一方面，计算机给我们提供了一大套快速、简便的技术工具和指标，大大地简化了分析工作。另一方面，分析者的工作难度却同时有所提高。从前，技术分析者们只要掌握数种分析工具便能胜任自如，现在却必须同时面对多达40种的技术指标。根据认知心理学的研究，一般认为，人类意识在同时研究三种以上的变数之间的联系时，就会感到困难。如果要求分析者同时消化四种乃至更多的技术指标，也许他就会感到困扰。那么，如果我们决定只跟踪三种指标的话，哪三种最合适呢？

在我们进行市场分析时，计算机几乎完全被当成计算器了。其主要功能表现在计算数据、显示资料等方面，这节省了我们的时间。但是，如果计算机也能够对它计算的所有结果进行诠释的话，或许它就会更加有所作为了。这就是说，我们应当既充分利用计算机的计算能力，又充分开发它的逻辑功能。这就是所谓人工智能（AI）和形态识别（PR）的内容了。

人工智能是指计算机模仿人类的思维，借助具有“自学”能力的程序，来解决疑难。这时候，计算机实际上表现得活像具备了一定的“智能”那样。它能够判断形势，作出决定，并且能从错误中吸取教训。形态识别是指，计算机以对各项指标或因素的分类为基础，学会如何预测市场，作出决策的过程。“形态”这个词用在这里，与早先我们描述的各种图表“形态”，意思是不一样的。形态识别的目的是，把所有的技术指标组合在一起，以产生“协同”的效果，而不是孤立地处理各项因素。

形态识别的第一步，是要从所有的技术指标中，选出表现最佳的个别指标。下一步，是挑出成绩最好的一对指标的搭档。第三步，找出结果最理想的三种指标的组合。往下，将重复上述步骤，不断添入新指标，直到所增加的新指标不能再改善组合的总成绩为止。在测试过程中，我们要使用两组不同的数据，一组是学习数据，一组是测试数据。从学习数据中获得的结果，必须从测试数据中得到验证。这种采用两组不同的数据进行测试的技术，避免了所谓“曲线自适”现象。这种现象经常成为人们批评各种技术指标的测试方法的理由，特别是针对我们为优化而进行的试验。

利用人工智能和形态识别，我们或许能够对症下药，解决把如此花样百出的各种技术信息熔于一炉的问题。在处理相抵触的技术信息的问题上，我们首先利用计算机计算出所有的技术指标，然后针对各个特定的环境要求，从中选出最佳的组合。这样的解决方案是显而易见的，那么为什么在这个方面迄今并无太多建树呢？实际上到目前为止，这类研究主要还停留在纯理论性的实验室阶段，从未经受过实践检验。其费用昂贵，对计算机的性能要求太高。另外，即使我们识别出了市场的形态，它们往往也是不稳定的，需要不断地进行再检验。在这一领域，拉登研究组是走在前沿的研究集体。该小组的主要发言人是其主席，戴维·阿伦森。