一项交易逐日发生损失暗示着可能存在的潜在问题；预测情况与实际结果之间的差异模式提供的有关信息，有助于说明问题的可能性质。这种信息认为同时关注多项指标对损失情况的反应情况，回避一个迟钝的止损规则更有效果。
移动平均的计算方法:
MA(n) = MA(n-1) + (Y(n) - Y(1)) / n
加权移动平均
EWMA(n) = (1-λ)Y(n) + λ*EWMA(n-1)
神经网络是挖掘数据模式的一种优秀工具。只要同样的模式再次出现，网络的预测能力就会得到非常好的表现。不过，它有一个严重的缺点，就是缺乏可解释性。
神经网络最大的优势，就是他们非常具有弹性，而这也是他们从一开始就能够成为优秀的模式识别方法的原因。当结构发生变化时，神经网络可以非常快速低识别出正在进行的变化，并随后对新的稳定模式进行特征上的描述。但是，这样的弹性也总会伴随着一定的风险，那就是，被识别出来的模式可能只是存在很短暂的时间，从而导致无法使用。欧威尔：“描述现状没问题，但预测未来，行不通。”