Ein Regelwerk extrahiert quasi die in den Kursen enthaltene Zukunftsinformation. Die Regeln spiegeln die Zusammenhänge wider, die der Entwickler anhand der Kurs-Historie gewonnen hat. Aufgrund der Komplexität der Geschehnisse, dem chaotischen (im wissenschaftlichen Sinne) sind die entsprechenden Regeln jedoch meist nicht ausreichend erfassbar. Als Alternative bietet sich deshalb die Anwendung maschinellen Lernens (der Kurs-Historie) mittels Künstlicher Neuronaler Netze an.

Ein mechanisches System besitzt neben der automatischen Arbeitsweise den Vorteil einer fundierten Aussage. Im Gegensatz zu empirischen, d.h. sog. diskretionären Verfahren, ist es systematisch getestet (Backtest). Wichtig ist hierbei, dass der vorausgegangene Entwicklungsprozess zu keiner Überanpassung geführt hat. Ein überangepasstes System würde zwar in der Vergangenheit gute Ergebnisse bringen, in der Praxis jedoch versagen. Die verwendeten Regeln dürfen also nicht zu speziell sein. Auch in dieser Hinsicht bieten Neuronale Netze Vorteile, da sie Regeln formulieren können, die optimaler sind als ein großes Set von wenn-dann-Regeln und die trotzdem nicht zu umfangreich sind.