基于指数ETF特点的股票市场预测方法、装置、终端及介质

摘要

本申请公开了一种基于指数ETF特点的股票市场预测方法、装置、终端及介质，本申请通过获取金融股票市场中目标行业板块下的股票数据与大盘因子数据，然后截取股票数据与大盘因子数据的部分时间序列，通过TOPSIS多目标优化模型进行运算，得到不同股票数据的相关性数值，按照各个股票数据的相关性数值与理想最优解间的距离及与理想最劣解间的距离，确定各个股票数据的股票评分，从而可以根据各个股票数据的股票评分确定该股票的好坏，然后根据符合ETF特点的股票有针对性地进行市场预测，保证预测效果的准确性，同时避免了传统机器学习模型预测方式因需要不断提供大量数据进行学习来保证模型准确性而造成的计算性能下降问题，保证了预测的效率。

说明书

技术领域

本申请涉及数据处理技术领域，尤其涉及一种基于指数ETF特点的股票市场预测方法、装置、终端及介质。

背景技术

ETF是一般指交易型开放式指数基金。交易型开放式指数基金，通常又被称为交易所交易基金，是一种在交易所上市交易的、基金份额可变的开放式基金。在当前的金融市场中，ETF是一种不断增长的投资方式，而基于行业指数ETF通常是在广泛的市场数据和个股之间建立桥梁的投资产品。

股票市场预测和选股本身是极其复杂和困难的问题，因为有太多的因素和噪音影响价格的变化。传统的交易策略倾向于选择少量的股票，并根据以前的经验、新闻和对特定指标的判断来选择股票，以获得回报。定量交易是基于计算机算法，生成自动交易决策和在市场中下订单。定量交易弥补了传统策略缺乏数据分析的不足。定量交易的挑战主要来自于价格时间序列的连续演化，从而产生了制定贸易行动决策的动态周期。

目前在定量交易研究主要是基于机器学习或深度学习构建不同的交易模型，通过这些机器学习模型来区分“好”股票和“坏”股票，并使用各种深度学习模型预测的股价结果选择地评估股票的优劣。但是，实际应用中，由于机器学习模型的运算特性，往往使用大量的数据输入到预测交易算法模型，通过不断提高学习模型的复杂程度以达到更好的学习性能，从而提高模型的准确率，但这样又会导致可解释性与计算性能的下降，从而造成了现有的股票市场预测方式存在处理效率低的技术问题。

发明内容

本申请提供了一种基于指数ETF特点的股票市场预测方法、装置、终端及介质，用于解决现有的股票市场预测方式处理效率低的技术问题。

为解决上述的技术问题，本申请第一方面提供了一种基于指数ETF特点的股票市场预测方法，包括：

获取目标行业的大盘因子数据与所述目标行业的多个股票数据；

根据所述大盘因子数据与各个所述股票数据的时间序列，通过滑动窗口截取方式与相关性度量方式，分别得到所述大盘因子数据与各个所述股票数据间的相关性时间序列；

根据所述相关性时间序列，通过TOPSIS多目标优化模型进行运算，构建相关性数值矩阵，所述相关性数值矩阵中包含有各个所述股票数据的相关性数值；

根据各个所述股票数据的相关性数值中的最大值与最小值，确定各个所述股票数据中的理想最优解与理想最劣解；

根据各个所述股票数据的相关性数值，分别计算各个所述股票数据的第一距离与第二距离，其中，所述第一距离为所述股票数据与所述理想最优解间的距离，所述第二距离为所述股票数据与所述理想最劣解间的距离；

根据各个所述股票数据的第一距离与第二距离，确定各个所述股票数据的股票评分；

根据所述股票评分对各个所述股票数据进行排序，筛选出若干个得分靠前的目标股票，结合预设的SVM机器学习模型进行股票市场预测，以获得预测结果。

优选地，获取到的所述大盘因子数据数量为一个或多个。

优选地，当获取到的所述大盘因子数据数量为一个时，所述根据所述相关性时间序列，通过TOPSIS多目标优化模型进行运算，得到各个所述股票数据的相关性数值具体包括：

根据所述相关性时间序列，结合预设的多项相关性数值指标，通过TOPSIS多目标优化模型进行运算，得到各个所述股票数据在各项相关性数值指标下的相关性数值，再基于所述相关性数值与所述各项相关性数值指标，构建相关性数值矩阵。

优选地，当获取到的所述大盘因子数据数量为多个时，所述根据所述相关性时间序列，通过TOPSIS多目标优化模型进行运算，得到各个所述股票数据的相关性数值具体包括：

根据所述相关性时间序列，结合所述大盘因子数据，通过TOPSIS多目标优化模型进行运算，得到各个所述股票数据在对应不同的大盘因子数据的相关性数值，再基于所述相关性数值与所述大盘因子数据指标，构建相关性数值矩阵。

优选地，当获取到的所述大盘因子数据数量为多个时，所述根据所述大盘因子数据与各个所述股票数据的时间序列，通过滑动窗口截取方式与相关性度量方式，得到所述大盘因子数据与各个所述股票数据间的相关性时间序列具体包括：

根据各个所述大盘因子数据与各个所述股票数据的时间序列，通过滑动窗口截取方式与相关性度量方式，得到各个时间序列组合的相关性时间序列，其中，所述时间序列组合是由各个大盘因子数据的时间序列与各个股票数据的时间序列两两组合形成的。

优选地，所述相关性度量方式具体包括：Person相关性度量方式、Spearman相关性度量方式、LCS相关性度量方式、Kendall’s tau相关性度量方式以及SAX相关性度量方式中至少一种。

优选地，当采取的相关性度量方式达到两种以上时，则所述根据各个所述股票数据的第一距离与第二距离，确定各个所述股票数据的股票评分之后还包括：

基于不同的相关性度量方式计算得到的股票评分，按照所述不同相关性度量方式对应的权重，对所述股票评分进行加权求和计算，以计算得到的加权和作为所述股票数据的实际股票评分。

本申请第二方面提供了一种基于指数ETF特点的股票市场预测装置，包括：

市场数据获取单元，用于获取目标行业的大盘因子数据与所述目标行业的多个股票数据；

相关性时间序列获取单元，用于根据所述大盘因子数据与各个所述股票数据的时间序列，通过滑动窗口截取方式与相关性度量方式，分别得到所述大盘因子数据与各个所述股票数据间的相关性时间序列；

相关性数值矩阵构建单元，用于根据所述相关性时间序列，通过TOPSIS多目标优化模型进行运算，构建相关性数值矩阵，所述相关性数值矩阵中包含有各个所述股票数据的相关性数值；

理想解确定单元，用于根据各个所述股票数据的相关性数值中的最大值与最小值，确定各个所述股票数据中的理想最优解与理想最劣解；

评分距离计算单元，用于根据各个所述股票数据的相关性数值，分别计算各个所述股票数据的第一距离与第二距离，其中，所述第一距离为所述股票数据与所述理想最优解间的距离，所述第二距离为所述股票数据与所述理想最劣解间的距离；

股票评分计算单元，用于根据各个所述股票数据的第一距离与第二距离，确定各个所述股票数据的股票评分；

预测单元，用于根据所述股票评分对各个所述股票数据进行排序，筛选出若干个得分靠前的目标股票，结合预设的SVM机器学习模型进行股票市场预测，以获得预测结果。

本申请第三方面提供了一种基于指数ETF特点的股票市场预测终端，包括：存储器和处理器；

所述存储器用于存储程序代码，所述程序代码与如本申请第一方面提供的一种基于指数ETF特点的股票市场预测方法相对应；

所述处理器用于执行所述程序代码。

本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质保存有与如本申请第一方面提供的一种基于指数ETF特点的股票市场预测方法相对应的程序代码。

从以上技术方案可以看出，本申请提供的技术方案具有以下优点：

本申请通过获取金融股票市场中目标行业板块下的股票数据与大盘因子数据，然后截取股票数据与大盘因子数据的部分时间序列，通过TOPSIS多目标优化模型进行运算，得到不同股票数据的相关性数值，按照各个股票数据的相关性数值与理想最优解间的距离及与理想最劣解间的距离，确定各个股票数据的股票评分，从而可以根据各个股票数据的股票评分确定该股票的好坏，然后根据符合ETF特点的“好”股票有针对性地进行市场预测，保证预测效果的准确性，同时避免了传统机器学习模型预测方式因需要不断提供大量数据进行学习来保证模型准确性而造成的计算性能下降问题，保证了预测的效率。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本申请提供的一种基于指数ETF特点的股票市场预测方法的一个实施例的流程示意图。

图2为本申请提供的一种基于指数ETF特点的股票市场预测方法的滑动窗口截取与构建相关性时间序列的逻辑示意图。

图3为本申请提供的一种基于指数ETF特点的股票市场预测方法的另一个实施例的流程示意图。

图4为本申请提供的一种基于指数ETF特点的股票市场预测装置的一个实施例的结构示意图。

具体实施方式

申请人通过研究发现，现在目前的金融量化交易领域，往往使用大量的数据输入到预测交易算法模型，期望这些具有学习能力的模型能够快速高效的学习到相关知识，从而得到数据间的联系。需要注意的是，而这种联系往往是“伪联系”，当数据量大而学习模型优化不到位的情况下，会出现关联到本不相关的数据的问题，即学习到错误的知识，从而导致结果出现误差。传统思路解决这类问题往往不断提高学习模型的复杂程度，弱化学习到错误知识的影响，以达到更好的学习性能，但也因此导致模型的可解释性与计算性能的下降，进而造成了现有的股票市场预测方式处理效率低的技术问题。

本申请实施例提供了一种基于指数ETF特点的股票市场预测方法、装置、终端及介质，用于解决现有的股票市场预测方式处理效率低的技术问题。

为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

请参阅图1，本申请第一个实施例提供了一种基于指数ETF特点的股票市场预测方法，包括：

步骤101、获取目标行业的大盘因子数据与目标行业的多个股票数据。

需要说明的是，首先，根据需要分析的目标行业，获取该目标行业所属板块的大盘因子数据以及多个股票数据。

步骤102、根据大盘因子数据与各个股票数据的时间序列，通过滑动窗口截取方式与相关性度量方式，分别得到大盘因子数据与各个股票数据间的相关性时间序列。

然后，基于上一步骤获得的大盘因子数据与股票数据，按照数据对应的时间，通过滑动窗口截取方式与相关性度量方式，分别截取出大盘因子数据与各个股票数据在相同时间区间内的数据序列，然后通过对该数据序列进行相关性度量，根据得到的相关性数值构建出相关性时间序列，本实施例的截取与相关性度量的原理可参阅图2所示。

假设步骤101获取到p个公司的股票数据和q个大盘因子数据，则通过步骤102的处理，可以获得p×q个“相关性时间序列”。

步骤103、根据相关性时间序列，通过TOPSIS多目标优化模型进行运算，构建相关性数值矩阵，相关性数值矩阵中包含有各个股票数据的相关性数值。

步骤104、根据各个股票数据的相关性数值中的最大值与最小值，确定各个股票数据中的理想最优解与理想最劣解。

再接着，根据上一步骤得到的相关性时间序列，使用TOPSIS多目标优化模型进行处理，根据相关性时间序列中包含的每个股票对应一个大盘因子的相关性数值，构建相关性数值矩阵，然后可以从中取出各个股票数据的相关性数值中的最大值与最小值，分别作为代表最优股票的理想最优解与代表最劣股票的理想最劣解。

步骤105、根据各个股票数据的相关性数值，分别计算各个股票数据的第一距离与第二距离，其中，第一距离为股票数据与理想最优解间的距离，第二距离为股票数据与理想最劣解间的距离。

步骤106、根据各个股票数据的第一距离与第二距离，确定各个股票数据的股票评分。

步骤107、根据股票评分对各个股票数据进行排序，筛选出若干个得分靠前的目标股票，结合预设的SVM机器学习模型进行股票市场预测，以获得预测结果。

需要说明的是，根据股票评分对各个股票数据进行排序，选出其中得分前10名的股票数据，使用SVM机器学习模型，利用大盘数据与股票自身股价数据对各个股票的股价进行预测：

将股票自身的数据与大盘因子数据作为自变量X＝[x

其中f(x)与x之间存在可以容忍的v大小的宽容度，即

其中C为常数，l

引入松弛变量、拉格朗日乘数、权值系数,即可得到表达式：

其中α,

求出L的对损失的偏导数，并将结果设为零，则可以得到：

f(x)的表达式即可写成：

最后则可得到拟合值f(x)：

式中，得出的f(x)是超前n天后的结果，即可以预测未来n天的股价，其得出的结果即为最终的股票预测结果，对此预测适合的制定交易方法与策略，进行合适的投资即可获得收益。

再接着，通过计算各个股票数据与理解最优解之间的相关性距离，各个股票数据以及与理解最劣解之间的相关性距离，即各个股票数据的第一距离与第二距离，然后根据各个股票数据的第一距离与第二距离，确定各个股票数据的股票评分，根据股票评分对各个股票数据进行排序，筛选出若干个得分靠前的目标股票，用于进行股票市场预测，以获得预测结果。

本实施例通过获取金融股票市场中目标行业板块下的股票数据与大盘因子数据，然后截取股票数据与大盘因子数据的部分时间序列，通过TOPSIS多目标优化模型进行运算，得到不同股票数据的相关性数值，按照各个股票数据的相关性数值与理想最优解间的距离及与理想最劣解间的距离，确定各个股票数据的股票评分，从而可以根据各个股票数据的股票评分确定该股票的好坏，然后根据符合ETF特点的“好”股票有针对性地进行市场预测，保证预测效果的准确性，同时避免了传统机器学习模型预测方式因需要不断提供大量数据进行学习来保证模型准确性而造成的计算性能下降问题，保证了预测的效率。

以上内容便是本申请提供的一种基于指数ETF特点的股票市场预测方法的详细说明，下面为本申请提供的一种基于指数ETF特点的股票市场预测方法的另一个实施例的详细说明。

请参阅图3，本申请第二个实施例提供了一种基于指数ETF特点的股票市场预测方法，本实施例提供的方法在上述第一个实施例的基础上，进一步增加了以下的技术特征，包括：

进一步地，在上述实施例的步骤101中获取到的大盘因子数据，其获取到的数量可以为一个或多个，即q≥1。

进一步地，当获取到的大盘因子数据数量为多个时，

上述实施例中提及的步骤102，其过程具体包括：

步骤1021、根据各个大盘因子数据与各个股票数据的时间序列，通过滑动窗口截取方式与相关性度量方式，得到各个时间序列组合的相关性时间序列。

其中，时间序列组合是由各个大盘因子数据的时间序列与各个股票数据的时间序列两两组合形成的。

且上述实施例中提及的步骤103，其过程具体包括：

步骤1031、根据相关性时间序列，结合大盘因子数据，通过TOPSIS多目标优化模型进行运算，得到各个股票数据在对应不同的大盘因子数据的相关性数值，再基于相关性数值与大盘因子数据指标，构建相关性数值矩阵。

需要说明的是，每个股票可以对应一个大盘因子可以对应p个分数，由于有q个大盘因子，那么就有p×q个分数。将大盘因子当作不同的优化目标，利用TOPSIS模型进行处理，则可以得到在同一种方法下各股票的相关性数值矩阵即：

式中，Z是相关性数值矩阵，z

基于此相关性数值矩阵，结合后续的步骤104至106，可以从中取出理想最优解和最劣解。因此取出每个指标，即每一列中最大的数，构成理想最优解与理想最劣解：

理想最优解：

理想最劣解：

然后，基于已确定的理想最优解与理想最劣解，计算各个股票数据的第一距离与第二距离，具体计算式可参阅以下示例：

对于第i个股票，他与最优股票的“距离”是：

对于第i个股票，他与最劣股票的“距离”是：

则第i个股票的评分为：

进一步地，在一些实施例中，当获取到的大盘因子数据数量为一个时，上述实施例中提及的步骤103，其过程具体包括：

步骤1032、根据相关性时间序列，结合预设的多项相关性数值指标，通过TOPSIS多目标优化模型进行运算，得到各个股票数据在各项相关性数值指标下的相关性数值，再基于相关性数值与各项相关性数值指标，构建相关性数值矩阵。

需要说明的是，当获取到的大盘因子数据数量为一个，生成的相关性数值矩阵仅为单列矩阵，为了避免数据结构过于简单影响到预测效果，本实施例通过设置多项相关性数值指标，通过TOPSIS多目标优化模型进行运算，得到各个股票数据在各项相关性数值指标下的相关性数值，再基于相关性数值与各项相关性数值指标，构建相关性数值矩阵，以提高相关性数值矩阵的数据丰富度。

本实施例采用了三种相关性评估指标，分别是：

指标1：平均。平均值表示平均相关水平，平均相关水平越高，表示两个时间序列整体之间的相关程度。

指标2：高度相关的比例。高相关性的百分比是指当相关性超过某一阈值时的相关性日的百分比。在对时间序列的分析中，在某些情况下，相关性的表现随时间变化很大，其中高值和低值的百分比可能具有值得学习的特征。

指标3：平稳性是时间序列的常用指标，也用于金融时间序列分析领域。平稳性的定义如下：设“相关性时间序列”为C＝[c

其中C为相关性时间序列，c

后需要将每个相关性时间序列利用指标评估的结果进行汇总，使用TOPSIS多目标优化模型进行处理，再将p个股票数据对应一个大盘因子得出的三个指标结果进行分析，即可以绘制出一张p×3的矩阵：

其中，Z是相关性数值矩阵，z

进一步地，相关性度量方式具体包括：Person相关性度量方式、Spearman相关性度量方式、LCS相关性度量方式、Kendall’s tau相关性度量方式以及SAX相关性度量方式中至少一种。

其中，以上提及的相关性度量方法的实施方式可以参照以下的示例：

1)Person相关性度量手段：

式中，E(X)是函数是求Y-X这一对应关系的期望，σ

2)Spearman相关性度量手段:

式中，

3)Kendall’s tau相关性度量手段：

式中，C表示X、Y时间序列中一致元素的数量，D表示X，Y时间序列中不一致的元素的对数，n表示时间序列的长度。

4)LCS相关性度量手段：

给定X序列两个X＝(x1，x2，...，xi)和Y＝(y1，y2，...，yj)和Z(i,j)表示长度为i的序列Xi和长度为j的序列Yj最长的共同子序列的长度，则距离迭代公式为：

式中，

5)SAX相关性度量手段：

首先利用PAA进行数据降为，PAA的降维方法如下：

式中，n是原始时间序列的长度，w是将时间序列划分为的段数，Cj是原始时间序列的值，Ci是降维后的原始时间序列的值。

降维后，由于时间序列的归一化具有高斯分布，因此将密度函数的积分面积等划分为α符号，形成多个分点。然后这些区域之间的距离用来表示相关水平，也称为SAX距离。为了使距离具有相关性，利用弧切函数的性质使其分布在0-1区间内，且其值越大，相关性越高。

进一步地，当采取的相关性度量方式达到两种以上时，则在步骤106之后可以还包括：

步骤1061、基于不同的相关性度量方式计算得到的股票评分，按照不同相关性度量方式对应的权重，对股票评分进行加权求和计算，以计算得到的加权和作为股票数据的实际股票评分。

需要说明的是，若步骤102中采用了两种以上不同的相关性度量方法，将使用的每一种方法得到的股票评分进行加权求和，则可得出最终的股票得分。

以上是本申请提供的一种基于指数ETF特点的股票市场预测方法的第二个实施例的详细说明，下面内容分别为本申请提供的一种基于指数ETF特点的股票市场预测装置的一个实施例的详细说明。

请参阅图4，本申请第三个提供的一种基于指数ETF特点的股票市场预测装置，包括：

市场数据获取单元201，用于获取目标行业的大盘因子数据与目标行业的多个股票数据；

相关性时间序列获取单元202，用于根据大盘因子数据与各个股票数据的时间序列，通过滑动窗口截取方式与相关性度量方式，分别得到大盘因子数据与各个股票数据间的相关性时间序列；

相关性数值矩阵构建单元203，用于根据相关性时间序列，通过TOPSIS多目标优化模型进行运算，构建相关性数值矩阵，相关性数值矩阵中包含有各个股票数据的相关性数值；

理想解确定单元204，用于根据各个股票数据的相关性数值中的最大值与最小值，确定各个股票数据中的理想最优解与理想最劣解；

评分距离计算单元205，用于根据各个股票数据的相关性数值，分别计算各个股票数据的第一距离与第二距离，其中，第一距离为股票数据与理想最优解间的距离，第二距离为股票数据与理想最劣解间的距离；

股票评分计算单元206，用于根据各个股票数据的第一距离与第二距离，确定各个股票数据的股票评分；

预测单元207，用于根据股票评分对各个股票数据进行排序，筛选出若干个得分靠前的目标股票，结合预设的SVM机器学习模型进行股票市场预测，以获得预测结果。

此外，本申请第四个实施例还提供了一种基于指数ETF特点的股票市场预测终端，包括：存储器和处理器；

存储器用于存储程序代码，程序代码与如本申请第一个实施例或第二个实施例提及的一种基于指数ETF特点的股票市场预测方法相对应；

处理器用于执行程序代码，以实现如本申请第一个实施例或第二个实施例提及的一种基于指数ETF特点的股票市场预测方法。

本申请第五个实施例还提供了一种计算机可读存储介质，计算机可读存储介质保存有与如本申请第一个实施例或第二个实施例提及的一种基于指数ETF特点的股票市场预测方法相对应的程序代码。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的终端，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的终端，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。