ps.奉上今天的更新，順便給『起點』515粉絲節拉一下票，每個人都有8張票，投票還送起點币，跪求大家支持贊賞！

　　雖然比特币的挖掘并不成功，不過也不是完全沒有收獲，至少通過這次比特币挖掘可以知道，筆記本的計算力是遠預期的。
≥

　　按照比特币挖掘的模式，比特币獲取量等于計算力占比，這個占比是某台計算機在整個國際互聯網範圍内，所有挖礦計算機的計算力總和裡的占比。

　　從這個角度講，既然莫回這裡呼呼的冒比特币，十分鐘能挖二十多個，那麼換句話說，這台筆記本的計算力占比至少高達9o%。
這隻是莫回的大緻估算，并且很可能更高。

　　9o%什麼概念，大概意味着，這一台小小的筆記本，它的計算力至少相當于其他所有挖礦計算機計算力總和的九倍！

　　一端是一台個人用的筆記本電腦，另一端是數百萬乃至數千萬台挖礦計算機......

　　換個角度講，這一台筆記本的計算力至少相當于近千萬台計算機計算力的總和......

　　千萬台計算機......

　　莫回被這個數據吓了一跳，這太吓人了，現有的一切級計算機放到它面前全部是渣渣。

　　不過這也給了莫回靈感，既然它計算力這麼牛叉，那最适合他的賺錢方式應該就是大規模計算方面了。

　　莫回突然笑了，這還真是踏破鐵鞋無覓處。

　　莫回是個碼農，并且還是玩大數據的碼農，這還真是專業對口，隻要他把大數據的程序編寫好，讓這台級筆記本來計算，那麼可做的事情就很多了。

　　先進入莫回腦海裡的就是金融大數據，隻要莫回能夠開出一款大數據軟件，讓它自動搜集網絡上的相關信息，然後進行深度的數據分析，那麼很容易能夠将一個公司的實際經營狀況分析出來。

　　這些數據隻要利用好了，完全可以利用在股市上嘛，隻要有無窮計算力做保證，那麼分析結果将會無限趨近于真實情況，甚至會那個企業的董事長還要準确的把握住企業未來展狀态。

　　莫回通盤考慮了一下，感覺這個想法應該有足夠的可行性，程序自己編寫就足夠了，網上的公共渠道也可以提供足夠的信息，隻要數據分析算法設計好，最終輸出的結果将會有極大參考價值。

　　不過這事對于軟件開來說是一個大項目，恐怕很難一個人在短期内完成，不過這也不用太過擔心，莫回的想法是拼接。
在網上尋找各類開源軟件，然後将這些軟件拼接起來，先做成第一版的大數據金融分析軟件。

　　等第一版軟件出來，實際運行測試，開始幫助他炒股掙錢之後，他就可以用這些錢來雇人幫忙開軟件了。

　　到時他可以将整個軟件分成很多個模塊，每個模塊一個包，無論是包給個人也好，還是包給其他軟件公司也好，這樣分解開，最終再在他這裡組裝在一起。
到時他就是一個項目經理的角色，隻要控制好整體的開進度，完全可以遙控很大的一個團隊幫助他進行開。

　　這款軟件的名字莫回已經想好了，就叫股神，他準備先開股神1.o版。

　　開周期莫回暫時無法預期，不過可以想見的是，即使做一個拼接組裝的活，中間也會有大量的接口開工作，将這些軟件拼接在一起的粘合劑和組裝平台就需要他自己動手了。

　　具體工作量無法預估，隻能先幹着再說，如果開源軟件剛好都能找到合用的，這個周期自然會短不少，如果很不巧，沒有合用的軟件，估計他就得自己開，這所耗用的時間就沒頭了。

　　莫回給自己列了一個工作進度表，按照這個進度表開始逐條逐項的完成和推進。

　　如果想要“攢”一個股神1.o，那麼有幾個必須的關鍵功能模塊，比如股神1.o的大腦，這将是一個大數據分析模塊，它負責将所有搜集來的信息進行整理加工，并且從中提取具備指導意義的分析結論。

　　這個數據分析模塊，它必須同時具備顯性因果分析能力，和隐性因果分析能力。

　　比如生豬存欄數據下跌，必然導緻随後的豬肉價格上漲。
生豬存欄數量與豬肉價格存在某種必然的因果關系，而數據分析模塊，必須具備識别這種明顯由因就可以導緻果的因果關系的能力。

　　比如東南海峽輸油管道生破裂，必然導緻帝國東南大區油品價格上漲，這也存在某種必然的因果關系。
隻不過與生豬存欄數據不同的是，生豬存欄數據屬于常态化數據，它每天都有，每天都有浮動，而油管破裂屬于偶事件。

　　雖然油管破裂屬于偶事件，但是數據分析模塊必須具備識别這種偶事件，進而給出随後由其導緻的必然後果的能力。

　　類似的因果關聯事件或者數據很多，數據分析模塊必須具備識别這種顯性因果聯系的能力。

　　與這些顯性因果相對應的，就是隐性因果聯系。

　　那個著名的啤酒和尿布的案例其實就是隐性因果聯系，這些隐性因果之間，不一定具備必然性，但是因和果之間，往往存在或然性聯系。

　　就單個事例來說，這種因果聯系未必成立，但是将其置于一個足夠大的基數上時，這種因果聯系就凸顯出來，這是一種概率學意義上的因果關系。

　　另外有一個案例，就是基于這種概率學因果關系的。
一個搜索公司，它想研究今年冬天流感爆的可能性，但是它研究的角度非常有意思，他不是從醫學角度來研究，而是程序和算法角度來研究。

　　它通過分析5ooo萬條最頻繁檢索的詞彙，将之和疾病中心在5年間季節性流感傳播時期的數據進行比較，并建立一個特定的數學模型，從中尋找關聯性，尋找那些隐藏起來或然聯系，最終它成功預測了流感的爆，甚至可以精确到特定的地區和城市。

　　如果說顯性因果隻需要事先标注和設定，那麼隐性因果明顯就需要挖掘和尋找了，而如何找到這些隐性因果，就是數據分析模塊的主要功能，同時也是這個模塊是否設計成功的一個标志性指标。

　　【馬上就要515了，希望繼續能沖擊515紅包榜，到5月15日當天紅包雨能回饋讀者外加宣傳作品。
一塊也是愛，肯定好好更！
】