C1 = OC hvor O er slik at med andre ord C1 er en vektor hvis komponenter bare verdiene 0, +1,. er -1 Prediksjon hvor p1 = W × S1 Derfor prediksjon av relative utviklingen, avhengig som X vil gjøre det bedre enn, verre enn eller samt Y.
Programmerings Problemet er at for å beregne vektene W slik at spådommer kan gjøres. For å gjøre dette programmet fungerer som en læring maskin, endre vekter når en feil forutsigelse har blitt gjort, inntil hele en treningssekvens av diskrete tidsperioder er nøyaktig beskrevet.
Anta at du bruker vekter W en prognose RT er blitt gjort på data XT og YT dvs. Anta videre at spådommen er feil (RT er kjent siden dataene er all historisk i treningssekvensen) La nye vekter W1 skal beregnes slik at hvor A er en konstant parameter. Klart at forutsigelsen er gjort rett, så lenge W1 kan beregnes. Vi har og siden vektene er normalisert vi kan dele opp hver sum i tre deler etter som Valget av skiltet avhenger av om X er bedre eller verre enn Y i løpet av den siste perioden. Dette gir da en algoritme for å endre vektene når en feil forutsigelse har blitt gjort.
Klart det bare setter rette prediksjon om gangen, og kan godt (og ofte gjør) kaste noen av de tidligere spådommer ut, dvs. noen spådommer som var riktig med de gamle vektene er galt med nye vekter. Løsningen på dette er å sykle gjennom historien, sette rett eventuelle feil spådommer som de oppstår inntil hele historien kan forutsies med ett sett med vekter. Således er fremgangsmåten er en iterativ en og. så fortjener betegnelsen læring maskin. Treningen metode (vekt skiftende prosedyrene beskrevet ovenfor) kan bli vist til konvergerer (dvs.
kan noen historie være slik rives med ett sett med vekter) og en formelle bevis kan finnes i Nillson, kapittel 5 (1965). Ovennevnte er den grunnleggende beregningsenhet, dvs. sammenligning av alle to aksjer. Sluttresultatet er en prognose av deres relative