首先我们有多个资产及资产相关风险因子的历史数据，将其称为先验分布，该先验分布的特点是每个历史事件发生的概率都相等：因为历史上每个情景都只发生了一次。在本文的实证环节中，该历史数据为一个N日*K列的矩阵，代表N个交易日，K个资产（如股票债券）或风险因子（如十年期国债利率）的月涨跌幅。

下面输入我们对未来的主观判断观点。不妨假设我们对风险因子1未来看涨，且对风险因子2未来看跌。

将观点输入模型。我们的观点是风险因子1未来会上涨，风险因子2会下跌。将其转换为模型语言输入即为：我们想要的后验分布需要满足风险因子1涨跌幅的期望>0且风险因子2涨跌幅的期望<0。

根据上述观点，模型将通过使先验和后验分布的相对熵最小（这里不详细描述）生成后验分布，其资产或风险因子的收益分布满足我们输入的观点。假设在原先验分布中（即真实历史数据）风险因子1的月涨跌幅均值为-0.05%，风险因子2的月涨跌幅均值为+0.02%。输入新观点后，满足观点的概率分布有无穷多种，而熵池会用相对熵最小的方法选取一种：满足观点且和先验分布最为“相似”的后验分布，这样的分布不会过分扭曲历史先验分布。所以在本例中，可以想象风险因子1的涨跌幅较高的情景概率将提升，而风险因子2涨跌幅较低的情景概率也将提升，相反的情景概率则将降低。

新的后验分布进入优化函数后，输出熵池模型权重。至此熵池模型的整个过程结束。实证部分将这两个进行比较。

需注意的是，优化函数的选取也多种多样，比如最简单的均值方差形式，或是更为复杂。在实证中发现，普通的均值方差优化函数效果并不理想，本文尝试过后并没有使用，而采用了其他形式。优化函数形式将在下一节重点阐述。