit Control.Oxford,U.K.:OUP,1992:109-121.

        [10]Banasik,J,et al.Not if but when will borrowers default[J].Journal of the Operational Research Society,1999.

        [11]Farewell,V.T.The use of mixture models for the analysis of survival data with long-term survivors[J].Biometrics,1982,38(04):1041-1046.

        [12]Larson,M.G.and Dinse,G.E.A Mixture Model for the Regression Analysis of Competing Risks Data[J].Applied Statistics,1985,34(03):201-211.

        [13]Bentzen S M,Thames H D,Travis E L,et al. Direct Estimation of Latent Time for Radiation Injury in Late-responding Normal Tissues:Gu,Lung,and Spinal Cord[J].International Journal of Radiation Biology,1989,55(01):27-43.

        [14]Chen K C H.A mixture model combining logistic regression with proportional hazards regression[J].Biometrika,1992, 79(03):531-541.

        [15]Ren K,Qin J,Zheng L,et al.Deep Recurrent Survival Analysis[C]//2019:4798-4805.

        [16]Finlay S.Multiple classifier architectures and their application to credit risk assessment[J].European Journal of Operational Research.2011.210(02):368-378.

        *基金項(xiàng)目:國(guó)家社會(huì)科學(xué)基金項(xiàng)目(17BJY233)。

        (作者單位:杭州電子科技大學(xué)經(jīng)濟(jì)學(xué)院。梅浩為通信作者)

        猜你喜歡
        生存分析信用風(fēng)險(xiǎn)深度學(xué)習(xí)
        淺析我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)管理
        MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場(chǎng)域建構(gòu)
        大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
        深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
        基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實(shí)現(xiàn)
        軟件工程(2016年8期)2016-10-25 15:47:34
        京東商城電子商務(wù)信用風(fēng)險(xiǎn)防范策略
        制造業(yè)出口貿(mào)易生存分析與跨國(guó)比較探討
        乙型肝炎相關(guān)慢加急性肝衰竭死因與HBV抗原變異相關(guān)性的探討
        個(gè)人信用風(fēng)險(xiǎn)評(píng)分的指標(biāo)選擇研究
        醫(yī)學(xué)中生存分析的多結(jié)局風(fēng)險(xiǎn)比例模型的實(shí)踐應(yīng)用
        成人免费毛片在线播放| 精品一区二区久久久久久久网站| 中文文精品字幕一区二区| 一区二区av日韩免费| 久久精品一区二区熟女| 成人精品一区二区三区电影 | 无码人妻av一二区二区三区| 爱我久久国产精品| 中文字幕亚洲乱码熟女在线| 青青草国产手机观看视频| 国产精品永久免费| 亚洲香蕉视频| 亚洲一区二区三区成人在线| 青青草高中生在线视频| 亚洲精品一区国产欧美| 亚洲av第二区国产精品| av高潮一区二区三区| 久久青青草原亚洲av| 亚洲精品国产一二三区| 又粗又硬又黄又爽的免费视频| 国产精品网站夜色| 人妻秘书被社长浓厚接吻| 伊人久久大香线蕉av波多野结衣| 欧美日韩亚洲tv不卡久久| 国产性一交一乱一伦一色一情| 狠狠综合久久av一区二区三区| 亚洲日韩中文字幕在线播放| 高潮毛片无遮挡高清免费| 国产杨幂AV在线播放| 中国少妇久久一区二区三区| 丰满少妇被粗大的猛烈进出视频 | 中文在线中文a| 亚洲有码转帖| 国产午夜亚洲精品不卡免下载| 精品一级一片内射播放| 亚洲国产成人精品无码区二本| 国产成人无码A区在线观| 国产精品老女人亚洲av无| 国产国语亲子伦亲子| 亚洲中文字幕无码中字| 免费毛片一区二区三区女同|