我们可以按照以下步骤挖掘和分析模式的预测能力。

（1）模式识别。根据K线模式的定义，我们识别出属于某个模式（例如TIU或TID）的所有K线序列，然后将它们形成一个集合。

（2）模式聚类。我们使用KNSSC算法进行聚类; 然后就可以得到一组聚类，其中不同的聚类表示同一模式的不同形状。

（3）知识挖掘。我们定义了一些有关股票价格的统计指标，用于从每个集群中挖掘股票预测知识。

该模式的预测能力主要是通过分析该模式随之产生的K线序列的趋势来获得的。论文[ 22 ]发现，K线技术适用于短期投资预测，最有效的预测时间是10天。因此，我们主要分析该模式随后的K线系列在10天内的收盘价趋势。设三天的K线形态；其相应的K线序列用表示。的统计指标定义如下。

（a）表示的第k个收盘价，表示的趋势的可能性是上升趋势，而表示的趋势的可能性是下降趋势。并通过计算其中，代表满足in的条件的模式数量，代表满足in的条件的模式数量，代表的收盘价。表示的未来趋势正在上升。表示的未来趋势正在下降。

（b）表示如果出现此格局，收盘价在接下来的几天会上涨的可能性。表示如果出现此格局，收盘价在接下来的几天将下跌的可能性。并通过计算或的较高值表示预测看涨或看跌市场的能力更强。

（4）分析。基于统计结果，我们分析了模式的预测能力。