按照法默的说法，有两种不同的复杂性：内在的和表面的。内在的复杂性是混沌系统“真正的”复杂性。它造成晦暗的不可预测性。另外一种复杂性是混沌的另外一面——掩盖着可利用秩序的表面复杂性。

法默在空中画了一个方框。往上，表面复杂性增加；对角向上穿过正方形，内在复杂性增加。“物理学通常是在这里工作”，法默指着两类复杂性低端共聚的底角、那个简单问题所在的区域说道。“而到了那边”，法默指着方框中跟这个底角相对的那个上角说道，“都是些难题。不过，我们现在是要滑到这个位置，到了这里，问题就会比较有趣——这里表面的复杂性很高，而真正的复杂性仍然保持比较低的水平。到了这里，复杂的难题中有些成分是可以预测的。而那些正是我们要在股票市场中找的东西。”

预测公司希望能够借助那些简陋的计算机工具，那些占了混沌的另一面的便宜的工具，来消灭金融市场中简单的问题。“我们正在运用我们能找到的所有方法”，前混沌社成员，公司的合伙人诺曼·帕卡德说道。这个想法是把得到了验证的各种来路的模式搜寻策略都变成数据，然后“不断地敲打它们”，以此对算法进行最优化。找到模式最清晰的提示，然后使真相大白。这是一种赌徒的心态：任何利益都是利益。

激励法默和帕卡德的信念是从他们自己的经验中得来的：即混沌的另一面非常稳定，足以依赖。没有比他们在拉斯维加斯的轮盘赌试验中挣到的那一大把实实在在的钞票更能打消疑虑的了。不利用这些模式就太傻了。正如那位记录他们的高赢率冒险尝试的作者《幸福的馅饼》一书里大声疾呼的那样：“干嘛不在鞋里穿上计算机去玩轮盘赌？”

除了经验之外，法默和帕卡德在他们通过混沌研究创造出来的颇受人敬重的理论中还注入了大量的信念。不过，他们现在还在测试自己的最狂野最有争议的理论。与绝大多数经济学家的怀疑相反，他们相信其他那些复杂现象中的某些区域也能精确预测。帕卡德把这些区域称为“可预测性范围”或者“局部可预测性”。换句话说，不可预测性在整个系统中的分布并不是统一的。绝大多数时间，绝大多数复杂系统也许都不能预报，但是其中一小部分也许可以进行短期预报。回头去看，帕卡德相信，正是这种局部的可预测性才让圣克鲁斯混沌社通过对轮盘上的小球的近似路径进行预报来挣到钱的。

即使真的存在这种可预测性范围，它们也肯定被掩埋在一大堆不可预测性之下。局部可预测性的信号，会被上千个其他变量产生的盘旋杂乱的干扰所掩盖。而预测公司的六位股市分析高手，则利用一种混合了旧与新、高端与低端的搜索技术来对这个庞杂的组合信号堆进行扫描。他们的软件既搜寻那些从数学上来讲属于高维空间的金融数据，也寻找局部区域——不管什么样的局部区域，只要它能够和可预测的低维模式相匹配就好。他们是在金融的宇宙中寻找秩序的迹象——任何秩序。

他们做的这种实时的工作，也可以称为“超实时”的工作。就跟在鞋子计算机里模拟出来的弹跳球会在真球停下来之前停下来一样，预测公司的这种模拟金融模式也会比在华尔街那边的实际运行要快。他们在计算机里重新制定股票市场的一个简化部分。当他们探测到正在展开的局部秩序的波动时，就会以比真实生活更快的速度进行模拟，然后把筹码下在他们想见的这一波动可能结束的点位。

戴维·拜瑞比曾经在1993年3月的《发现》杂志上用一种非常可爱的比喻来形容这种寻找可预测性范围的过程：“看着市场中的混沌，就好象看着波涛汹涌、浪花四溅的河流，它充满了狂野的、翻滚着的波涛，还有那些不可预料的、不断盘旋着的漩涡。但是，突然之间，在河流的某个部分，你认出一道熟悉的涡流，在之后的五至十秒内，就知道了河流这个部分中的水流方向。”

当然，你是没有办法预测水流在下游半英里处的流向，但是，就有那么五秒钟——或者，在华尔街那边，五个小时——的时间里，你却可以预测这个演示的进展。而这也正是你致用（或者致富）所需要的。找出任意一个模式，然后利用它。预测公司的算法，就是抓住飞逝的一点点秩序，然后利用这个转瞬即逝的原型来挣钱。法默和帕卡德强调说，当经济学家们遵循职业操守对这些模式的原因进行挖掘的时候，赌徒们却没有这种约束。预测公司的重要目标并不是模式形成的确切原因。在归纳式的模型中——预测公司构造的那种模型——事件并不需要抽象的原因，就跟具有意念之中的棒球飞行路线的外野手，或者一只追逐抛出的棍子的狗一样不需要抽象的原因。

应该操心的，不是这类充斥着因果关系循环的大规模集群式系统中因与果之间模糊不清的关系，法默说：“要击败股票市场，关键性的问题是：你应该关注哪些模式？”哪些模式掩盖了秩序？学会识别秩序而不是原因，才是关键。

在使用某个模型下注之前，法默和帕卡德会用“返溯”的方法对它做一个测试。在运用“返溯”的技术（专业的未来学家常用到的方法）的时候，要通过来自人力管理模型中的最新数据建立模型。一旦系统在过往数据里，比如说二十世纪八十年代的数据里发现了某种秩序，就把过去那几年的数据提供给它。如果系统能够依据八十年代的发现准确地预测出1993年的结果，那么这个模式搜索器就可以拿到奖章了。法默说：“系统得出二十个模型。我们会把所有这些模型都运行起来，用诊断统计学把它们筛一遍。然后，我们六个人就会凑在一起，选出真正要运行的那个。”这种建模活动，每一轮都可能要在公司的计算机上运行上好几天。不过，一旦找到了某种局部秩序，根据这种秩序进行预测就只需要百万分之一秒的时间。

最后的一步——也就是在它手里塞上大捆的真钱来实际运行这个程序——还需要这几位博士中的一位在键盘上敲一下“回车”键。这个动作就会把选定的算法投入到那个高速运转、钱多得能让脑子停转的顶级赛事的世界。割断了理论的缰绳，自动运行起来，这个充实起来的算法就只听到它的创造者们喃喃低语：“下单啊，呆瓜，下单啊！”

“只要我们能够超过市场盈利5个百分点，那么我们的投资者就能挣到钱了。”帕卡德说。关于这个数字，帕卡德是这么解释的：他们能够预测出55%的市场走向，也就是说，比随机的猜测高出5个百分点，不过，如果他们真的猜对了话，那么最终得到的结果会高出200%，也就是说，比市场的赢率高两倍。那些为预测公司提供金融支持的华尔街大佬（当前是奥康纳及关联公司），可以获得这个算法的独家使用权，作为交换，他们则要根据算法所得到的预测结果的具体表现支付公司一定的费用。“我们还是有一些竞争者的”，帕卡德笑着说道，“我知道有另外四家公司也在琢磨同样的事情”，用非线性动力学去捕捉混沌中的模式，然后用这些模式进行预测。“其中的两家已经发展起来了。里面还有一些我们的朋友。”

花旗银行就是使用真钱交易的竞争者之一。从1990年开始，英国数学家安德鲁·科林就已经开始搞交易算法了。他的预报程序首先随机生成数百个假设，这些假设的参数影响着货币数据，然后再用最近五年的数据来检验这些假设。最可能产生影响的参数会被传送到计算机神经网络，由它调整每一个参数的权重，以求更好地与数据吻合，采取给最佳参数组合加权的办法，以便产生出更优的猜测。这个神经网络系统也会不断地把得到的结果反馈回来，通过某种自我学习的方式不断打磨自己的猜测。当一个模型跟过去的数据吻合，它就会被传送到未来。1992年，《经济学人》杂志曾经有一篇文章这样写道：“经过两年的实验，科林博士估计他的计算机的虚拟交易资金能够获得每年25%的回报……这已经是绝大多数人类交易者期望值的好几倍了。”当时伦敦的米兰银行有八位股市分析高手在研究预测装置。他们计划由计算机生成算法。不过，和在预测公司一样，“在敲回车”之前，计算机生成的算法还是要由人类来评估。直到1993下半年，他们一直是用真钱交易。

投资者们喜欢向法默提出的一个问题是，他怎么证明人们确实可以凭借这么一点点信息上的优势就在市场中挣到钱。法默举了一个“现实存在的例子”，即华尔街上像乔治·索罗斯这样的人，通过货币交易或者其他别的的交易，年复一年地赚取数百万的金钱。成功的交易者，法默抱不平地说，“被那些学院派呸呸连声瞧不起，以为他们只是超级有运气而已——可是证据却显示说事情完全不是这样的”。人类的交易者会在无意识中学会如何在随机数据的海洋里识别出那些属于局部可预测性的模式。这些交易者之所以能够挣到数以百万计的美元，是因为为他们为了做出预测，先发掘出了模式（虽然他们说不清道不明），然后建成内部模式（虽然他们并未意识到）。他们对自己的模型或理论的了解并不比他们对自己如何抓住飞球的了解更多。他们就这么做了而已。不过，这两种模型都是基于经验，以同样的托勒密式归纳法建立起来的。而这也正是预测公司利用计算机来对飙升的股票进行建模的方法——以数据为起点自下而上。

法默说：“如果我们在现在所做的事情上取得基础广泛的成功，那就证明机器的预报能力比人强，而且，算法是比米尔顿·弗里德曼还要优秀的经济学家。交易师已经在猜疑这个东西了。他们感受到了它的威胁。”

困难的地方是要保持算法的简洁。法默说：“问题越复杂，最后要用到的模型就越简单。跟数据严丝合缝其实并不难，但如果你真的去做了，那你最后一定只是侥幸成功。概括是关键。”

说到底，预测机制其实是生产理论的机制，是产生抽象和概括性的设备。预测机制仔细咀嚼那些看似随机、被鸡爪刨过，源自复杂、活生生的东西的杂乱数据。如果有日积月累的足够大的数据流，这个设备就能从中分辨出星星点点的模式。慢慢地，这种技术就会在内部形成专门特定的模式，以解决如何产生数据的问题。这种机械不会针对个别数据对模式做“过度调校”，它倾向于有几分不精确的概括性的模糊拟合。一旦它获得了某种概括性的拟合，或者说，某种理论，它就能够做出预测。事实上，预测是整套理论的重点。法默宣称：“预测是建立科学理论之后最有用、最实在的结果，而且从许多方面来说，也是最重要的结果。”尽管制造理论是人类大脑擅长的创造性的行为，可是具有讽刺意味的是，我们却没有如何制造理论的法则。法默把这种神秘的“概括模式搜寻能力”称为“直觉”。华尔街的那些“走运的”交易员，利用的恰恰就是这种能力。

我们在生物学中也可以见到这种预测机制。正如一家名为“Interval”的高技术智囊公司的主管戴维·李德所说，“狗不会数学”，但是经过训练的狗却能够预先计算出飞盘的路径然后准确地抓住它。一般而言，智能或者聪明，根本就是一种预测机制。同样地，对预测与预报而言，所有适应与进化，也都是相对更为温和、分布更为稀疏的机制。

在一次各家公司CEO的私人聚会上，法默公开承认：“对市场进行预测并不是我的长期目标。老实说，我是那种一翻开《华尔街日报》看金融版的时候就觉得无比痛苦的人。”对一个死不改悔的前嬉皮士来说，这也没有什么可奇怪的。法默规定自己花五年的时间研究股票市场预测的问题，大挣一笔，然后转移到更有趣的问题上，比如，真正的人工生命、人工进化和人工智能。而金融预测，就跟轮盘赌一样，只不过是另外一个难题而已。“我们之所以对这个问题感兴趣，是因为我们的梦想是要生产出预测的机制，一种让我们能够对很多不同的东西都进行预测的机制。”——天气、全球气候、传染病等等——“所有能够产生很多让我们吃不透的数据的事物”。

“最终”，法默说道，“我们希望能够使计算机感染上某种粗略形态的直觉”。

至1993年年底，法默和预测公司公开报告说他们已经成功运用“计算机化的直觉”对市场进行了预测，而且采用了真钱交易。他们与投资者之间的协议不允许他们谈论具体的业绩表现，虽然法默非常想这么做。不过，他确实说过，再过几年，他们就能够获得足够多的数据来“用科学的标准”证明他们在交易上的成功不仅仅是统计上的运气所致：“我们确实在金融数据中找到了在统计上非常重要的模式。确实存在着可预测性范围。”