基于融合特征的期权隐含波动率与价格分析系统

技术领域

本发明涉及期权定量分析技术，具体涉及一种基于融合特征的期权隐含波动率与价格分析系统。

背景技术

对于金融期货和商品期货等交易所场内期货衍生产品而言，期权类产品的隐含波动率和权利金价格(以下简称价格，期权价格或期权合约价格)历来是期权交易中最为关注和研究的焦点问题，也是市场风险管理中最为重要的一个环节。其原因在于，期权产品的价格在表面上体现了衍生品市场的参与者对于该期权产品未来价格波动的预期，这种预期与投资者的投资策略息息相关；同时，由于期权是期货-现货市场的重要纽带，这一价格变动趋势也隐含地体现了整个金融市场对于期权对应现货产品未来价格变动方向、变动范围、变化频率的市场投资者群体意愿的预判。

换言之，期权产品合约的价格和隐含波动率是由金融市场中众多交易者的交易行为所产生的，因此它们的数值变化具有一定的客观自然规律。同时，由于价格和隐含波动率的具体数值与每位交易者的交易收益直接相关，且市场参与者众多、竞争性强，这些数值也存在一定的不确定性，因此亟需一种先进的技术方法和系统来进行相关的定量分析。

一直以来，金融市场参与者和相关系统实现广泛采用Black-Scholes模型(以下简称B-S模型)作为定量分析期权价格的和期权隐含波动率等指标的理论分析工具。该方法和相关系统均通过期权产品的5个输入特征来定量计算期权合约价格：期权执行价格、期权剩余到期时间、期权隐含波动率、期权现货产品价格、无风险利率，或通过期权合约的价格、以及其他4个输入特征来反推期权隐含波动率。

尽管B-S模型十分经典，但其存在诸多假设条件。在市场环境十分复杂的真实金融市场环境中的方法适用性有限，与真实业务需求之间的矛盾主要体现在几个方面：

(1)方法的输入输出过于固定，无法更好融入市场内(如价格信息)、市场外(如新闻舆情)的各类特征；

(2)方法的建模过程来自于含有过多假设的理论推导，无法通过数据驱动的方式结合真实数据来不断修正和调整模型参数，因此模型的分析结果实际可用性受限。

发明内容

以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。

本发明的目的在于解决上述问题，提供了一种基于融合特征的期权隐含波动率与价格分析系统，一方面能够通过深度学习的向量化表示能力，有效融合各类行情业务特征、非行情类特征、各已有模型的中间阶段分析特征等，并可不断扩展并结合更多输入特征信息，另一方面能够利用多种模型来建模、优化模型各类参数，从而使得定量分析结果更为准确，更具有适用性。

本发明的技术方案为：本发明揭示了一种基于融合特征的期权隐含波动率与价格分析系统，系统包括跨市场行情类特征处理模块、金融文本语义因子类特征处理模块、期权理论分析模型量化特征模块、特定时间尺度特征数据融合模块、多时间尺度的特征融合模块、多领域特征融合与建模分析模块、专家知识与风险参数管理模块，其中：

跨市场行情类特征处理模块，接收来自金融市场中的各类原始行情类指标特征，且每一特征均包含时间戳信息，将多种特征的行情类数据处理为数字化向量输出且保留原始的时间戳信息，所述处理为基于时间戳的多维度特征对齐；

金融文本语义因子类特征处理模块，接收来自金融市场外的各类信息特征，其中每一特征来自于舆情文本信息，且每条舆情文本信息包含发布时间在内的时间戳信息，将输入的各类信息特征处理为多为数字向量组输出且保留原始的时间戳信息，所述处理为多维文本语义信息向量化处理；

期权理论分析模型量化特征模块，接收来自金融市场中的各类原始行情类指标特征以及相应的时间戳信息，采用期权定价理论模型计算，输出为对于期权隐含波动率或价格的量化计算结果且输出数据保留原始的时间戳信息；

特定时间尺度特征数据融合模块，接收来自跨市场行情类特征处理模块、金融文本语义因子类特征处理模块、期权理论分析模型量化特征模块的输出作为输入数据，按照输入的时间戳顺序进行结果输出且时间戳信息本身作为可选输出，对输入数据进行基于特定时间尺度参数的数据融合处理；

多时间尺度的特征融合模块，接收来自一个或多个特定时间尺度特征数据融合模块的输出作为输入，按照输入顺序输出结果且时间戳信息本身作为可选输出，通过融合操作将融合特征进行输出；

多领域特征融合与建模分析模块，接收来自一个或多个多时间尺度的特征融合模块的输出，通过多领域的融合、建模并定量分析，得到输出结果；

专家知识与风险参数管理模块，输入来自于专家用户的操作、或基于特定风险参数、风险条件所输入的组合判定条件，这些组合判定条件来自于对期权、期货、现货市场的风险指标、阈值，据输入条件的判决结果，对多个多领域特征融合与建模分析模块中的一个或多个进行使能，从而产生最终的输出结果。

根据本发明的基于融合特征的期权隐含波动率与价格分析系统的一实施例，跨市场行情类特征处理模块的基于时间戳的多维度特征对齐的处理中，通过以下任意方式进行对齐：

(1)选取时间跨度最长、时间颗粒度最小的一列特征为基础，在其他特征上进行插值操作，所述插值操作包括但不限于补零、补固定时间窗长内均值、补多项式拟合值；

(2)结合期权产品特征，在给定时间段内根据某一个特征的数据分布密度，分段地将其他所有特征数据进行线形或非线性放缩、时间平移的操作，其中数据分布密度包括但不限于委托量、成交量、价格变动频率；

(3)结合包括分布式表示学习在内的深度学习技术，结合模型训练优化时间戳特征对齐中的变换函数及其参数。

根据本发明的基于融合特征的期权隐含波动率与价格分析系统的一实施例，金融文本语义因子类特征处理模块的多维文本语义信息向量化处理通过以下方式之一进行：

(1)以包括舆情的绝对数量、舆情的某特定标签数量在全量的占比在内的数值方式直接作为向量；

(2)使用包括词语字典、词语出现次数、词语出现顺序在内的词袋模型为基础，形成文字的数值化向量；

(3)通过新闻文本包含词语的语义分布、分布式表示学习在内的方式，对文字所包含的隐含语义进行向量化表示。

根据本发明的基于融合特征的期权隐含波动率与价格分析系统的一实施例，金融文本语义因子类特征处理模块在通过方式(3)对文字所包含的隐含语义进行向量化表示的过程中，通过增加常见短语中相应词语的相似性或联合概率分布、区分专业词语和非专业词语的共现先验概率在内的方式来增加区分度。

根据本发明的基于融合特征的期权隐含波动率与价格分析系统的一实施例，期权理论分析模型量化特征模块所采用的期权定价理论模型为B-S模型或B-S模型的逆模型，模型输入为产品剩余到期时间、执行价格、标的价格、无风险利率以及期权合约价格五大输入特征，反向求解期权的隐含波动率作为输出；或者模型输入为产品剩余到期时间、执行价格、标的价格、无风险利率以及期权的隐含波动率五大输入特征，求解期权合约价格作为输出。

根据本发明的基于融合特征的期权隐含波动率与价格分析系统的一实施例，特定时间尺度特征数据融合模块的数据融合处理是根据给定的时间窗口长度、时间窗口滑动步长在内的信息，对时间窗口内的各维度特征进行数据融合操作，并输出给定时间尺度参数的窗长融合结果向量。

根据本发明的基于融合特征的期权隐含波动率与价格分析系统的一实施例，特定时间尺度特征数据融合模块的数据融合处理中的时间窗口带有权重参数，且权重参数通过机器学习训练得到并优化。

根据本发明的基于融合特征的期权隐含波动率与价格分析系统的一实施例，多时间尺度的特征融合模块的融合操作采用以下任意或多种组合操作进行变换处理：

(1)以同一尺度参数的不同窗长融合结果为一组向量，多尺度结果直接组合形成多维向量组；

(2)以同一尺度参数的不同窗长融合结果为一组向量，多尺度结果拼接形成一组长度更长的向量组；

(3)以同一尺度参数的不同窗长融合结果为一组向量，多尺度结果按通过逐行、逐列、或多维窗口的加窗融合操作，形成一维或多维向量组，其中加窗融合操作包括不限于线性变换、核函数变换、卷积、上下采样。

根据本发明的基于融合特征的期权隐含波动率与价格分析系统的一实施例，多领域特征融合与建模分析模块的处理进一步包括：

(1)多领域特征融合步骤：采用一体化、或分层的深度神经网络模型组合来处理数据，其中神经网络模型包括但不限于：

含高维输入、高维输出的自编码器，或自编码器的变体模型；

可进行数据降维、升微、稀疏表示、分布式表示的模型；

全连接层、卷积神经网络层；

结合注意力、或多头注意力机制的向量处理模型，其中，通过实现预定义的权重因子对某个特定领域的特定特征的权重进行事先分配；

(2)基于机器学习训练的量化建模分析与预测步骤：采用多种类型的建模分析方式，通过有监督训练对模型参数进行优化，包括且不限于以下模型：

金融计量学模型；

机器学习模型，深度学习模型；

将窗口融合型神经网络与时序分析型神经网络模型进行融合，其中窗口融合型神经网络包括但不限于卷积，时序分析型神经网络模型包括但不限于循环神经网络。

根据本发明的基于融合特征的期权隐含波动率与价格分析系统的一实施例，专家知识与风险参数管理模块所接收的风险参数和风险条件包括：

一金融产品在一定时间窗口内的包括价格、成交量在内的原始数据指标、阈值；

一金融产品在一定时间窗口内的包括波动率、德尔塔在内的衍生指标、阈值；

来自专家的人工操作情况；

市场发生一特定事件。

本发明对比现有技术有如下的有益效果：本发明在特征融合的各模块工作过程中，基于跨市场行情类特征处理模块、金融文本语义因子类特征处理模块、期权理论分析模型量化特征模块、特定时间尺度特征数据融合模块，通过深度学习的向量化表示能力，有效融合各类行情业务特征、非行情类特征、各已有模型的中间阶段分析特征等，并可不断扩展并结合更多输入特征信息。并在隐含波动率的定量分析各模块工作过程中，本发明基于多时间尺度的特征融合模块、多领域特征融合与建模分析模块、专家知识与风险参数管理模块，利用多种模型(含各类统计模型、传统机器学习、深度学习模型)来建模、优化模型各类参数，从而使得定量分析结果更为准确，更具有适用性。

附图说明

在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。

图1示出了本发明的基于融合特征的期权隐含波动率与价格分析系统的一实施例的原理图。

具体实施方式

以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。

图1示出了本发明的基于融合特征的期权隐含波动率与价格分析系统的一实施例的原理。请参见图1，本实施例的系统包括：跨市场行情类特征处理模块、金融文本语义因子类特征处理模块、期权理论分析模型量化特征模块、特定时间尺度特征数据融合模块、多时间尺度的特征融合模块、多领域特征融合与建模分析模块、专家知识与风险参数管理模块。

跨市场行情类特征处理模块的输入主要来自金融市场中的各类原始行情类指标特征，且每一种特征都代表某一种特定的指标(不限于期权权利金价格、当日累积成交量、现货价格、深度行情等)，且每一种特征包含时间戳信息。同时，多种特征的行情类数据可按照多维数据的方式进行输入。跨市场行情类特征处理模块的输出为数字化向量，且保留原始时间戳信息。

跨市场行情类特征处理模块的处理过程为基于时间戳的多维度特征对齐，其具体过程如下：考虑到不同维度的原始特征都具有时间戳，但不同特征的时间颗粒度、每个特征的整体时间跨度可能并不完全一致，需要对齐形成各特征维度的最终长度一致的高维向量组。

优选的，本模块可使用以下任意一种或多种方法进行对齐：

(1)选取时间跨度最长、时间颗粒度最小的一列特征为基础，在其他特征上进行插值操作(不限于补零、补固定时间窗长内均值、补多项式拟合值)；

(2)结合期权产品特征，在给定时间段内根据某一个特征的数据分布密度(不限于委托量、成交量、价格变动频率)，分段地将其他所有特征数据进行线形或非线性放缩、时间平移等操作；

(3)结合分布式表示学习(Embedding)等深度学习技术，结合模型训练优化时间戳特征对齐中的变换函数及其参数。

由于金融市场中的金融产品交易过程中，不同产品、不同时间端内的委托、交易等操作密集度是不同的，其各类特征的信息量有所不同。同时，因为期权等产品对于现货、期货市场均有关联，跨市场的操作密集度、信息量是有不定时延。通过本模块中的各类对齐方式，消除这种现象对后续分析准确率的影响。

目前人们普遍认为在分析期权隐含波动率和市场价格过程中，对于市场行情特征之外的、特别是通过公众媒体反映出投资者心理、预期等信息对于提升分析结果的准确率有着巨大作用。

金融文本语义因子类特征处理模块的输入主要来自于新闻媒体、自媒体、研究报告等各类金融交易市场外的信息特征。其中，每一种特征可以来自于某种查询条件所产生的舆情文本信息，且每条文本信息需包含发布时间等时间戳信息。同时，多种特征的信息特征可按照多维向量的方式进行输入。上述查询条件可以是基于某个或某些关键词、业务标签、语义信息、时间范围、时间周期、逻辑判断等各类查询条件的任意组合。

金融文本语义因子类特征处理模块的输出为多维数字向量组，且输出数据保留原始时间戳信息。

金融文本语义因子类特征处理模块的处理过程为多维文本语义信息的向量化。亦即，将原始输入的舆情文本信息转换为计算机可处理的一维或多维数字化向量组。

优选地，上述处理可以采用以下方案之一进行向量化：

(1)以舆情的绝对数量、舆情的某特定标签数量在全量的占比等数值方式直接作为向量；

(2)使用词语字典、词语出现次数、词语出现顺序等词袋模型为基础，形成文字的数值化向量。在这个过程中，上述词典的范围可仅包含由业务专家挑选的与期权业务强相关的专业名词、术语、短语，以进一步定向提升此类特征对于业务目标的有效性。

(3)通过新闻文本包含词语的语义分布、分布式表示学习等技术，对文字所包含的隐含语义进行向量化表示。在训练词语的分布式表示学习模型过程中，可以通过适当方式增加业务专家挑选的与期权业务强相关的专业名词、术语、短语在模型中与其他词语的区分度。优选的，这些方法包括通过增加常见短语中相应词语的相似性或联合概率分布、区分专业词语和非专业词语的共现先验概率等方式来增加区分度。

由于期权产品的价格可能会受到外界信息的刺激，而文本信息非常难以量化，并与行情类数值特征结合分析，因此通过所提出的手段让这种方式变为可能。此外，可以通过机器学习训练来优化相关参数，对于提升最终预测效果很有帮助。

期权理论分析模型量化特征模块的输入主要来自金融市场中的各类原始行情类指标特征，以及相应的时间戳信息。模块采用任意一种或多种现有的或新增的期权定价理论模型。模块的输出为对于期权隐含波动率或价格的量化计算结果，输出数据需保留原始时间戳信息。本模块需要输入的原始行情类特征与模块内包含的期权理论模型要求输入的特征直接相关。

优选的，模块采用最为普遍的B-S模型(或B-S模型的逆模型)计算或反推相关输出的模型，需要输入产品剩余到期时间、执行价格、标的价格、无风险利率，以及期权合约价格五大输入特征，即可反向求解期权的隐含波动率作为输出；或者，需要输入产品剩余到期时间、执行价格、标的价格、无风险利率，以及期权的隐含波动率五大输入特征，即可求解期权合约价格作为输出。

优选的，考虑到普通B-S模型仅支持一个隐含波动率或价格作为输入，而随着时间尺度的变化，这两个特征是在不断变化的(如每日、每周、每月的隐含波动率均不同)，因此本发明可将多类指标分别输出该模块，并通过后续模块进行综合处理。

通过和后续模块的互相配合，弥补了传统模型仅可使用一套固定输入特征来计算输出结果的局限性。

特定时间尺度特征数据融合模块接收来自跨市场行情类特征处理模块、金融文本语义因子类特征处理模块、期权理论分析模型量化特征模块的输出作为输入数据。同时，本模块按照输入的时间戳顺序进行结果输出，而时间戳信息本身可作为可选输出。

特定时间尺度特征数据融合模块对输入数据的处理方式为基于特定时间尺度参数的数据融合，具体而言如下。

根据给定的时间窗口长度、时间窗口滑动步长等信息，不断对窗口内的各维度特征进行融合操作，并输出给定时间尺度参数的窗长融合结果向量。优选的，本步骤的融合操作包括但不限于以下操作：

对同一个窗口内的数据进行融合操作(不限于求和、求平均、求极值、标准化、归一化等操作)；

设当前窗口为w

其中，权重函数λ

金融数据的时序性、前后关系对于分析过程非常重要；同时，当前窗口与邻近窗口的数据关联比与更为远距离的窗口的数据关联更为相关，因此通过带权重的窗口来进行数据融合，且窗口的权重参数可以通过机器学习训练来得到并优化，对于提升最终预测效果很有帮助。

多时间尺度的特征融合模块接收来自一个或多个特定时间尺度特征数据融合模块的输出作为输入。同时，本模块按照输入的顺序输出结果，而时间戳信息本身可作为可选输出。

多时间尺度的特征融合模块通过融合操作将融合特征输出。优选地，融合操作可采用以下任意或多种组合操作进行变换处理：

(1)以同一尺度参数的不同窗长融合结果为一组向量，多尺度结果直接组合形成多维向量组；

(2)以同一尺度参数的不同窗长融合结果为一组向量，多尺度结果拼接形成一组长度更长的向量组；

(3)以同一尺度参数的不同窗长融合结果为一组向量，多尺度结果按通过逐行、逐列、或多维窗口的加窗融合操作(不限于线性变换、核函数变换、卷积、上下采样等)，形成一维或多维向量组。

由于金融市场产品对不同时间周期(如分钟、小时、天、多天、月)的数据融合结果均有影响，且这种影响是随时间变化的，因此需要通过对多时间尺度的特征进行融合，最终输出可被后续模块使用的数字化向量。此外，可以通过机器学习训练来优化相关参数，对于提升最终预测效果很有帮助。

多领域特征融合与建模分析模块的输入来自一个或多个多时间尺度的特征融合模块的输出结果。由于上述模块本质包含了来自不同领域的数据(不限于期权市场和相应现货市场数据、新闻文本等信息数据、期权理论模型数据)，因此需要通过多领域的融合、建模并定量分析的方法得到最终输出结果。此外，还可通过组合采用下述各步骤、模型，形成符合本模块功能的若干方法模型实例。

在本模块对输入进行处理，并最终输出结果的过程需要至少包含两个关键步骤：

(1)多领域特征融合步骤：本步骤可采用一体化、或分层的深度神经网络模型组合作为处理相关数据的关键方法，神经网络的网络模型包括但不限于以下模型，并可任意进行排列组合(可重复运用)：

含高维输入、高维输出的自编码器，或自编码器的变体模型；

可进行数据降维、升微、稀疏表示、分布式表示的模型；

全连接层、卷积神经网络层；

结合注意力、或多头注意力机制的向量处理模型，其中，可通过实现预定义的权重因子，对某个特定领域的特定特征的权重进行事先分配。

(2)基于机器学习训练的量化建模分析与预测步骤。本步骤可采用多种类型的建模分析方式，通过有监督训练等对模型参数进行优化，包括且不限于以下模型：

金融计量学相关模型；

传统机器学习模型，深度学习模型；

将窗口融合型神经网络(不限于卷积)与时序分析型神经网络模型(不限于循环神经网络)进行融合。

由于本发明的目标是分析期权价格及隐含波动率，对多种类型特征均相关，因此本模块提出的方式可进行融合处理，并让融合过程更加合理。此外，可以通过机器学习训练来优化相关参数，对于提升最终预测效果很有帮助。

专家知识与风险参数管理模块的输入来自于专家用户的操作、或基于某些特定风险参数、风险条件所输入的组合判定条件，这些条件来自于对某些期权、期货、现货市场某些风险指标、阈值等。

优选的，本模块可接受的风险参数、风险条件包括：

某金融产品在一定时间窗口内的价格、成交量等原始数据指标、阈值；

某金融产品在一定时间窗口内的波动率、德尔塔等衍生指标、阈值；

来自专家的人工操作情况；

市场发生某特定事件。

专家知识与风险参数管理模块的输出是根据输入条件的判决结果，对多个不同方法具体实现的“多领域特征融合与建模分析模块”中的一个或多个方法/模块进行使能，从而最终使得本发明可以产生最终的输出结果。

由于业务在风险控制方面有一定要求，因此需要在技术上对不同模型的结果都有一定的控制和断路能力。本模块通过人工和自动相结合实现以上目标。

尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。

本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。

结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。

结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。

在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。

提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。