在文章 智能测试报告中数字的意义中给出了计算模式质量的公式：
ModellingQuality = ((0.25*(StartGen-StartBar) + 0.5 *(StartGenM1-StartGen) + 0.9 *(HistoryTotal-StartGenM1)) / (HistoryTotal-StartBar))*100%;位置:
HistoryTotal - 在历史中的总数额；
StartBar - 开始测试柱的数字。模型开始于最小的第101个柱或者测试水平初始日期相关的柱;
StartGen - 在最近的时间范围内开始测试柱的数字；
StartGenM1 - 在原有分钟内开始测试柱的数字；
另外:
对于最近时间范围数据库模型的开始和最近时间范围数据模型的开始存在重量系数0. 25的区别;
对于最近时间范围数据库模型的开始和最近时间范围数据模型的开始在原有分钟内存在重量系数0. 5的区别；
在原有时间上模型的开始和历史数据的末尾之间重量系数0.9的区别。
从相同的公式推理得出，一分钟数据模式的质量不会超过 25% 。因为对于这些数据的模式不使用较小周期的数据。对于客户终端，较小周期的数据只是不存在，但是存在替克数据。虽然，替克数据是以标准方式在客户端内存储的。
一分钟数据本身对于价格的变动有很多的详细数据。并且在较大周期图表得内部柱中，它可以帮助价格变动的模式化。另外， 在真实价格变动和模式替克之间的差异将会小于一分钟图表呈现的点数：开盘价，最高，最低，收盘价。这些参考点数可以模式化第一个价格变动的最近函数(第一个最靠近的定单)。时间周期模式值越高，这些参考点数就越多并且模式就越准确。相反地，时间周期模式值越低，模式的质量就越低。例如，一分钟参考点使用到模式一小时柱为 240。当模式化一个5分钟柱时，参考点数的总数下滑至20.
正如我们所讲的，对于一分钟柱的模式值存在4个参考点数！这就是为什么对于一分钟柱的质量等级不可能超过 25%的原因。然而，在一分钟时间周期测试时，如果使用从较大时间周期数据中得到的信号 ，数据会模式化。 这样得到的等级要高得多。因为在时间周期的柱大于分钟柱内价格变动被考虑。
注解: 严格地讲，以一分钟数据模式化为基础计算5分钟质量和相关的等级为 0.5，而不是 0.9。这种计算是在“最近时间周期的历史数据的基础上模式化”的限定内。不过，我们决定不再引入附加的公式和复杂的模式计算方法。
