在12月底雪芝生孩子之前，郝强已经安排她在临近点将买多恒指期货陆续卖出，获利两百多亿港币。

    未来一年，从1994年1月到1995年1月，整整一年时间，恒生指数会一路跌回7000点，跌幅44%。所以未来一年是沽空。

    然后从7000低点重新开始攀升，到1996年11月14日又屡创新高，破点；所以后年一年又开始上行。

    在1994年这种清晰的曲线下行模式下，操作起来同样的配方，雪芝对于郝强未来两年时间的分析深信不疑。因为过去的一年已经充分证明了郝强准确无误的判断，这是常人难以想象的一种状态，雪芝奉若神明。

    有着当前雄厚的资金量，雪芝有信心比去年操作更加成熟，有了指路明灯，5000多点的下探空间，即使留下足够的头寸，买空之后放着不动，也能坐着获利。

    加上现在雪芝学会了熟练抓小周期的回调行情，盈利会更加乐观，在十几万亿的港股中，雪芝有把握咬上一大口。

    郝强也对雪芝进行了自己的经验分享，“如果你想抓住恒生指数期货的小周期回调行情，可以考虑这么几点”。

    郝强逐一分析，“第一，确定回调的级别：首先需要确定回调的级别，是短期回调还是中期回调。如果是短期回调，通常持续时间较短，幅度较小，而中期回调则持续时间较长，幅度较大。”

    “第二，观察技术指标：密切关注一些技术指标，如相对强弱指标（RSI）、随机指标（KdJ）等，以确定回调的信号。当这些指标超买或超卖时，可能会出现回调的信号。”

    “第三，控制风险：通过设置安全线，止损位、控制仓位大小等方式来降低风险，谨慎决策，虽然趋势是这样，也要预防阴沟里翻船！”

    让雪芝自己不断揣摩，积累操作经验。郝强则根据恒指期货变化曲线，尝试着做一个简单的数据分析模型，给雪芝未来的操盘提供决策参考。

    这个工具的实现需要一定的编程知识和数据分析技能。这是前世读研究生期间向精算专业的同学学到的，涉及多变量下的轨迹预测小工具。

    首先是数据收集，郝强将去年一年的恒指期货历史数据录入数据库，包括价格、成交量、开盘价、收盘价等。这些数据可以从自己证券交易所的后台数据库中获取。

    然后是数据预处理，郝强在进行数据分析之前，需要对数据进行预处理，例如清洗、缺失值处理、数据转换等。这可以通过使用 python 中的数据分析库（如 pandas、numpy 等）来完成。

    之后是特征选择。郝强需要选择合适的特征来进行预测。这些特征包括价格、成交量、开盘价、收盘价、移动平均值、相对强度指标等。特征的选择郝强通过使用统计方法（如相关系数、信息增益等）或者机器学习算法（如随机森林、决策树等）来完成。

    下面就到了模型训练，郝强使用选择的特征和历史数据来训练模型。郝强使用前世掌握的多种先进机器学习算法，如线性回归、决策树、随机森林、支持向量机、神经网络等。模型的训练通过使用 python 中的机器学习库（如 sklearn、tensorFlow 等）来完成。

    然后还要进行模型评估。郝强使用多种评估指标，如均方误差、准确率、召回率、F1 值等。模型的评估同样通过使用 python 中的评估库（如 sklearn、pandas 等）来完成。对训练的模型进行评估，确定其准确性。

    经过几天时间的投入研究，郝强使用训练好的模型来进行预测，将新的恒指期货数据作为输入，然后模型就会输出预测的价格。

    郝强还在现有技术条件下，勉强做了个可视化界面。将预测结果以图表的形式展示出来，以便雪芝能更好地理解。

    大功告成，郝强也很兴奋，把雪芝喊过来，得意地给她演示自己的成果。

    “哇！老布！这太不可思议了！”

    雪芝虽然经过学习，现在对于电脑操作不再陌生，但是也没见识过这么高科技的东西。

    雪芝马上根据预测结果进行实际验证，几天时间买入卖出都让数据说话，的确比人的主观臆断更可靠。

    小行情抓取机会的准确率很高，雪芝这下子有了随身的电脑高参，玩的不亦乐乎，交易操作的判断更加快准狠！没有了之前的深思熟虑和来回纠结。

    雪芝思想压力一放松，这几天兴奋的睡不着，等哄孩子睡下就和郝强转移到隔壁房间，面对雪芝的虎狼之姿，郝强可以不用收着了，火力完全放开，斗个旗鼓相当！