投资-再保险决策方法及系统

投资
‑
再保险决策方法及系统
技术领域
1.本发明涉及投资
‑
再保险技术领域，具体涉及一种考虑市场环境不确定因素，确保保险公司实现匹配市场环境下最大收益的投资、消费以及再保险行为最优策略的投资
‑
再保险决策方法及系统。


背景技术：

2.作为分散风险的手段，再保险可使保险人避免索赔风险过于集中的情况，不至于因一次巨大事故的发生而导致无法履行赔款义务，对保险公司的业务经营起到了一定程度的稳定作用。
3.随着保险公司间的竞争日趋激烈，保险资金的投资成为保险公司越来越重要的收入来源，投资策略的选择将在很大程度上影响保险公司的收益。保险公司可以通过再保险和投资等手段来减少风险、扩大收益，如何选择最优的经营策略以达到既定的经营目标，是经营者必须要考虑的问题。同时，由于金融市场和保险行业存在许多不确定性，这使得保险公司在进行决策时不得不考虑金融市场或保险行业的模型不确定性问题。
4.描述模型不确定性的一种流行方法是一种鲁棒方法，这种方法的基本原理是纳入模糊厌恶。通过扰动逼近模型引入了一系列概率模型，并在扰动概率模型的“最坏情况”场景中做出了不确定性下的最优决策。在连续时间优化问题中，通常通过girsanov变换引入一族概率测度，并且在最坏情况下的期望效用最大化被描述为两人零和随机微分博弈。
5.一般解决最优控制问题涉及两大经典核心方法，即最大值原理和动态规划方法。目前，国内外大多采用动态规划方法对带有限制约束或者基于期望方差保费原理的最优投资和比例再保险问题进行研究。另外，也有对于模型不确定情形下保险公司最优投资
‑
再保险策略的研究文献，但文献中采用malliavin变分技术仅给出了问题的最优解的大致形式，未给出具体的最优解显示表达式。


技术实现要素：

6.本发明的目的在于提供一种投资
‑
再保险决策方法及系统，以解决上述背景技术中存在的至少一项技术问题。
7.为了实现上述目的，本发明采取了如下技术方案：
8.一方面，本发明提供的一种投资
‑
再保险决策方法，包括：
9.获取市场环境下的历史数据；其中，所述历史数据包括股票历史价格数据、汇率转换历史数据、债券价格历史数据、投资盈余历史数据；
10.根据历史数据，计算模型构建参数；其中，所述模型构建参数包括股票期望回报率、股票价格波动率、汇率转换利率、汇率转换波动率、债券利率、投资回报率、投资风险波动率以及再保险安全负荷；
11.根据模型构建参数，构建策略优化模型；
12.采用随机最大值原理，结合对偶法和直接构造法求解策略优化模型，求得投资
‑
再
保险收益最大化的最优解显示表达式，获得投资
‑
再保险最优策略；
13.根据投资
‑
再保险最优策略进行该市场环境下的投资和再保险。
14.优选的，通过股票市场监测数据库收集股票历史价格数据，进行分析和处理，计算该股票期望回报率和股票价格波动率，包括：
15.获取某一固定时刻t之前的一段时间t1内的该股票历史价格数据s(t
i
),i＝1,2,...,n1，t1内的样本个数为n1，时间单位为年；
16.令对数根据对数x1(t
i
)的均值和方差，计算固定时刻t以后股票期望回报率和股票价格波动率。
17.优选的，构建汇率转换过程为几何布朗运动模型，通过汇率转换历史数据估计汇率转换利率和汇率转换波动率，包括：
18.获取某一固定时刻t之前的一段时间t2内的汇率转换率的历史数据e(t
i
),i＝1,2,...,n2，t2内的样本个数为n2，时间单位为年；
19.令对数根据对数x2(t
i
)的均值和方差，计算固定时刻t以后汇率转换利率和汇率转换波动率。
20.优选的，通过债券市场监测数据库收集债券历史利率数据得到其利率，进而构建债券价格过程。
21.优选的，构建投资前盈余过程为布朗运动模型，分别根据一段时间内投资盈余历史数据的均值和方差确定投资回报率和投资风险波动率；通过衡量用户进行再保险所能承担的最大风险程度得到再保险安全负荷。
22.优选的，构建策略优化模型包括：
23.根据股票期望回报率、股票价格波动率、汇率转换利率、汇率转换波动率、债券利率、投资回报率、投资风险波动率以及再保险安全负荷构建关于再保险比例、投资金额和消费率的盈余方程和由模型不确定性导出的倒向随机微分方程；
24.根据盈余方程和倒向随机微分方程，寻找收益最大化的最优用户决策和市场环境决策组合，使得用户至少能够在最坏的市场环境下获得最大效用即代价泛函达到最大，得到所述策略优化模型。
25.优选的，求得投资
‑
再保险收益最大化的最优解显示表达式，包括：
26.建立哈密尔顿函数和伴随方程，通过随机最大值原理可得最优用户决策和市场环境决策满足的条件等式；
27.利用对偶法得到伴随过程的表达式，利用直接构造法，构建再保险比例和投资股票的金额与投资盈余的关系，得到伴随过程的显示表达式；
28.考虑hara型效用函数，对伴随过程的显示表达式使用伊藤公式，结合深度学习通过构造皮卡迭代序列求解随机微分方程得到再保险比例、股票投资金额以及消费率的显示表达式。
29.第二方面，本发明提供一种投资
‑
再保险管理系统，包括：
30.获取模块，用于获取市场环境下的历史数据；其中，所述历史数据包括股票历史价
格数据、汇率转换历史数据、债券价格历史数据、投资盈余历史数据；
31.第一计算模块，用于根据历史数据，计算模型构建参数；其中，所述模型构建参数包括股票期望回报率、股票价格波动率、汇率转换利率、汇率转换波动率、债券利率、投资回报率、投资风险波动率以及再保险安全负荷；
32.构建模块，用于根据模型构建参数，构建策略优化模型；
33.第二计算模块，用于采用随机最大值原理，结合对偶法和直接构造法求解策略优化模型，求得投资
‑
再保险收益最大化的最优解显示表达式，获得投资
‑
再保险最优策略；
34.控制模块，用于根据投资
‑
再保险最优策略进行该市场环境下的投资和再保险。
35.第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质包括用于执行如上所述的投资
‑
再保险决策方法。
36.第四方面，本发明提供一种电子设备，包括如上所述的非暂态计算机可读存储介质；以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。
37.第五方面，本发明提供一种电子设备，所述电子设备包括用于执行如上所述的投资
‑
再保险决策方法的装置。
38.本发明有益效果：采用随机最大值原理、对偶方法以及直接构造法等，结合深度学习算法，确定了给定效用函数情况下的最优策略的显示解表达式，确定了模型不确定情形下涉及外汇投资、消费以及比例再保险行为的最优策略，实现了更贴近实际市场环境的投资、消费和再保险策略。
39.本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
40.为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
41.图1为本发明实施例所述的投资
‑
再保险管理系统的功能原理框图。
42.图2为本发明实施例所述的投资
‑
再保险决策方法的流程图。
具体实施方式
43.下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
44.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
45.还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
46.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一
个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
47.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
48.为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
49.本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
50.实施例1
51.如图1所示，本发明实施例1提供一种投资
‑
再保险管理系统，该系统包括：
52.获取模块，用于获取市场环境下的历史数据；其中，所述历史数据包括股票历史价格数据、汇率转换历史数据、债券价格历史数据、投资盈余历史数据。
53.第一计算模块，用于根据历史数据，计算模型构建参数；其中，所述模型构建参数包括股票期望回报率、股票价格波动率、汇率转换利率、汇率转换波动率、债券利率、投资回报率、投资风险波动率以及再保险安全负荷。
54.构建模块，用于根据模型构建参数，构建策略优化模型。
55.第二计算模块，用于采用随机最大值原理，结合对偶法和直接构造法求解策略优化模型，求得投资
‑
再保险收益最大化的最优解显示表达式，获得投资
‑
再保险最优策略。
56.控制模块，用于根据投资
‑
再保险最优策略进行该市场环境下的投资和再保险。
57.在本实施例1中，利用上述的投资
‑
再保险管理系统可实现一种投资
‑
再保险决策方法，该方法包括：
58.获取市场环境下的历史数据；其中，所述历史数据包括股票历史价格数据、汇率转换历史数据、债券价格历史数据、投资盈余历史数据；
59.根据历史数据，计算模型构建参数；其中，所述模型构建参数包括股票期望回报率、股票价格波动率、汇率转换利率、汇率转换波动率、债券利率、投资回报率、投资风险波动率以及再保险安全负荷；
60.根据模型构建参数，构建策略优化模型；
61.采用随机最大值原理，结合对偶法和直接构造法求解策略优化模型，求得投资
‑
再保险收益最大化的最优解显示表达式，获得投资
‑
再保险最优策略；
62.根据投资
‑
再保险最优策略进行该市场环境下的投资和再保险。
63.在本实施例1中，通过股票市场监测数据库收集股票历史价格数据，进行分析和处理，计算该股票期望回报率和股票价格波动率，包括：
64.取某一固定时刻t之前的一段时间t1内的该股票历史价格数据s(t
i
),i＝1,2,...,n1，t1内的样本个数为n1，时间单位为年；
65.令对数根据对数x1(t
i
)的均值和方差，计算固定时刻t以后股票期望回报率和股票价格波动率。
66.在本实施例1中，构建汇率转换过程为几何布朗运动模型，通过汇率转换历史数据估计汇率转换利率和汇率转换波动率，包括：
67.取某一固定时刻t之前的一段时间t2内的汇率转换率的历史数据e(t
i
),i＝1,2,...,n2，t2内的样本个数为n2，时间单位为年；
68.令对数根据对数x2(t
i
)的均值和方差，计算固定时刻t以后汇率转换利率和汇率转换波动率。
69.在本实施例1中，通过债券市场监测数据库收集债券历史利率数据得到其利率，进而构建债券价格过程。
70.在本实施例1中，构建投资前盈余过程为布朗运动模型，分别根据一段时间内投资盈余历史数据的均值和方差确定投资回报率和投资风险波动率；通过衡量用户的投资
‑
再保险所能承担的最大风险程度得到再保险安全负荷。
71.在本实施例1中，构建策略优化模型包括：
72.根据股票期望回报率、股票价格波动率、汇率转换利率、汇率转换波动率、债券利率、投资回报率、投资风险波动率以及再保险安全负荷构建关于再保险比例、投资金额和消费率的盈余方程和由模型不确定性导出的倒向随机微分方程；
73.根据盈余方程和倒向随机微分方程，寻找收益最大化的最优用户决策和市场环境决策组合，使得用户至少能够在最坏的市场环境下获得最大效用即代价泛函达到最大，得到所述策略优化模型。
74.在本实施例1中，求得投资
‑
再保险收益最大化的最优解显示表达式，包括：
75.建立哈密尔顿函数和伴随方程，通过随机最大值原理可得最优用户决策和市场环境决策满足的条件等式；
76.利用对偶法得到伴随过程的表达式，利用直接构造法，构建再保险比例和投资股票的金额与投资盈余的关系，得到伴随过程的显示表达式；
77.考虑hara型效用函数，对伴随过程的显示表达式使用伊藤公式，结合深度学习通过构造皮卡迭代序列求解随机微分方程得到再保险比例、股票投资金额以及消费率的显示表达式。
78.实施例2
79.本实施例2提供一种得到基于模型不确定情形保险公司的最优投资
‑
再保险策略解的具体显示表达式的解决方法，主要采用随机最大值原理，对偶方法与直接构造法等结合深度学习算法解决保险公司投资
‑
再保险策略的优化问题。其中考虑了市场环境不确定因素，更贴近实际，并且考虑了保险公司涉及外汇投资的情况，投资范围更广泛，考虑保险公司风险承担问题，为保险公司的再保险行为提供更确切的解决方案。
80.基于模型不确定情形保险公司最优投资、消费以及比例投资
‑
再保险策略，包括以下步骤：
81.步骤1：确定模型参数
82.(1)外国股票价格s(t)：可先通过市场调研分析比较选取一种外国上市的股票，构建外国股票价格过程为几何布朗运动模型s(0)＝s.然后通过股票市场监测数据库收集该股票近几年历史价格数据，对历史数据进行分析和处理，估计其期望回报率μ(t)和波动率σ(t)，其具体估计方法如下：
83.取某一固定时刻t之前的一段时间t1内的该股票历史价格数据s(t
i
),i＝1,2,......,n1，t1内的样本个数为n1，时间单位为年。
84.令该对数均值为该对数方差为则固定t时刻以后期望回报率波动率
85.(2)汇率转换过程e(t)：构建汇率转换过程为几何布朗运动模型通过汇率转换的近几年历史数据估计其利率α(t)和波动率β(t)。具体估计方法如下：
86.取某一固定时刻t之前的一段时间t2内的汇率转换率的历史数据e(t
i
),i＝1,2,......,n2，t2内的样本个数为n2，时间单位为年。
87.令该对数均值为该对数方差为
88.则固定t时刻以后利率为：
89.波动率为：
90.(3)债券价格s0(t)：可先从证券交易所选取一种债券，然后通过债券市场监测数据库收集该债券近几年利率数据得到其利率r(t)，进而构建债券价格过程为ds0(t)＝r(t)s0(t)dt,s0(0)＝1。
91.(4)保险公司投资前盈余r(t)：构建保险公司投资前盈余过程r(t)为布朗运动模型：r(0)＝x。可分别由该保险公司一段时间内盈余历史数据的均值和方差确定其回报率a(t)和风险波动率b(t)。
92.(5)再保险安全负荷d(t)：可通过衡量相应再保险公司所能承担的最大风险程度得到。
93.(6)效用函数：通过对该保险公司的效用进行评估分析可得。
94.(7)惩罚函数：根据替换概率测度和原概率测度之间的差异而得。
95.步骤2：建立优化模型
96.首先，给出优化模型的的系统方程。考虑保险公司投资一种风险资产和一种无风险资产，其中风险资产为外国上市的股票，无风险资产为债券，保险公司会以一定比例进行再保险。由于汇率转换满足：那么将外国股票价格转换为本国货币后的股票价格为满足方程：
97.保险公司进行再保险比例为x(t)，在t时刻投资于外国股票的金额为π(t)，消费率为c(t)，则系统方程为：
[0098][0099][0100]
方程(1)描述的是该保险公司进行投资，消费以及再保险以后的盈余过程，方程(2)是由模型不确定性导出的一个倒向随机微分方程。
[0101]
其中，u(t)＝(ν(t),ω(t))＝(x(t),π(t),c(t),ξ1(t),ξ2(t),ξ3(t))，为相互独立的布朗运动，刻画过程的随机性。d(t)代表再保险安全负荷，刻画再保险公司所能承担的最大风险程度。ν(t)＝(x(t),π(t),c(t))代表保险公司的决策，ω(t)＝(ξ1(t),ξ2(t),ξ3(t))代表市场环境的决策，初始盈余x>0，c(t)>0,d(t)≥a(t)>0,t∈[0,t]。且a(t),b(t),r(t),μ(t),σ(t),α(t)和β(t)均为有界的确定性函数。
[0102]
然后，构建优化模型：
[0103]
寻找最优的和使得：
[0104]
其中代价泛函即要优化的指标为π1和π2分别为ν和ω的可行策略集合，p
ω
是考虑模型不确定性时引入的原概率测度的等价替换概率测度，u1和u2是两个凹函数，刻画效用，惩罚函数ρ是凸函数，刻画替换概率测度p
ω
和原概率测度p之间的差异。
[0105]
由于故优化模型可转化为：
[0106][0107]
步骤3：利用随机最大值原理得到最优解满足的条件等式
[0108]
首先建立关于优化模型的哈密尔顿函数h(t,r,y,z,u,λ,p,q)和伴随过程λ(t)与p(t)。
[0109]
然后通过随机最大值原理可得最优解和满足以下条件等式：
[0110][0111]
[μ(t)+α(t)
‑
r(t)]p(t)+σ(t)q2(t)+β(t)q3(t)＝0,
[0112][0113]
步骤4：确定最优解的显示表达式
[0114]
首先，利用对偶法得到p(t)的一个表达式。
[0115]
然后，利用直接构造法，令x(t)＝m(t)r
ν
(t),π(t)＝n(t)r
ν
(t)，即保险公司的再保险比例x(t)和投资于外国股票的金额π(t)都与其盈余r
ν
(t)有关，则可得到p(t)的具体显示表达式：
[0116][0117]
其中，w(s)可通过对p(t)进行伊藤公式运算得到其具体表达式。
[0118]
最后，考虑hara型效用函数u1(x)＝lnx,令则通过对p(t)使用伊藤公式可确定m(t)和n(t)的具体表达式，由此可得最优解的具体显示表达式：
[0119][0120][0121]
ξ1(t)＝
‑
z1(t),ξ2(t)＝
‑
z2(t),ξ3(t)＝
‑
z3(t).
[0122]
其中，p(t)表达式中的w(s)项的具体表达式形式为：
[0123]
w(t)＝r(t)
‑
4[d(t)m(t)+r(t)(1
‑
n(t))+n(t)(μ(t)+α(t))+(a(t)
‑
d(t)
‑
c(t))/r
ν
(t)
[0124]
+λ(t)ξ1(t)b(t)m(t)+λ(t)ξ2(t)σ(t)n(t)+λ(t)ξ3(t)β(t)n(t)],
[0125][0126][0127][0128]
近年来，深度学习方法被用于求解正倒向随机微分方程，因此最优解表达式中的z(t)，即系统方程中正倒向随机微分方程的解，可由以下基于深度学习的算法程序得到：
[0129]
输入：布朗运动初始参数(θ0,y0)，学习率η，
[0130]
输出：
[0131]
for k＝0to maxstep do
[0132][0133]
for i＝0to n
‑
1do
[0134][0135][0136][0137]
end for
[0138][0139]
end for
[0140]
实施例3
[0141]
本实施例3提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质包括用于执行如上所述的投资
‑
再保险决策方法的指令。投资
‑
再保险决策方法包括：
[0142]
获取市场环境下的历史数据；其中，所述历史数据包括股票历史价格数据、汇率转换历史数据、债券价格历史数据、投资盈余历史数据；
[0143]
根据历史数据，计算模型构建参数；其中，所述模型构建参数包括股票期望回报率、股票价格波动率、汇率转换利率、汇率转换波动率、债券利率、投资回报率、投资风险波动率以及再保险安全负荷；
[0144]
根据模型构建参数，构建策略优化模型；
[0145]
采用随机最大值原理，结合对偶法和直接构造法求解策略优化模型，求得投资
‑
再保险收益最大化的最优解显示表达式，获得投资
‑
再保险最优策略；
[0146]
根据投资
‑
再保险最优策略进行该市场环境下的投资和再保险。
[0147]
实施例4
[0148]
本实施例4提供一种电子设备，包括如实施例3所述的非暂态计算机可读存储介质；以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。
[0149]
实施例5
[0150]
本实施例5提供一种电子设备，所述电子设备包括用于执行如上所述的投资
‑
再保险决策方法的装置。
[0151]
投资
‑
再保险决策方法包括：
[0152]
获取市场环境下的历史数据；其中，所述历史数据包括股票历史价格数据、汇率转换历史数据、债券价格历史数据、投资盈余历史数据；
[0153]
根据历史数据，计算模型构建参数；其中，所述模型构建参数包括股票期望回报率、股票价格波动率、汇率转换利率、汇率转换波动率、债券利率、投资回报率、投资风险波动率以及再保险安全负荷；
[0154]
根据模型构建参数，构建策略优化模型；
[0155]
采用随机最大值原理，结合对偶法和直接构造法求解策略优化模型，求得投资
‑
再保险收益最大化的最优解显示表达式，获得投资
‑
再保险最优策略；
[0156]
根据投资
‑
再保险最优策略进行该市场环境下的投资和再保险。
[0157]
综上所述，本发明实施例所述的投资
‑
再保险决策方法及系统，基于模型不确定性情形下保险公司进行外汇投资，消费和再保险行为的最优策略，并采用了随机最大值原理，对偶法和直接构造法等方法结合深度学习算法给出了最优解的显示表达式，对保险公司投资收益最大化有一定实际意义。其中，模型不确定性是基于考虑金融市场环境和保险行业动向对保险公司投资消费行为的影响，更贴近实际情况，可使保险公司的应对策略更可靠；考虑外汇投资扩大保险公司的投资范围，使其投资方向更广阔；采用对偶法和直接构造法并结合深度学习算法克服传统方法仅得到最优投资
‑
再保险策略解的隐式表达形式的弊端，本发明提供了保险公司最优投资
‑
再保险策略解的具体显示表达式，对保险公司的投资消费以及再保险决策具有一定的实际可借鉴意义。
[0158]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0159]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0160]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0161]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0162]
以上所述仅为本公开的优选实施例，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
[0163]
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。