这款软件的名字莫回已经想好了，就叫股神，他准备先开发股神1.0版。

开发周期莫回暂时无法预期，不过可以想见的是，即使做一个拼接组装的活，中间也会有大量的接口开发工作，将这些软件拼接在一起的粘合剂和组装平台就需要他自己动手了。

具体工作量无法预估，只能先干着再说，如果开源软件刚好都能找到合用的，这个周期自然会短不少，如果很不巧，没有合用的软件，估计他就得自己开发，这所耗用的时间就没头了。

莫回给自己列了一个工作进度表，按照这个进度表开始逐条逐项的完成和推进。

如果想要“攒”一个股神1.0，那么有几个必须的关键功能模块，比如股神1.0的大脑，这将是一个大数据分析模块，它负责将所有搜集来的信息进行整理加工，并且从中提取具备指导意义的分析结论。

这个数据分析模块，它必须同时具备显性因果分析能力，和隐性因果分析能力。

比如生猪存栏数据下跌，必然导致随后的猪肉价格上涨。生猪存栏数量与猪肉价格存在某种必然的因果关系，而数据分析模块，必须具备识别这种明显由因就可以导致果的因果关系的能力。

比如东南海峡输油管道发生破裂，必然导致帝国东南大区油品价格上涨，这也存在某种必然的因果关系。只不过与生猪存栏数据不同的是，生猪存栏数据属于常态化数据，它每天都有，每天都有浮动，而油管破裂属于偶发事件。

虽然油管破裂属于偶发事件，但是数据分析模块必须具备识别这种偶发事件，进而给出随后由其导致的必然后果的能力。

类似的因果关联事件或者数据很多，数据分析模块必须具备识别这种显性因果联系的能力。

与这些显性因果相对应的，就是隐性因果联系。

那个著名的啤酒和尿布的案例其实就是隐性因果联系，这些隐性因果之间，不一定具备必然性，但是因和果之间，往往存在或然性联系。

就单个事例来说，这种因果联系未必成立，但是将其置于一个足够大的基数上时，这种因果联系就凸显出来，这是一种概率学意义上的因果关系。

另外有一个案例，就是基于这种概率学因果关系的。一个搜索公司，它想研究今年冬天流感爆发的可能性，但是它研究的角度非常有意思，他不是从医学角度来研究，而是程序和算法角度来研究。

它通过分析5000万条最频繁检索的词汇，将之和疾病中心在5年间季节性流感传播时期的数据进行比较，并建立一个特定的数学模型，从中寻找关联性，寻找那些隐藏起来或然联系，最终它成功预测了流感的爆发，甚至可以精确到特定的地区和城市。

如果说显性因果只需要事先标注和设定，那么隐性因果明显就需要挖掘和寻找了，而如何找到这些隐性因果，就是数据分析模块的主要功能，同时也是这个模块是否设计成功的一个标志性指标。