跳转至

Efficient and Adaptive Estimation of Portfolio Weights with Spectral Risk Measures

作者: Kangjie Zhou, Ming Yuan
主题: 效率理论 / Debiased ML
相关性: 6/10
链接: https://arxiv.org/abs/2609.31994


一、领域脉络与小综述

  • 这个方向是什么:本文研究的根本统计问题是:当一族估计准则(由谱风险度量生成)共享同一个总体目标(投资组合权重)时,如何选择该族中的特定准则以最小化估计量的渐近方差,以及能否从数据中自适应地学习这个最优准则而不损失一阶效率。该子方向处于"估计准则选择"与"半参数效率"的交叉地带,成熟度较高——它建立在金融计量与风险度量文献的长期积累之上,但将"准则选择"本身作为统计效率问题的系统处理尚属少见。

  • 发展脉络(history):

  • 奠基工作:Artzner et al. [1999] 提出一致性风险度量公理体系,为谱风险度量提供了理论合法性;Acerbi [2002] 给出谱风险度量的谱表示定理,将风险度量与概率测度上的泛函联系起来,这是本文把"选择风险度量"转化为"选择概率测度"的基石。Rockafellar and Uryasev [2000, 2002] 的 CVaR 变分表示使得风险最小化问题在计算上可处理,这是本文经验准则可操作性的前提。
  • 主要进展:Adam et al. [2008] 与 Brandtner [2013] 将谱风险度量引入组合选择,确立了其在投资优化中的角色;Ruszczyński and Shapiro [2006] 与 Luthi and Doege [2005] 建立了凸风险度量的优化理论,为带约束的风险最小化提供了分析框架。在统计端,Kiefer and Wolfowitz [1956] 与 Lindsay [1983] 的混合分布非参数极大似然估计(NPMLE)为本文估计未知径向分布提供了直接工具。
  • 当前 frontier:Kan and Lassance [2025] 在参数不确定性下研究厚尾组合选择,表明分布假设对组合估计有实质影响;He et al. [2023] 与 Zhang et al. [2025]、Wu et al. [2025] 分别处理了期望损失回归的稳健性与高维稀疏问题,但均未触及"准则族内效率最优选择"这一层。
  • 本文的位置:作者将上述两条线——风险度量的谱表示与组合估计的抽样理论——首次系统地缝合在一起,提出"准则选择即效率优化"的框架,并给出完全数据自适应的实现。

  • 子线索聚类:

  • 风险度量的公理化与表示(Artzner et al. 1999, Acerbi 2002, Kusuoka 2001):这一簇在刻画"什么样的风险度量是合理的",其输出是谱表示定理——任何一致、单调、凸且具有共单调可加性的风险度量都可写成 CVaR 的混合。本文直接借用此表示作为准则族的参数化。
  • 风险最小化的计算与优化(Rockafellar and Uryasev 2000, 2002; Ruszczyński and Shapiro 2006; Luthi and Doege 2005; Mansini et al. 2007):这一簇关注如何高效求解风险最小化问题,特别是 CVaR 的线性规划等价形式。本文的经验准则求解依赖这些结果。
  • 组合估计的抽样理论(Jobson and Korkie 1980, Britten-Jones 1999, Okunrinboye and Schmid 2006, Kan and Smith 2008):这一簇研究均值-方差组合权重的估计误差,揭示其渐近分布对输入参数估计的敏感性。本文的渐近协方差分解正是这一线索的延续。
  • 厚尾与稳健风险建模(Kan and Lassance 2025, He et al. 2023, Zhang et al. 2025, Wu et al. 2025):这一簇在非高斯、重尾设定下改进风险估计与组合选择。本文的椭圆模型假设与径向分布估计属于此簇的自然延伸。

  • 这个方向在追问的核心问题:

  • 当多个准则共享同一总体目标时,如何刻画准则对估计效率的影响?
  • 最优准则是否可识别、是否唯一,以及它如何依赖于未知的数据生成分布?
  • 能否在不牺牲一阶效率的前提下,从数据中自适应地学习最优准则?
  • 在非椭圆或非独立设定下,效率最优准则的刻画是否仍然成立?

  • ⚠️ 作者的 framing(这是作者的说法):作者把缺口 frame 成"在椭圆收益分布下,谱风险度量族内存在唯一的效率最优准则,且该准则可以通过估计径向分布来自适应地实现"。这一 framing 使得本文成为"显然的下一步"——因为谱表示定理已给出准则族的完整参数化,而 NPMLE 已提供估计径向分布的现成工具。被淡化或回避的竞争路线包括:(1) 非椭圆分布下的准则选择问题(作者仅在第 8 节一句带过);(2) 高维情形(N 随 T 增长)下准则选择是否仍然有效;(3) 与贝叶斯或正则化组合估计方法的比较。值得研究者去查的问题:作者声称"所有谱风险度量识别同一总体组合",但这一结论依赖椭圆假设——在非椭圆分布下,不同谱风险度量的总体最小化器是否仍然一致?作者没有给出反例或讨论。

  • 张力:未见明显对立引用。但存在一个微妙的张力:Kusuoka [2001] 的表示定理适用于一般的一致风险度量,而本文的效率最优准则在 Gaussian 情形下退化为方差(即均值-方差准则),在厚尾情形下则偏向低置信水平的 CVaR——这意味着"最优准则"本身随分布变化,与风险度量的公理化中立性存在概念上的紧张关系。


二、最核心、最简单的例子 / 数学问题

第一步:把符号、模型、可观测数据交代清楚

  • 符号:
  • \( r \in \mathbb{R}^N \):N 个风险资产的超额收益随机向量。这是随机变量,其分布是数据生成机制的核心。
  • \( \mu = \mathbb{E}[r] \in \mathbb{R}^N \):期望收益向量。这是参数(总体量),需要从数据中估计。
  • \( \Sigma = \text{Var}(r) \in \mathbb{R}^{N \times N} \):收益的协方差矩阵(在椭圆模型下为散度矩阵)。这是参数。
  • \( w \in \mathbb{R}^N \):组合权重向量,满足 \( w^\top 1 = 1 \)。这是决策变量,也是本文的估计目标(estimand)。
  • \( \mu_0 \in \mathbb{R} \):目标期望收益。这是用户指定的常数,不是估计对象。
  • \( \rho_m(\cdot) \):由谱测度 \( m \in \mathcal{P}([0,1]) \) 定义的谱风险度量。\( m \) 是概率测度(无穷维参数),是本文的"准则选择"变量。
  • \( \text{CVaR}_\alpha(X) \):置信水平 \( \alpha \) 的条件风险价值。\( \alpha \in (0,1) \) 是标量参数。
  • \( \lambda \):椭圆分布中的径向随机变量,\( \lambda \geq 0 \),与 \( Z \sim \mathcal{N}(0, I_N) \) 独立。这是潜在变量,不可直接观测。
  • \( T \):样本量(时间序列长度)。\( N \):资产数量(固定)。
  • \( r_1, \ldots, r_T \):可观测的收益样本。这是可观测数据。
  • \( \hat{\mu}, \hat{\Sigma} \):样本均值和样本协方差矩阵。这是估计量。
  • \( \hat{D}_i = (r_i - \hat{\mu})^\top \hat{\Sigma}^{-1} (r_i - \hat{\mu}) \):估计的 Mahalanobis 距离平方。这是构造的统计量,用于估计径向分布。
  • \( \hat{P}_\lambda \):径向分布的估计(NPMLE)。这是无穷维估计量。
  • \( \hat{m} \):数据自适应的谱测度估计。这是准则选择的结果。
  • \( \hat{w}_{\hat{m}}(\mu_0) \):最终的自适应组合权重估计。这是最终估计量。
  • \( \Sigma_{\text{SRM}}(m) \)、\( \Sigma_{\text{MV}} \):谱风险准则和均值-方差准则下权重估计的渐近协方差矩阵。这是效率比较的对象。
  • \( I(m; c) \)、\( J(c) \):标量效率泛函,分别对应谱风险准则和均值-方差准则的准则依赖部分。这是效率优化的目标函数。
  • \( c = c(\mu_0) \):标量指数,由目标收益和均值-散度几何决定。这是问题依赖的常数。
  • \( U(\alpha) = \mathbb{E}[\lambda^2 \Phi(-\lambda^{-1} q_\alpha(\lambda Z))] \),\( T(\alpha) = \mathbb{E}[\lambda^2 \Phi(-\lambda^{-1} q_\alpha(\lambda Z))] \):由径向分布决定的函数。这是效率泛函的组成部分。
  • \( \mathcal{P}([u, 1-u]) \):端点受限的谱测度集合。这是准则的可行域。

  • 模型:

  • 收益服从椭圆分布:\( r = \mu + \lambda \Sigma^{1/2} Z \),其中 \( Z \sim \mathcal{N}(0, I_N) \),\( \lambda \geq 0 \) 独立于 \( Z \),且 \( \mathbb{E}[\lambda^2] = 1 \)(归一化使 \( \Sigma \) 为协方差矩阵)。
  • 谱风险度量定义为 \( \rho_m(X) = \int_0^1 \text{CVaR}_\alpha(X) \, dm(\alpha) \),其中 \( m \) 是 \( [0,1] \) 上的概率测度。
  • 组合优化问题:\( \min_{w: w^\top 1 = 1, w^\top \mu = \mu_0} \rho_m(-r_w) \),其中 \( r_w = w^\top r \)。
  • 经验版本:用 \( \hat{\mu}, \hat{\Sigma} \) 替换 \( \mu, \Sigma \),用经验分布替换真实分布。

  • 可观测数据:

  • 研究者实际能观测到的是 \( T \) 个 i.i.d. 的收益向量 \( r_1, \ldots, r_T \in \mathbb{R}^N \)。
  • 不可观测的是:径向变量 \( \lambda_i \)(每个观测的径向缩放)、潜在的标准正态向量 \( Z_i \)、真实的谱测度 \( m^* \)、真实的径向分布 \( P_\lambda \)。
  • 关键识别步骤:通过估计的 Mahalanobis 半径 \( \hat{D}_i \) 来反推 \( \lambda_i \) 的信息,进而估计 \( P_\lambda \)。这里有一个微妙的"可观测"与"想要但观测不到"的区分:\( \hat{D}_i \) 是可观测数据的函数,但 \( \lambda_i \) 本身不可观测,只能通过 \( \hat{D}_i \) 的分布来识别 \( P_\lambda \)。

第二步:讲最小内核

  • 最简特例:考虑 \( N = 2 \) 个资产,目标收益 \( \mu_0 \) 固定,且 \( \Sigma = I_2 \)(标准化)。此时组合权重 \( w = (w_1, w_2) \) 满足 \( w_1 + w_2 = 1 \),约束 \( w^\top \mu = \mu_0 \) 给出 \( w_1 \mu_1 + w_2 \mu_2 = \mu_0 \)。解出 \( w \) 后,组合收益 \( r_w = w^\top r \) 是一维随机变量。
  • 在这个特例下,谱风险度量 \( \rho_m(-r_w) \) 只通过 \( r_w \) 的分布起作用。由于椭圆性,\( r_w \) 的分布由 \( \mu_w = w^\top \mu \) 和 \( \sigma_w = \| \Sigma^{1/2} w \| \) 决定,且 \( r_w = \mu_w + \lambda \sigma_w Z \)(\( Z \sim \mathcal{N}(0,1) \))。
  • 关键观察:对任意谱测度 \( m \),\( \rho_m(-r_w) = -\mu_w + \sigma_w \rho_m(\lambda Z) \)。因此,在约束 \( w^\top \mu = \mu_0 \) 下最小化 \( \rho_m(-r_w) \) 等价于最小化 \( \sigma_w \),因为 \( \rho_m(\lambda Z) > 0 \) 且不依赖于 \( w \)。
  • 这意味着:在椭圆模型下,所有谱风险度量(包括 CVaR)的总体最小化器都相同,且等于均值-方差有效组合。这就是"总体等价性"的最小内核。
  • 然而,经验版本中,\( \hat{\mu}, \hat{\Sigma} \) 的估计误差通过不同的 \( m \) 被不同地放大。具体地,权重估计的渐近协方差分解为 \( \Sigma_{\text{SRM}}(m) = \Sigma_{\text{common}} + I(m; c) \Sigma_\perp \),其中 \( I(m; c) \) 是准则依赖的标量。因此,统计等价性(总体层面)与统计非等价性(估计层面)并存——这就是本文的核心数学洞见。
  • 证明思路(在特例下):权重估计 \( \hat{w}_m \) 是经验风险最小化问题的解。其一阶条件给出 \( \hat{w}_m - w^* \approx -H^{-1} \nabla \hat{\rho}_m(-r_{w^*}) \),其中 \( H \) 是总体 Hessian。\( \nabla \hat{\rho}_m \) 的渐近方差分解为公共部分(来自 \( \hat{\mu} \))和准则依赖部分(来自经验谱风险估计)。后者通过 \( I(m; c) \) 缩放。

  • 为什么这个内核是"最小"的:它剥离了所有技术假设(约束的复杂性、高维性、非椭圆性),只保留椭圆性 + 线性约束 + 固定维数。在这个内核下,本文的全部三个主要结论——总体等价性、协方差分解、效率最优准则的存在性——都能被清晰地展示。一般情形(带不等式约束、风险资产、N 固定但任意)只是这个内核的"加壳"。

三、这篇论文做了什么

三句话: 1. 研究了什么问题:在椭圆收益分布下,当所有谱风险度量(包括 CVaR)识别同一总体组合权重时,如何选择谱测度 \( m \) 以最小化权重估计的渐近协方差,以及能否从数据中自适应地学习这个最优 \( m \)。 2. 核心工具 / 方法:谱风险度量的 CVaR 混合表示 + 经验过程理论(处理非光滑目标)+ 约束非参数极大似然估计(NPMLE)估计径向分布 + 随机凸优化的渐近分析。 3. 主要结论:权重估计的渐近协方差分解为公共部分和准则依赖部分 \( I(m; c) \Sigma_\perp \);在端点受限的谱测度类中存在唯一的效率最优测度 \( m^*_{c,u} \),且它通常是绝对连续的;基于 NPMLE 的自适应估计器与不可行的 oracle 有一阶相同的极限分布,无需样本分割。

关键设定与假设: - 椭圆分布:\( r = \mu + \lambda \Sigma^{1/2} Z \),\( \lambda \geq 0 \) 独立于 \( Z \sim \mathcal{N}(0, I_N) \),\( \mathbb{E}[\lambda^2] = 1 \)。这比 Gaussian 假设更宽,涵盖 t 分布、Laplace 分布等厚尾情形。统计含义:所有一维投影的分布由位置、尺度和径向分布决定,这保证了总体等价性。 - 谱测度端点受限:\( \text{supp}(m) \subset [u, 1-u] \),\( u \in (0, 1/2) \)。统计含义:排除极端置信水平(如 \( \alpha \to 0 \) 或 \( \alpha \to 1 \)),保证经验 CVaR 的渐近性质稳定。相比已有 CVaR 文献(通常固定单一 \( \alpha \)),这是对准则族的系统化扩展。 - 约束正则性:目标收益 \( \mu_0 \) 严格可行,约束矩阵满秩。统计含义:保证拉格朗日乘子唯一,避免退化。 - 矩条件:\( \mathbb{E}[\|r\|^4] < \infty \)(对中心极限定理),\( \mathbb{E}[1/\lambda] < \infty \)(保证径向密度在零点有界)。统计含义:控制尾部行为,使经验谱风险的波动率有限。 - 识别性:\( \Sigma \) 正定,\( \mu \) 与 1 不共线。统计含义:组合权重唯一。 - 相比已有文献:放宽了 Gaussian 假设(允许厚尾),但强化了谱测度的端点限制(排除极端分位数)。相比 Kan and Lassance [2025] 的参数不确定性框架,本文完全非参数地处理径向分布。

主要结果: - 定理 3.3(一般渐近理论):在固定维数、i.i.d. 观测下,经验谱风险最小化问题的解 \( \hat{w}_m \) 一致且渐近正态,其渐近协方差由目标函数的 Hessian 和谱风险的 influence function 决定。技术难点:经验 CVaR 作为分位数估计是非光滑的,作者用经验过程理论处理。 - 定理 4.1(椭圆模型下的协方差分解):在椭圆模型下,\( \Sigma_{\text{SRM}}(m) = \Sigma_{\text{common}} + I(m; c) \Sigma_\perp \),其中 \( \Sigma_{\text{common}} \) 不依赖 \( m \),\( \Sigma_\perp \succeq 0 \),\( I(m; c) \) 是标量泛函。这是全文的枢纽——它将无穷维的准则选择问题约化为标量优化。 - 定理 5.1(效率最优测度的存在唯一性):在 \( \mathcal{P}([u, 1-u]) \) 上,\( I(m; c) \) 有唯一的最小值点 \( m^*_{c,u} \),且该测度在 \( (u, 1-u) \) 上绝对连续。证明思路:将 \( I(m; c) \) 重写为凸泛函,利用变分法得到 Euler-Lagrange 方程,再证明解的唯一点。 - 定理 5.4(与 MVO 的比较):\( \inf_m I(m; c) \le J(c) \),其中 \( J(c) \) 是样本均值-方差估计的准则依赖部分。在 Gaussian 情形下等号成立;在厚尾情形下严格不等。这意味着谱风险准则可以严格优于均值-方差准则。 - 定理 6.2(oracle 自适应):基于 NPMLE 的自适应估计器 \( \hat{w}_{\hat{m}} \) 与 oracle \( \hat{w}_{m^*_{c,u}} \) 有相同的极限分布。证明思路:先证明 NPMLE 的 Wasserstein 一致性(定理 6.4),再证明效率泛函 \( I(m; c) \) 在 \( m^*_{c,u} \) 处的一阶条件对 \( m \) 的估计误差不敏感。

证明路线与技术技巧: - 整体路线: 1. 建立一般渐近理论:将经验谱风险最小化视为带估计约束的 M-估计。用经验过程理论处理非光滑目标(CVaR 的分位数形式),用凸对偶处理约束。 2. 椭圆模型下的显式计算:利用椭圆分布的线性投影性质,将谱风险 \( \rho_m(-r_w) \) 显式写为 \( -\mu_w + \sigma_w \rho_m(\lambda Z) \),从而证明总体等价性并推导协方差分解。 3. 效率泛函的变分分析:将 \( I(m; c) \) 视为 \( \mathcal{P}([u, 1-u]) \) 上的泛函,证明其凸性和强制性,利用变分法刻画最优测度。 4. NPMLE 的一致性:将径向分布估计转化为一个受约束的混合模型估计问题,用 Kiefer-Wolfowitz [1956] 的经典框架加上 Wasserstein 度量的紧性论证。 5. oracle 自适应:证明效率泛函在最优测度处的"一阶不敏感性",即 \( I(\hat{m}; \hat{c}) - I(m^*; c) = o_p(T^{-1/2}) \),从而自适应估计与 oracle 有相同的极限分布。 - 关键跳跃点: - 跳跃 1(定理 3.3 的证明):从经验 CVaR 的非光滑性到渐近正态性。作者用分位数回归的 influence function 展开,但需要处理"估计的分位数水平"(因为谱测度是连续的,涉及无穷多个分位数)。关键技巧:将谱风险写为 \( \int_0^1 \text{CVaR}_\alpha \, dm(\alpha) \),交换积分和期望,利用 Fubini 定理将非光滑性"平均掉"。 - 跳跃 2(定理 4.1 的证明):从一般渐近协方差到显式分解。关键技巧:利用椭圆性,将 influence function 分解为"均值部分"(公共)和"谱风险部分"(准则依赖),并证明二者在约束空间上正交。这需要仔细的线性代数运算。 - 跳跃 3(定理 5.1 的证明):从凸泛函到最优测度的绝对连续性。关键技巧:将 \( I(m; c) \) 重写为 \( \int \int K(\alpha, \beta) dm(\alpha) dm(\beta) \) 的二次型,其中核 \( K \) 是连续的。利用 Mercer 定理的类比,证明最优测度不能有原子,否则可以通过"平滑"降低泛函值。 - 跳跃 4(定理 6.2 的证明):从 NPMLE 一致性到 oracle 等价。关键技巧:证明 \( I(m; c) \) 在 \( m^*_{c,u} \) 处的梯度为零,且 Hessian 在 \( \Sigma_\perp \) 方向上正定。这样,\( m \) 的估计误差只产生二阶效应。 - 技术技巧点名: - 经验过程理论:用于处理非光滑目标函数的 uniform convergence(定理 3.3 的证明)。 - 凸对偶 / KKT 系统:用于处理带约束的优化问题,特别是估计的线性约束。 - 变分法 / Euler-Lagrange 方程:用于刻画效率最优谱测度。 - Wasserstein 度量:用于建立 NPMLE 的一致性(定理 6.4)。 - influence function 展开:用于推导渐近协方差的显式形式。 - Fubini 定理与积分交换:用于处理连续谱测度下的 CVaR 混合。

真实例子与应用: - 模拟实验:使用 Gaussian、Laplace 和 t 分布三种径向分布,比较 MVO、固定 CVaR(\( \alpha = 0.5, 0.9 \))和自适应谱风险准则的有限样本表现。结果显示,在厚尾情形下,自适应谱风险准则的权重估计 MSE 比 MVO 低约 15–17%,而固定 CVaR 的表现强烈依赖于 \( \alpha \) 的选择。 - 实证应用:使用 Kenneth French 数据库的 30 个美国行业组合的月度超额收益(1926–2026),滚动 240 个月窗口,季度调仓。自适应谱风险准则的 Sharpe 比率为 0.58,高于 MVO 的 0.54 和 CVaR 0.9 的 0.34;其最大回撤和换手率也低于固定 CVaR 准则。作者特别指出,实证结果不构成"投资业绩优越性"的证明,而是说明准则选择对估计稳定性的影响。

🔎 结论是否比证明窄: - 定理 5.4 的表述:作者声称"谱风险准则的最优渐近协方差不超过 MVO",但证明仅在椭圆模型下成立。在正文中,作者将这一结论表述为一般性的"效率改进",但在证明中明确使用了椭圆性。建议读者注意:第 5 节的定理 5.4 的陈述是"对于椭圆分布",但摘要和引言中的表述更宽泛。 - 定理 6.2 的适用范围:oracle 等价性证明依赖于 NPMLE 的 Wasserstein 一致性(定理 6.4),而该定理要求 \( \lambda \) 的分布有界支撑(\( \lambda \in [a_T, b_T] \))。在实际中,\( a_T, b_T \) 的选择是数据相关的,作者在正文中承认这一点,但未给出数据驱动的选择规则。 - "效率最优"的限定:作者明确声明"效率"指渐近协方差在 Loewner 序下的最小化,且仅在一阶意义下。二阶项(如 Edgeworth 展开)可能改变准则排序,作者未讨论。 - 无 oracle 不等式:作者没有证明自适应估计器相对于任何其他数据自适应准则(如交叉验证选择的 CVaR 水平)的优势,只证明了与 oracle 的等价性。


四、开放问题

  1. 高维推广:本文的渐近理论在固定 N 下建立。当 N 随 T 增长时,协方差矩阵的估计误差会主导准则选择问题,效率最优谱测度是否仍然存在且可识别?作者在第 8 节提到"高维正则化与准则选择的交互"是未来工作,但未给出任何具体猜想。扎根点:第 8 节"Several directions remain open... When the number of assets is large relative to the available return history"。

  2. 非椭圆分布:总体等价性(所有谱风险度量识别同一组合)严重依赖椭圆假设。在非椭圆分布下,不同谱风险度量的总体最小化器可能不同,此时准则选择必须权衡"统计效率"与"经济目标偏差"。作者未讨论这一权衡的正式框架。扎根点:第 8 节"Outside the elliptical setting, changing the spectral measure can also change the population portfolio"。

  3. 依赖数据:本文假设 i.i.d. 观测。对序列相关的收益,谱风险度量的经验估计需要处理长期方差,效率最优谱测度是否仍然由简单的标量泛函刻画?扎根点:第 8 节"Extensions to dependent returns"。

  4. 有限样本理论:oracle 等价性是一阶渐近结果。作者在模拟中观察到自适应准则在 T = 100 时仍有优势,但没有给出收敛速率或 Edgeworth 展开。是否存在二阶效率损失?扎根点:第 7 节模拟部分对 T = 100 结果的讨论。

  5. 准则选择的置信区间:本文给出了点估计的渐近分布,但没有构造组合权重的置信区间或假设检验。由于自适应准则本身是随机的,如何对"准则选择"这一步骤进行推断?扎根点:第 6 节定理 6.2 的陈述仅涉及点估计的极限分布。

提醒:要确认上述问题是否是真 gap,建议去读近 5 年关于"distributionally robust portfolio optimization"和"criterion selection in M-estimation"的文献——如果多个独立团队都在朝同一方向推进,那大概率是共识性 gap;如果各团队的问题设定互相矛盾(例如对"最优准则"的定义不同),那可能是更根本的概念分歧,值得深挖。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论