A tanuló algoritmus definíciója, a tőzsde modellje, tanuló algoritmusok a tőzsdézésben. Hisztogramos , magfüggvényes, legközelebbi szomszédos  tőzsdei tanuló algoritmusok. Tőzsdei tanuló algoritmusok  extra információ esetén.  Martingálok,    korlátos és nem korlátos martingál-differenciák,  martingál-differenciák átlagai és alkalmazásaik tanuló algoritmusok elemzésében.  A becslési probléma.   On-line becslések tanuló algoritmussal.  Előre és hátrafelé becslések. Korlátos és nem korlátos folyamatok. Becslések extra információ esetén. Tippelések, tippelő algoritmusok. Tippelés tanuló algoritmussal.  Tippelés extra információ esetén.  Ismeretlen folyamat megtanulása.  A  függőségi struktúra feltérképezése. Tanulás véges emlékezetű  folyamatokra.  Módszer ellenpéldák konstruálására. Valószínűség-számítás ismerete szükséges a kurzushoz. Sztochasztikus folyamatok ismerete hasznos a kurzushoz. Martingálok ismerete előnyös a kurzushoz. 

Definition of learning algorithms, the model of the stock market,  making money with learning algorithms. Partition, kernel and nearest neighbour  based  stock market learning algorithms.  Stock market learning algorithms  when side information is available. Martingales, bounded and unbounded martingale differences, averages of martingale differences and their applications for analysing  learning algorithms. The estimation problem. Forward and backward estimations. Estimation with learning algorithms for bounded and for unbounded time series. Estimation when side information is available. Guessing schemes, guessing with learning algorithms. Guessing when side information is available. Learning an unknown process. Learning the dependency structure of a process. Learning for processes with finite memories. Method for constructing  counterexamples. Knowledge of probability theory is necessary for this course. Knowledge of stochastic processes is useful for the course. Knowledge of martingales is advantageous for the course.