一种交易的风险评估方法、装置和计算机设备

技术领域

本文涉及数据分析技术领域，尤其是一种交易的风险评估方法、装置和计算机设备。

背景技术

现有技术中，常通过将交易的历史数据输入至风险评估模型中，来评估交易存在的风险。但这种方法存在着：风险评估模型构建难度较大，例如，需构建FOA-SVM模型、朴素贝叶斯和AdaBoost等；模型训练阶段需大量训练数据，同时还需要对训练数据进行预处理(例如，利用双聚类算法、蒙特卡洛小波去噪方法等对大量的训练数据进行挖掘筛选)以提高模型训练效率和训练的准确性等问题，使得现有的风险评估算法复杂、资源占用严重等问题。

有鉴于此，本文旨在提供一种交易的风险评估方法、装置和计算机设备。

发明内容

针对现有技术的上述问题，本文的目的在于，提供一种交易的风险评估方法、装置和计算机设备，以解决现有技术中，由于交易风险评估模型搭建、训练难度大导致风险评估算法复杂和对计算资源占用严重的问题。

为了解决上述技术问题，本文的具体技术方案如下：

第一方面，本文提供一种交易的风险评估方法，包括：

根据交易的历史数据计算各拥挤度指标的初值，所述拥挤度指标至少包括动量指标、流动性指标、乖离率指标、量价相关性、波动率指标中的一个或多个；

对各所述拥挤度指标的初值进行校正，得到各所述拥挤度指标的中间值；

根据各所述拥挤度指标的中间值以及各所述拥挤度指标的权重，计算得到所述交易的复合拥挤度；

根据所述复合拥挤度，评估所述交易的风险。

具体地，对各所述拥挤度指标的初值进行校正，得到各所述拥挤度指标的中间值，包括：

确定出预设观测周期内所述交易的历史数据中的异常数据；

根据所述异常数据，对各所述拥挤度指标的初值进行校正。

进一步地，确定出预设观测周期内所述交易的历史数据中的异常数据，包括：

将所述预设观测周期均等切割为多个时间区间；

统计每个时间区间内的成交量数据、成交价数据和成交用户数量数据；

根据所述成交量数据、所述成交价数据和所述成交用户数量数据，计算得到除第一个时间区间外，任意一个时间区间和与其相邻的前一个时间区间之间的成交量增长率、成交价增长率和成交用户数量增长率；

将所述成交量增长率、所述成交价增长率和所述成交用户数量增长率分别与预设的异常成交量增长率范围、异常成交价增长率范围和异常成交用户数量增长率范围进行比较；

当所述成交量增长率超出所述异常成交量增长率范围、所述成交价增长率超出所述异常成交价增长率范围或所述成交用户数量增长率超出所述异常成交用户数量增长率范围时，确定所述任意一个时间区间的交易的历史数据为异常数据。

更进一步地，根据所述异常数据，对各所述拥挤度指标的初值进行校正，包括：

计算所述成交量增长率超出于所述异常成交量增长率范围的第一增量、所述成交价增长率超出于所述异常成交价增长率范围的第二增量和所述成交用户数量增长率超出于所述异常成交用户数量增长率范围的第三增量；

根据所述第一增量、所述第二增量和所述第三增量，确定对应于各所述拥挤度指标初值的校正系数，所述校正系数包括放缩校正系数和偏置校正系数；

根据所述校正系数，对各所述拥挤度指标的初值进行校正。

具体地，对各所述拥挤度指标的初值进行校正，得到各所述拥挤度指标的中间值，包括：

对各所述拥挤度指标的初值进行显著性检验、历史数据回测检验和过拟合检验中的一种或多种；

根据检验结果对各所述拥挤度指标的初值进行校正。

进一步地，所述显著性检验包括：

根据交易的历史数据，构建拥挤度指标随时间变化的关系表达式；

对所述关系表达式进行最小二乘法计算，得到所述拥挤度指标的回归系数；

对所述拥挤度指标的回归系数进行显著性检验；

若检验通过，则根据所述关系表达式对所述拥挤度指标的初值进行校正；

若检验未通过，则使得所述拥挤度指标的初值不变。

进一步地，所述历史数据回测检验包括：

根据交易的历史数据，滚动计算各拥挤度指标的标准差并构建标准差矩阵；

根据预设的提取规则从所述标准差矩阵中提取多个列，构建得到新的矩阵；

从所述标准差矩阵中提取任意一列构建为映射矩阵；

根据所述新的矩阵与所述映射矩阵，预测下一个时间节点的各拥挤度指标标准差的预测值；

对所述拥挤度指标标准差的预测值与该时间节点的拥挤度指标标准差的实际值进行误差计算，根据计算得到的误差校正各拥挤度指标的初值。

具体地，各所述拥挤度指标的权重通过如下方法计算得到：

对所述拥挤度指标进行蒙特卡洛模拟，构建判断矩阵；

利用层次分析法，计算得到所述判断矩阵的特征根和特征向量；

对所述特征根中的最大特征根及所述最大特征根对应的特征向量进行一致性检验；

当一致性检验通过时，将所述最大特征根对应的特征向量作为各所述拥挤度指标的权重。

具体地，根据所述复合拥挤度，评估所述交易的风险，包括：

将所述复合拥挤度与预设的拥挤度阈值进行比较；

当所述复合拥挤度大于所述拥挤度阈值时，判定所述交易存在风险。

第二方面，本文提供一种交易的风险评估装置，包括：

计算模块，用于根据交易的历史数据计算各拥挤度指标的初值，所述拥挤度指标至少包括动量指标、流动性指标、乖离率指标、量价相关性、波动率指标中的一个或多个；

校正模块，用于对各所述拥挤度指标的初值进行校正，得到各所述拥挤度指标的中间值；

复合模块，用于根据各所述拥挤度指标的中间值以及各所述拥挤度指标的权重，计算得到所述交易的复合拥挤度；

评估模块，用于根据所述复合拥挤度，评估所述交易的风险。

第四方面，本文还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述技术方案提供的一种交易的风险评估方法。

第五方面，本文还提供一种计算机程序产品，包括至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述技术方案提供的一种交易的风险评估方法。

采用上述技术方案，本文所提供的一种交易的风险评估方法、装置和计算机设备，通过统计学的方法根据交易的历史数据计算得到至少一个拥挤度指标初值并对拥挤度指标初值进行校正，根据校正得到的拥挤度指标中间值计算交易的复合拥挤度从而实现对交易风险的评估，算法简单高效，无需构建复杂的评估模型和模型训练过程，解决对计算资源占用的问题。

为让本文的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

附图说明

为了更清楚地说明本文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文的一些实施例，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。

图1示出了本文实施例提供的一种交易的风险评估方法的步骤示意图；

图2示出了本文实施例中对各拥挤度指标进行校正得到拥挤度指标中间值的步骤示意图；

图3示出了本文实施例中确定出交易的历史数据中的异常数据的步骤示意图；

图4示出了本文实施例中根据异常数据对拥挤度指标的初值进行校正的步骤示意图；

图5示出了本文实施例中另一种对各拥挤度指标进行校正得到拥挤度指标中间值的步骤示意图；

图6示出了本文实施例中对各拥挤度指标的初值进行显著性检验的步骤示意图；

图7示出了本文实施例中对各拥挤度指标的初值进行历史回测检验的步骤示意图；

图8示出了本文实施例中计算得到各拥挤度指标权重的步骤示意图；

图9示出了本文实施例中根据所述复合拥挤度，评估交易风险的步骤示意图；

图10示出了本文实施例提供的一种交易的风险评估装置的结构示意图；

图11示出了本文实施例提供的一种计算机设备的结构示意图。

附图符号说明：

1010、计算模块；

1020、校正模块；

1030、复合模块；

1040、评估模块；

1102、计算机设备；

1104、处理器；

1106、存储器；

1108、驱动机构；

1110、输入/输出模块；

1112、输入设备；

1114、输出设备；

1116、呈现设备；

1118、图形用户接口；

1120、网络接口；

1122、通信链路；

1124、通信总线。

具体实施方式

下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，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他实施例，都属于本文保护的范围。

需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本文的实施例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、装置、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。

本文实施例提供了一种交易风的险评估方法、装置和计算机设备。需要说明的是，本文实施例提供的一种交易的风险评估方法、装置和计算机设备可用于金融领域，但也可用于除金融领域之外的任意领域。

图1是本文实施例提供的一种交易的风险评估方法的步骤示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。具体的如图1所示，所述方法可以包括：

S110：根据交易的历史数据计算各拥挤度指标的初值，所述拥挤度指标至少包括动量指标、流动性指标、乖离率指标、量价相关性、波动率指标中的一个或多个。

本说明书实施例中，所述交易可以是股票交易，则所述交易的历史数据至少包括在预设观测周期内股票每天的最高价、最低价、开盘价、收盘价、成交量。

其中，动量指标可用于表征股票价格在一段时间内的变化量，可根据股票交易的历史数据中的每日收盘价进行计算得到。流动性指标通常从深度、紧度和弹性这三个方面来刻画，主要包括价格法、交易量法、时间法和价量结合法这四种主要的计算方法。乖离率指标用于表征股价偏离均线的程度，可用于捕捉预设观测周期内交易趋势变化状况。量价相关性指标用于表征成交量与成交价之间呈现出的关联性的趋势规律，例如，股价随着成交量的缓慢上升而缓慢上涨等。波动率指标是指股票价格的波动程度，是对其收益不确定性的衡量，可用于反映股票的风险，一般来说，波动率越高，即股票的价格波动越剧烈，其收益的不确定性就越强；反之，波动率越低，即股票的价格波动越平缓，其收益的确定性就越强。

需要说明的是，所述拥挤度指标还可以包括其他指标，例如，Larry William's指标；又例如，当预设观测周期的时间跨度较长时，还可以包括MACD(Moving AverageConvergence and Divergence，异同移动平均线)指标，等等。

S120：对各所述拥挤度指标的初值进行校正，得到各所述拥挤度指标的中间值。

需要说明的是，对各拥挤度指标初值的校正采用的方法可以相同，也可以所有不同，具体的校正方法参见后文描述。

S130：根据各所述拥挤度指标的中间值以及各所述拥挤度指标的权重，计算得到所述交易的复合拥挤度。

S140：根据所述复合拥挤度，评估所述交易的风险。

本说明书实施例提供的一种交易的风险评估方法，通过对交易的历史数据计算得到至少一个拥挤度指标初值，并对拥挤度指标初值进行校正得到各拥挤度指标中间值，根据校正后的拥挤度指标中间值计算交易的复合拥挤度进而评估交易风险，无需构建复杂的评估模型和模型训练过程，算法简单高效，解决对计算资源占用的问题。

如图2所示，本说明书实施例中，步骤S120：对各所述拥挤度指标进行校正，得到各所述拥挤度指标的中间值，可进一步包括：

S210：确定出预设观测周期内所述交易的历史数据中的异常数据。

S220：根据所述异常数据，对各所述拥挤度指标的初值进行校正。

本说明书实施例提供的交易的风险评估方法，使得交易的历史数据中异常数据来对拥挤度指标的初值进行校正，而不是将异常数据作剔除处理，充分分析和挖掘了异常数据的作用，并有利于提高后续对交易风险评估的准确性。

如图3所示，步骤S210：确定出预设观测周期内所述交易的历史数据中的异常数据，可进一步包括：

S310：将所述预设观测周期均等切割为多个时间区间。

S320：统计每个时间区间内的成交量数据、成交价数据和成交用户数量数据。

所述成交量数据可以是股票在各个时间区间内成交的数量，所述成交价数据可以是股票在各个时间区间的累计成交金额，所述成交用户数量数据则可以是在各个时间区间购买和卖出该股票的用户的数量。

需要说明的是，本说明书实施例中，用户对股票的成交数据，包括用户所购买或售卖的股票的数量、买入价、卖出价等，均为过去经用户授权同意的信息。且本说明书实施例描述的技术方案中对上述数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

S330：根据所述成交量数据、所述成交价数据和所述成交用户数量数据，计算得到除第一个时间区间外，任意一个时间区间和与其相邻的前一个时间区间之间的成交量增长率、成交价增长率和成交用户数量增长率。

示例性的，将预设观测值均等划分为10个时间区间，则分别获取这10个时间区间内的成交量数据、成交价数据和成交用户数量数据。以成交量数据为例，进一步计算第2个时间区间相较于第1个时间区间的成交量增长率，第3个时间区间相较于第2个时间区间的成交量增长率，等等。

需要说明的是，成交量增长率、成交价增长率和成交用户数量增长率可以是正值，也可以是负值。当其为负值时，表明当前时间区间内的成交量数据、成交价数据或成交用户数量数据与前一时间区间相比有所下降。

S340：将所述成交量增长率、所述成交价增长率和所述成交用户数量增长率分别与预设的异常成交量增长率范围、异常成交价增长率范围和异常成交用户数量增长率范围进行比较。

所述异常成交量增长率范围、异常成交价增长率范围和异常成交用户数量增长率范围可以根据交易的历史风险数据总结经验得到。

S350：当所述成交量增长率超出所述异常成交量增长率范围、所述成交价增长率超出所述异常成交价增长率范围或所述成交用户数量增长率超出所述异常成交用户数量增长率范围时，确定所述任意一个时间区间的交易的历史数据为异常数据。

示例性的，当第2个时间区间的成交量增长率超出于所述异常成交量增长率范围时，即确定该第2个时间区间交易的历史数据为异常数据。

当股票交易出现异常时，通常最容易体现成交量和成交量上，但仅仅根据成交量和成交价来判断股票交易的历史数据是否存在异常，可能会存现误判的情况。因此，本说明书实施例中，还通过横向比较各时间区间之间的成交量增长率、成交价增长率和成交用户数量增长率，提高对股票交易的历史数据中异常数据排查的准确性。

如图4所示，步骤S220：根据所述异常数据，对各所述拥挤度指标的初值进行校正，可进一步包括：

S410：计算所述成交量增长率超出于所述异常成交量增长率范围的第一增量、所述成交价增长率超出于所述异常成交价增长率范围的第二增量和所述成交用户数量增长率超出于所述异常成交用户数量增长率范围的第三增量。

S420：根据所述第一增量、所述第二增量和所述第三增量，确定对应于各所述拥挤度指标初值的校正系数，所述校正系数包括放缩校正系数和偏置校正系数。

S430：根据所述校正系数，对各所述拥挤度指标的初值进行校正。

在一些可行的实施例中，对各拥挤度指标初值的校正可通过如下公式实现：

Y

其中，Y

所述第一增量、所述第二增量和所述第三增量可分别记为Δ1、Δ2和Δ3，根据第一增量、第二增量和第三增量，确定得到的各拥挤度指标的校正系数可以相同也可以不同。示例性的，对于动量指标而言，用于校正动量指标初值(可将校正动量指标初值记为X

a

其中，η

通过对各拥挤度指标的初值进行放缩和偏置，实现了对各拥挤度指标初值的校正，从而在此基础上进行交易的复合拥挤度的计算，能够提高根据复合拥挤度判断交易是否存在风险的准确性。

如图5所示，在另一些可行的实施例中，步骤S120：对各所述拥挤度指标的初值进行校正，得到各所述拥挤度指标的中间值，可进一步包括：

S510：对各所述拥挤度指标的初值进行显著性检验、历史数据回测检验和过拟合检验中的一种或多种。

即对各拥挤度指标的初值的检验可以仅包括上述检验方法中的一种，也可以包括上述检验方法中的多种；且本说明书实施例中，当对各拥挤度指标的初值的检验包括显著性检验和历史数据回测检验时，对显著性检验和历史数据回测检验执行的先后顺序不做具体限定；当对各拥挤度指标的初值的检验包括显著性检验和/或历史数据回测检验，以及包括过拟合检验时，过拟合检验执行在显著性检验和历史数据回测检验之后。

S520：根据检验结果对各所述拥挤度指标的初值进行校正。

如图6所示，在一些具体的实施例中，显著性检验可包括如下步骤：

S610：根据交易的历史数据，构建拥挤度指标随时间变化的关系表达式。

可分别构建各拥挤度指标随时间变化的关系表达式，例如，构建动量指标随时间变化的关系表达式，则动量指标为该关系表达式中的自变量；还可以将多个拥挤度指标构建在同一个关系表达式中，例如构建动量指标、流动性指标随时间变化的关系表达式，则该表达式中的自变量有两个，分别为动量指标和流动性指标。当然，还可以构建出多种关系表达式，此处不一一举例。

S620：对所述关系表达式进行最小二乘法计算，得到所述拥挤度指标的回归系数。

S630：对所述拥挤度指标的回归系数进行显著性检验。

即显著性水平α(α取值可以为0.05)下，关系表达式中自变量的系数显著不为0，即通过了显著性检验，则所述关系表达式中的拥挤度指标与时间存在相关关系。

S640：若检验通过，则根据所述关系表达式对所述拥挤度指标的初值进行校正。

即显著性水平α>0.05时，显著性验证通过，对初值进行校正。

S650：若检验未通过，则使得所述拥挤度指标初值不变。

即显著性水平α<0.05时，则表明拥挤度指标不存在随时间变化的定性关系，则不用该方法对该拥挤度指标初值进行校正。

如图7所示，在一些具体的实施例中，历史数据回测检验可以包括如下步骤：

S710：根据交易的历史数据，滚动计算各拥挤度指标的标准差并构建标准差矩阵。

可分别计算股票在t个交易日的动量指标、流动性指标、乖离率指标、量价相关性、波动率指标的初值的标准差。所述滚动计算是指，若t的值取10，则计算第1日至第10日的各拥挤度指标初值的标准差，以及计算第2日至第11日、第3日至第12日等各拥挤度指标初值的标准差。进而，构建标准差矩阵，矩阵中的每一行对应为一个拥挤度指标。

S720：根据预设的提取规则从所述标准差矩阵中提取多个列，构建得到新的矩阵。

例如，可将标准差矩阵中的第i列至第i+n列提取出来，并对其进行转置，得到所述新的矩阵(即自变量)。

S730：从所述标准差矩阵中提取任意一列构建为映射矩阵。

例如，可以选择将标准差矩阵中的第i+1列数据作为映射矩阵(即因变量)。

S740：根据所述新的矩阵与所述映射矩阵，预测下一个时间节点的各拥挤度指标标准差的预测值。

即得到第i+n+1列的各拥挤度指标的标准差预测值。

S750：对所述拥挤度指标标准差的预测值与该时间节点的拥挤度指标标准差的实际值进行误差计算，根据计算得到的误差校正各拥挤度指标的初值。

通过上述方法，实现对各拥挤度指标初值的校正，有利于后续根据校正得到的拥挤度指标中间值计算得到复合拥挤度的准确性，从而有利于提高对交易风险评估的准确性。

进一步地，本说明书实施例中，如图8所示，步骤S130中的，各所述拥挤度指标的权重通过如下方法计算得到：

S810：对所述拥挤度指标进行蒙特卡洛模拟，构建判断矩阵。

即对经校正得到的各拥挤度指标的中间值进行模拟。

S820：利用层次分析法，计算得到所述判断矩阵的特征根和特征向量。

S830：对所述特征根中的最大特征根及所述最大特征根对应的特征向量进行一致性检验。

S840：当一致性检验通过时，将所述最大特征根对应的特征向量作为各所述拥挤度指标的权重。

则所述复合拥挤度指标可通过下式计算得到：

Z＝γ

其中，Z为所述交易的复合拥挤度，γ

如图9所示，步骤S140：根据所述复合拥挤度，评估所述交易的风险，进一步包括：

S910：将所述复合拥挤度与预设的拥挤度阈值进行比较。

所述拥挤度阈值可以根据交易的历史数据经验总结得到。

S920：当所述复合拥挤度大于所述拥挤度阈值时，判定所述交易存在风险。

可选的，所述拥挤度阈值可以设置为0，则当所述复合拥挤度大于0时，表明该交易存在风险，且当计算得到的所述复合拥挤度的值越大时，表明交易的风险越大。

如图10所示，本说明书实施例中还提供一种交易的风险评估装置，包括：

计算模块1010，用于用于根据交易的历史数据计算各拥挤度指标的初值，所述拥挤度指标至少包括动量指标、流动性指标、乖离率指标、量价相关性、波动率指标中的一个或多个；

校正模块1020，用于对各所述拥挤度指标的初值进行校正，得到各所述拥挤度指标的中间值；

复合模块1030，用于根据各所述拥挤度指标的中间值以及各所述拥挤度指标的权重，计算得到所述交易的复合拥挤度；

评估模块1040，用于根据所述复合拥挤度，评估所述交易的风险。

通过本说明书实施例提供的装置所取得的有益效果和上述方法所取得的有益效果相一致，此处不再赘述。

如图11所示，为本文实施例提供的一种计算机设备，本说明书中的一种交易的风险评估装置可以为本实施例中的计算机设备，执行本文的上述方法。所述计算机设备1102可以包括一个或多个处理器1104，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备1102还可以包括任何存储器1106，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器1106可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备1102的固定或可移除部件。在一种情况下，当处理器1104执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备1102可以执行相关联指令的任一操作。计算机设备1102还包括用于与任何存储器交互的一个或多个驱动机构1108，诸如硬盘驱动机构、光盘驱动机构等。

计算机设备1102还可以包括输入/输出模块1110(I/O)，其用于接收各种输入(经由输入设备1112)和用于提供各种输出(经由输出设备1114)。一个具体输出机构可以包括呈现设备1116和相关联的图形用户接口(GUI)1118。在其他实施例中，还可以不包括输入/输出模块1110(I/O)、输入设备1112以及输出设备1114，仅作为网络中的一台计算机设备。计算机设备1102还可以包括一个或多个网络接口1120，其用于经由一个或多个通信链路1122与其他设备交换数据。一个或多个通信总线1124将上文所描述的部件耦合在一起。

通信链路1122可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路1122可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。

对应于如图1至图9所示的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。

本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图1至图9所示的方法。

本文实施例还提供一种计算机程序产品，包括至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如图1至图9所示的方法的方法。

应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。

还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、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。

在本文所提供的几个实施例中，应该理解到，所揭露的系统、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。另外，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，也可以是电的，机械的或其它的形式连接。

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文实施例方案的目的。

另外，在本文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，也可以是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，本文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)执行本文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-Only Memory)、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。

本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。