申请/专利权人：众安信息技术服务有限公司

申请日：2018-01-04

公开（公告）日：2018-06-29

公开（公告）号：CN108229563A

主分类号：G06K9/62(2006.01)I

分类号：G06K9/62(2006.01)I;G06F17/30(2006.01)I;G06F9/54(2006.01)I;G06Q10/04(2012.01)I;G06Q40/04(2012.01)I;G06Q40/06(2012.01)I

优先权：

专利状态码：失效-发明专利申请公布后的驳回

法律状态：2021.08.27#发明专利申请公布后的驳回;2018.07.24#实质审查的生效;2018.06.29#公开

摘要：本发明公开了一种国债期货主动做市系统，所述做市系统包括交易所对接模块，服务器集群控制模块，消息中间件模块及数据库存储模块，其中，所述交易所对接模块从所述交易所网关获取行情数据及交易数据并建立缓存队列；所述服务器集群从所述交易所对接模块的缓存队列提取相关数据转换成符合策略的算法模型，输出模型结果；所述消息中间件模块将服务器集群控制模块产生的各类消息数据汇总后发送给位于底层的数据库存储模块；所述数据库存储模块，存储所述消息数据。本发明所公开的做市系统采用硬件式分布架构，能够实时快速稳健的处理多维市场关系，其能够随着市场的变化，进行动态的自我学习和修正，然后给出做市信息。

主权项：1.一种国债期货主动做市系统，其特征在于，所述做市系统包括交易所对接模块，服务器集群控制模块，消息中间件模块及数据库存储模块，其中，所述交易所对接模块，连接所述服务器集群控制模块及交易所网关，所述交易所对接模块从所述交易所网关获取行情数据及交易数据并建立缓存队列；所述服务器集群控制模块，分别连接所述交易所对接模块及消息中间件转发模块，所述服务器集群从所述交易所对接模块的缓存队列提取相关数据转换成符合策略的算法模型，输出模型结果；所述消息中间件模块，分别连接所述服务器集群控制模块及数据库存储模块，所述消息中间件模块将服务器集群控制模块产生的各类消息数据汇总后发送给位于底层的数据库存储模块；所述数据库存储模块，连接所述消息中间件转发模块，存储所述消息数据。

全文数据：一种国债期货主动做市系统技术领域[0001]本发明属于金融证券和期货领域，具体涉及一种国债期货主动做市系统。背景技术[0002]国债期货作为一类重要的利率期货合约，对市场利率的价格发现，利率风险转移，提高资金使用效率和多样化资产配置方面都有着重要作用。[0003]尤其是在当前我国推行利率市场化改革的背景下，如何充分发挥国债期货的利率价格发现，利率风险转移等方面的作用，将直接影响到利率市场化改革的效果。而要更好的发挥国债期货的这些功能，就需要较好的市场流动性，然而目前国内的国债期货市场流动性还存在明显的缺陷，主要表现为目前国内的国债期货机构参与度不够，流动性方面还存在不足，做市则是解决流动性问题的一类常用方法。[0004]目前，一方面，现有的基于国债期货的做市系统很少;另一方面，传统做市方法，受限于数据存储，数据处理能力和算法设计方面，存在较大的问题，比如历史信息挖掘不充分，实时性不够等;此外，部分系统采用的是人工交易员做市，但如此很难保证时刻稳定可靠执行。发明内容[0005]基于现有技术的上述缺陷，本发明的目的在于提供一种国债期货主动做市系统，通过采用前沿的分布式硬件架构，保证了硬件的热备，提高了系统的硬件可靠性，同时运用多线程，多进程并发技术，结合GHJ加速，提高了程序对海量数据的快速运算能力，与此同时，我们在做市算法方面也做了改进，通过采用新的机器学习和深度学习方法，能够把原来的海量历史数据更好的使用起来，使得系统能够更好的提供流动性，同时控制好自身风险。[0006]本发明的一种国债期货主动做市系统，包括交易所对接模块，服务器集群控制模块，消息中间件模块及数据库存储模块，其中，[0007]所述交易所对接模块，连接所述服务器集群控制模块及交易所网关，所述交易所对接模块从所述交易所网关获取行情数据及交易数据并建立缓存队列；[0008]所述服务器集群控制模块，分别连接所述交易所对接模块及消息中间件转发模块，所述服务器集群从所述交易所对接模块的缓存队列提取相关数据转换成符合策略的算法模型，输出模型结果；[0009]所述消息中间件模块，分别连接所述服务器集群控制模块及数据库存储模块，所述消息中间件模块将服务器集群控制模块产生的各类消息数据汇总后发送给位于底层的数据库存储模块；[0010]所述数据库存储模块，连接所述消息中间件转发模块，存储所述消息数据。[0011]进一步地，在上述一个优选的方案中，所述交易所对接模块包括行情模块和交易模块，所述行情模块和交易模块均具有与交易所网关对应的接口，所述行情模块用于从所述交易所网关获取行情数据，并建立行情缓存队列;所述交易模块用于从所述交易所网关获取交易数据并将该交易数据放入交易缓存队列，同时，其还接收所述服务器集群控制模块产生的交易信号，并根据所述交易信号构建符合交易所网关要求的数据结构，之后调用交易所网关的API，发送交易请求。[0012]进一步地，在上述一个优选的方案中，所述服务器集群控制模块包括服务器集群及策略算法模型模块，所述服务器集群从行情缓存队列提取行情数据，并将行情数据进行格式转换成符合策略算法模型的输入形式，所述策略算法模型模块对新的输入进行训练优化代优化后，输出新的模型结果。[0013]进一步地，在上述一个优选的方案中，所述行情模块还包括数据过滤模块，用于对接收的行情数据先进行数据筛选和过滤，并将过滤后的数据发送给所述服务器集群控制模块。[00M]进一步地，在上述一个优选的方案中，所述交易所对接模块还包括消息日志分类模块，其分别对生成的行情数据和交易数据生成消息日志队列，并通过专门的消息日志线程将消息日志发送到数据库存储模块进行存储。[0015]进一步地，在上述一个优选的方案中，所述策略算法模型模块包括:历史数据流单元、模型训练集群单元、模型结果存储单元和交易服务集群，其中，[0016]所述历史数据流单元，分别连接所述模型训练集群单元和模型结果存储单元，所述历史数据流单元保存经过清洗后的数据，并将历史数据发送给模型训练集群单元，所述历史数据流至少包含历史行情因子数据、新闻舆情因子数据及宏观数据；[0017]所述模型训练集群单元，分别连接所述历史数据流单元、模型结果存储单元和交易服务集群，所述模型训练集群单元从所述历史数据流单元调用历史数据，同时接收所述交易服务集群发送回来的交易结果后，将历史数据和交易结果载入模型进行不断的训练，并将训练完成的模型结果发送给模型结果存储单元；[0018]所述模型结果存储单元，用于保存训练好的模型结果，同时将模型需要的历史数据指标进行初始载入缓存；[0019]所述交易服务集群，在所述模型结果存储单元进行模型结果更新后，触发所述交易服务集群从所述模型结果存储单元调用最新的模型，并结合最新的交易数据进行交易计算。[0020]进一步地，在上述一个优选的方案中，所述模型训练集群单元由SVM训练模型、GLM训练模型及RNN训练模型组成，其中，所述模型训练集群单元中的所述SVM训练模型先行对历史数据和交易结果进行分类训练，然后再调用所述GLM训练模型对分类结果进行定量调整，所述RNN训练模型组则同时与前述的SVM训练模型及GLM训练模型进行并行训练。[0021]进一步地，在上述一个优选的方案中，所述做市系统还包括分别连接所述交易所对接模块和服务器集群控制模块的配置模块，所述配置模块用于对交易所对接模块和服务器集群控制模块中的数据配置。[0022]进一步地，在上述一个优选的方案中，所述服务器集群控制模块还往消息缓存队列按照事先设置的格式写入相关数据，包括委托信息、成交信息及错误信息，并发送给消息中间件模块，所述消息中间件模块将接收的各类信息整合后发送给数据库存储模块。[0023]与现有技术相比，本发明所公开的一种国债期货主动做市系统，其一方面，颠覆了传统的做市方法，将被动型做市变成主动选择是否做市，另一方面，通过交易所对接模块，服务器集群控制模块，消息中间件模块及数据库存储模块的硬件分布架构，能够实时快速稳健的处理多维市场关系，其次，在服务器集群控制模块内设策略算法模型，使其能够随着市场的变化，进行动态的自我学习和修正。同时利用建立的SVM、RNN等机器学习模型对海量的高频数据进行实时快速处理，然后给出做市信息，在既控制了自身风险的同时，为市场提供一定的流动性。附图说明[0024]为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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。[0025]图1为本发明一个实施例中一种国债期货主动做市系统的硬件架构图。[0026]图2为本发明一个实施例中服务器集群控制模块的结构原理图。[0027]图3为本发明一个实施例中关于RNNs模型的运行原理图。具体实施方式[0028]为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。[0029]参照图1所示，本发明实施例所公开的一种国债期货主动做市系统，包括交易所对接模块1，服务器集群控制模块2，消息中间件模块3及数据库存储模块4，其中，[0030]所述交易所对接模块1，连接所述服务器集群控制模块2及交易所网关，所述交易所对接模块1从所述交易所网关获取行情数据及交易数据并建立缓存队列；[0031]所述服务器集群控制模块2，分别连接所述交易所对接模块1及消息中间件模块3，所述服务器集群控制模块2从所述交易所对接模块1的缓存队列提取相关数据转换成符合策略的算法模型，输出模型结果；[0032]所述消息中间件模块3，分别连接所述服务器集群控制模块2及数据库存储模块4，所述消息中间件模块3将服务器集群控制模块2产生的各类消息数据汇总后发送给位于底层的数据库存储模块4;[0033]所述数据库存储模块4,连接所述消息中间件转发模块，存储通过消息中间件发送过来的各类所述消息数据。[0034]具体来说，在本发明的一个实施例中，所述交易所对接模块1包括行情模块和交易模块，二者分别具有与交易所网关对接的接口，即行情接口和交易接口。所述行情模块，通过行情接口接收交易所网关发送的行情数据，并建立行情缓存队列，从而保证系统的行情线程不会阻塞，其中，所述行情数据主要包括交易所的tick行情和自身根据tick行情加工的分钟K线数据。优选地，所述行情模块还内设有数据过滤模块，用于对接收的行情数据先进行数据筛选和过滤，对于非交易时间，价格超出涨跌停范围之类的数据进行过滤掉，并将过滤后的数据发送给所述服务器集群控制模块2,用于下一步的模型特征构建和筛选等。所述交易模块，通过交易接口接收从所述交易所网关发送的交易数据，所述交易数据包括报单、成交量、撤单、错误等信息。所述交易模块将接收的交易数据放入交易缓存队列，以保证系统的交易线程不会被阻塞，同时，所述交易模块还负责接收服务集群控制模块2产生的交易信号，此处的交易信号主要是指接收到的来自服务集群控制模块2内部的策略运行模块产生的买卖下单信号，包括下单方向、下单数量、委托等待时间、是否需要撤单重下等信息，并根据交易信号构建符合交易所网关要求的数据结构，之后调用交易所网关的API，发送交易请求。[0035]所述交易所对接模块1还包括还包括消息日志分类模块，其分别对生成的行情数据和交易数据生成消息日志队列，并通过专门的、对应的消息日志线程将消息日志包含行情数据和交易数据发送到数据库存储模块4进行存储入档。[0036]所述服务器集群控制模块2，包括服务器集群及策略算法模型模块，所述服务器集群又包含行情服务器集群和交易服务器集群，所述的策略算法模型模块实质上也是通过服务器集群实现算法的迭代更新，所述服务器集群从交易所对接模块1的行情缓存队列提取行情数据，并将行情数据进行格式转换成符合策略算法模型的输入形式，由于原始数据是结构体形式，算法需要的数据是vector或者map的形式，故需要进行格式转换，行情数据和交易数据都是策略算法模型需要的数据，行情数据是输入变量，交易结果是预测变量，模型是通过分析行情数据和交易结果的关系来进行研究，所述策略算法模型模块对新的输入进行训练优化后，输出新的模型结果，新的模型结果将覆盖旧的模型，然后重新供策略对象调用。所述服务器集群控制模块2还具有与交易所对接模块1和消息中间件模块3的通信端口，一方面，所述服务器集群控制模块2将经策略算法模型模块训练优化后的交易信号重新发送给交易所对接模块1，另一方面，所述服务器集群控制模块2还往消息缓存队列按照事先设置的格式写入相关数据，包括委托信息、成交信息及错误信息，并发送给消息中间件模块3,所述消息中间件模块3将接收的各类信息整合后发送给数据库存储模块4。[0037]所述消息中间件模块3，主要是将各类消息，包括包括委托信息、成交信息及错误信息进行统一汇总形成一个统一的模块然后发送给底层数据库存储。[0038]所述数据库存储模块4,接收消息中间件模块3发送的各类数据，其可用于存储结构化数据和非结构化数据，比如新闻事件数据。[0039]其中，各个所述交易所对接模块1，服务器集群控制模块2,消息中间件模块3中还均内置有缓存模块，保证系统不会过于阻塞。[0040]在本发明的一个实施例中，所述主动做市系统还包括分别连接所述交易所对接模块1和服务器集群控制模块2的配置模块，所述配置模块用于对交易所对接模块1和服务器集群控制模块2中的数据配置。所述配置模块也有内嵌在各个模块内部。数据配置包括对各个模块系统初始化需要的参数进行配置，比如账户密码，对应交易网关等。[0041]参照图2所示，所述策略算法模型模块主要完成数据的迭代更新，通过采用新的机器学习和深度学习方法，能够把原来的海量历史数据更好的使用起来，使得系统能够更好的提供流动性，同时控制好自身风险。其包括:历史数据流单元、模型训练集群单元、模型结果存储单元和交易服务集群，其中，[0042]所述历史数据流单元，分别连接所述模型训练集群单元和模型结果存储单元，所述历史数据流单元保存经过清洗后的数据，此处清洗包括去掉重复数据，删除非交易时间的行情数据，删除涨跌停价外的数据，删除均价超过涨跌停价的数据等，并将历史数据发送给模型训练集群单元，所述历史数据流至少包含历史行情因子数据，比如买卖委托量差，累积量差等;新闻舆情因子数据，比如品种合约关注度，合约持仓排名等;宏观数据，比如银行间拆借利率，国债逆回购利率等；[0043]所述模型训练集群单元，分别连接所述历史数据流单元、模型结果存储单元和交易服务集群，所述模型训练集群单元一方面从所述历史数据流单元调用历史数据，并同时接收所述交易服务集群发送回来的交易结果后，将历史数据和交易结果这两块数据载入模型进行不断的训练，并将训练完成的模型结果发送给模型结果存储单元。[0044]所述模型结果存储单元，用于保存训练好的模型结果，同时将模型需要的历史数据指标进行初始载入缓存，避免频繁的数据调用造成服务器负担。其中，所述模型存储单元主要是采用内存数据库存储，前述的系统数据库存储模块主要是采用磁盘数据库存储。[0045]所述交易服务集群，具有多个服务器，主要是为了保证交易模块的稳定高效运行，且具有容灾备份的功能，在所述模型结果存储单元进行模型结果更新后，触发所述交易服务集群从所述模型结果存储单元调用最新的模型模型每更新一次后，会触发一次新的调用），并结合最新的交易数据进行交易计算。所述交易服务集群设置有专门的网络通道，采用专网通信将交易结果实时传送给模型训练集群单元。[0046]在本发明的一个实施例中，所述模型训练集群单元由SVM训练模型、GLM训练模型及RNN训练模型组成，其中，所述模型训练集群单元中的所述SVM训练模型先行对历史数据和交易结果进行分类训练，然后再调用所述GLM训练模型对分类结果进行定量调整，而所述RNN训练模型组则同时与前述的SVM训练模型及GLM训练模型进行并行训练，它主要负责交易执行模块的训练优化，包括下单方式，等待时间等。通过SVM训练模型、GLM训练模型及RNN训练模型进行不断的训练和迭代更新。本发明通过融合算法，系统对不同模型对行业基本面的预测结果的准确度形成了动态判断，达到动态优选模型的目的，让整个预测模型结果的准确度更加稳定，并且整个系统从数据收集到产生预测结果全部由计算机完成，极大地解放了分析师的时间和精力。[0047]下面来介绍本发明实施例中关于SVM训练模型、GLM训练模型及RNN训练模型的算法原理。[0048]其中，SVM支持向量机，SupportVectorMachine模型，支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Accuracy和学习能力卿无错误地识别任意样本的能力之间寻求最佳折衷，以期获得最好的推广能力或称泛化能力）。[0049]SVM希望通过如下形式的超平面来对样本进行划分：[0050]gx=wx+b[0051]我们可以取阈值为0,这样当有一个样本xi需要判别的时候，我们就看gxi的值。若gxi〇，就判别为类别Cl，若gxi〈0，则判别为类别C2。[0052]SVM的求解相当于对下述优化问题进行求解：[0054]GLMgeneralizedlinearmodel，广义线性模型）模型是一般线性模型的直接推广，它使因变量的总体均值通过一个非线性连接函数linkfunction而依赖于线性预测值，同时还允许响应概率分布为指数分布族中的任何一员。许多广泛应用的统计模型均属于广义线性模型，如logistic回归模型、Probit回归模型、Poisson回归模型、负二项回归模型等。[0055]指数分布族的概率密度概率函数可表示为：[0057]其中，Θ和φ为两个参数，Θ称为自然参数，φ为离散参数;a、b、c为函数。[0060]RNN的目的使用来处理序列数据。在传统的神经网络模型中，是从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。但是这种普通的神经网络对于很多问题却无能无力。例如，你要预测句子的下一个单词是什么，一般需要用到前面的单词，因为一个句子中前后单词并不是独立的。RNNs之所以称为循环神经网路，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。理论上，RNNs能够对任何长度的序列数据进行处理。[0061]图3是本发明实施例中的一个典型的RNNs模型的结构图。[0062]图3中，xt表示第t，t=l，2,3...步step的输入;st为隐藏层的第t步的状态，它是网络的记忆单元;st根据当前输入层的输出与上一步隐藏层的状态进行计算。st=fUxt+Wst-I，其中f一般是非线性的激活函数，如tanh或ReLU，在计算s0时，S卩第一个单词的隐藏层状态，需要用到s-1，但是其并不存在，在实现中一般置为〇向量;ot是第t步的输出，如下个单词的向量表示，〇t=SoftmaxVst·[0063]本发明通过SVM训练模型、GLM训练模型及RNN训练模型形成的融合算法，对不同模型对行业基本面的预测结果的准确度形成了动态判断，达到动态优选模型的目的，让整个预测模型结果的准确度更加稳定，既控制了自身风险的同时，为市场提供一定的流动性。[0064]本发明所述的做市系统采用硬件分布架构，能够实时快速稳健的处理多维市场关系，其次，在服务器集群控制模块内设策略算法模型，使其能够随着市场的变化，进行动态的自我学习和修正，然后给出做市信息。[0065]最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制;尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

权利要求：1.一种国债期货主动做市系统，其特征在于，所述做市系统包括交易所对接模块，服务器集群控制模块，消息中间件模块及数据库存储模块，其中，所述交易所对接模块，连接所述服务器集群控制模块及交易所网关，所述交易所对接模块从所述交易所网关获取行情数据及交易数据并建立缓存队列；所述服务器集群控制模块，分别连接所述交易所对接模块及消息中间件转发模块，所述服务器集群从所述交易所对接模块的缓存队列提取相关数据转换成符合策略的算法模型，输出模型结果；所述消息中间件模块，分别连接所述服务器集群控制模块及数据库存储模块，所述消息中间件模块将服务器集群控制模块产生的各类消息数据汇总后发送给位于底层的数据库存储模块；所述数据库存储模块，连接所述消息中间件转发模块，存储所述消息数据。2.根据权利要求1所述的国债期货主动做市系统，其特征在于，所述交易所对接模块包括行情模块和交易模块，所述行情模块和交易模块均具有与交易所网关对应的接口，所述行情模块用于从所述交易所网关获取行情数据，并建立行情缓存队列;所述交易模块用于从所述交易所网关获取交易数据并将该交易数据放入交易缓存队列，同时，其还接收所述服务器集群控制模块产生的交易信号，并根据所述交易信号构建符合交易所网关要求的数据结构，之后调用交易所网关的API，发送交易请求。3.根据权利要求2所述的国债期货主动做市系统，其特征在于，所述服务器集群控制模块包括服务器集群及策略算法模型模块，所述服务器集群从行情缓存队列提取行情数据，并将行情数据进行格式转换成符合策略算法模型的输入形式，所述策略算法模型模块对新的输入进行训练优化代优化后，输出新的模型结果。4.根据权利要求2所述的国债期货主动做市系统，其特征在于，所述行情模块还包括数据过滤模块，用于对接收的行情数据先进行数据筛选和过滤，并将过滤后的数据发送给所述服务器集群控制模块。5.根据权利要求2所述的国债期货主动做市系统，其特征在于，所述交易所对接模块还包括消息日志分类模块，其分别对生成的行情数据和交易数据生成消息日志队列，并通过专门的消息日志线程将消息日志发送到数据库存储模块进行存储。6.根据权利要求3所述的国债期货主动做市系统，其特征在于，所述策略算法模型模块包括:历史数据流单元、模型训练集群单元、模型结果存储单元和交易服务集群，其中，所述历史数据流单元，分别连接所述模型训练集群单元和模型结果存储单元，所述历史数据流单元保存经过清洗后的数据，并将历史数据发送给模型训练集群单元，所述历史数据流至少包含历史行情因子数据、新闻舆情因子数据及宏观数据；所述模型训练集群单元，分别连接所述历史数据流单元、模型结果存储单元和交易服务集群，所述模型训练集群单元从所述历史数据流单元调用历史数据，同时接收所述交易服务集群发送回来的交易结果后，将历史数据和交易结果载入模型进行不断的训练，并将训练完成的模型结果发送给模型结果存储单元；所述模型结果存储单元，用于保存训练好的模型结果，同时将模型需要的历史数据指标进行初始载入缓存；所述交易服务集群，在所述模型结果存储单元进行模型结果更新后，触发所述交易服务集群从所述模型结果存储单元调用最新的模型，并结合最新的交易数据进行交易计算。7.根据权利要求6所述的国债期货主动做市系统，其特征在于，所述模型训练集群单元由SVM训练模型、GLM训练模型及RNN训练模型组成，其中，所述模型训练集群单元中的所述SVM训练模型先行对历史数据和交易结果进行分类训练，然后再调用所述GLM训练模型对分类结果进行定量调整，所述RNN训练模型组则同时与前述的SVM训练模型及GLM训练模型进行并行训练。8.根据权利要求6所述的国债期货主动做市系统，其特征在于，所述做市系统还包括分别连接所述交易所对接模块和服务器集群控制模块的配置模块，所述配置模块用于对交易所对接模块和服务器集群控制模块中的数据配置。9.根据权利要求2所述的国债期货主动做市系统，其特征在于，所述服务器集群控制模块还往消息缓存队列按照事先设置的格式写入相关数据，包括委托信息、成交信息及错误信息，并发送给消息中间件模块，所述消息中间件模块将接收的各类信息整合后发送给数据库存储模块。

百度查询： 众安信息技术服务有限公司 一种国债期货主动做市系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD