边界一动，桶里的样本就重新分配，前后两期的比例也就没法直接比较。
如果只用一句话解释28预测心得，那就是：用历史样本估计概率分布，再用算法和模型把估计过程标准化。样本窗口、分桶边界、权重系数，这三个参数决定了结果长什么样。换窗口、换边界、换权重，结论就会跟着变。所以看任何一份预测结果，先问口径，再看数字，顺序不能反。
方法第一步：先定口径
把方法交给别人跑一遍，是最有效的验收。对方只按文档操作，不问你，能跑出同样的数字，说明口径写清楚了；跑不出来，问题多半在文档，不在数据。
把流程写成清单，是防止漏步骤最便宜的办法。取数、校验、清洗、统计、建模、验收，六步逐项打勾，比凭记忆可靠。清单还能当交接材料，换人也能接着做。
样本窗口怎么切
区间厚度可以用两张表交叉验证：一张按固定边界统计次数，一张按累计比例统计覆盖。两张表对不上，通常是边界定义不同。算法在做这件事时会把边界写进参数，模型读取的是同一套边界。
样本取最近100期，均值13.3、中位数14、标准差4.7。大小结构上，大（14及以上）占50.0%，小占50.0%；单数占43.0%，双数占57.0%。两个比例都接近一半，符合二分结构的特征。算法把这段样本整理成表，模型据此估计概率，但比例接近50%本身不指示下一期方向。
算法步骤拆开看
训练、验证、测试三段要分开。训练段定参数，验证段选模型，测试段只跑一次。28预测心得里常见的错误是把验证段反复使用，直到成绩满意为止，这样测试段就失去了意义。
模型越多越好吗？不一定。28预测心得里真正决定效果的，是模型池的互补性和权重分配。五个模型如果都在做同一件事，融合只是把同一种偏差平均了一遍。比较稳的做法是：先用算法把特征分层，再让不同模型负责不同区间，最后用样本外数据调整权重。模型负责给出概率，算法负责保证过程可复算。
- 时间序列模型：按时间顺序读取和值序列，提取趋势与周期成分，输出下一期的概率分布。
- 马尔可夫链模型：把和值划分成状态，统计状态之间的转移频率，用转移矩阵给出概率。
- 神经网络模型：用多层非线性结构拟合特征组合，适合处理频率、遗漏与区间厚度的交互。
- 蒙特卡洛模型：通过大量随机模拟逼近分布，检验其他模型输出的稳定性与尾部风险。
- 回归模型：用均值、标准差、遗漏等变量解释和值位置，输出带置信区间的估计。
哪些操作容易过拟合
「别人都这么说」不构成证据。一个说法被重复一百次，仍然是零次验证。28预测心得的讨论里，凡是不能给出样本和口径的结论，都只能当假设。
窗口挑选的隐蔽之处在于它看起来很正常。业绩不好就换一段样本，直到成绩满意，这个过程往往连自己都没意识到。把窗口提前写死，是唯一的预防办法。
常见问题
样本会更新，结论会变，唯一不应该变的是口径。今天用这套窗口和边界，明天还用同一套，前后的数字才有可比性。28预测心得的长期价值，就藏在这种一致性里。
模型不是越多越好。模型池里的每个模型都有自己的假设，时间序列模型假设趋势可延续，马尔可夫链模型假设状态转移稳定，神经网络模型假设特征之间存在非线性关系。把这些模型放在一起，先看它们的输出是否互补，再谈权重。权重定好以后，还要用样本外数据验收，否则融合只是把同一种偏差平均一遍。
算法与模型的关系，可以理解为“算法管过程，模型管排序”。算法负责清洗、统计和分桶，模型负责在特征之上输出概率。任何一个模型输出异常，都应该能顺着算法记录回溯到具体步骤。模型可替换，算法记录不可省，这是整套方法能复算的前提。
评估一个模型，至少要看三组数字：训练段的拟合成绩、验证段的样本外成绩、以及不同窗口下的稳定性。只看训练段，模型容易过拟合；只看一个窗口，模型容易被偶然性放大。把三个模型放在同一套口径下比较，比单独追求某个模型的高分更有意义。
概率描述的是可能性，不是结果；样本量越小，概率的波动越明显。
把概率和样本量一起报，是避免误读的最简单办法。
28预测的讨论应该建立在可复核的样本上，而不是单次结果上。
把28预测当成记录方法，比当成确定答案更有用。
28预测里真正能复算的部分，是样本、口径和参数，而不是结论。
对普通读者来说，最实用的动作不是背结论，而是学会提问题：样本多长、窗口怎么选、概率怎么算、模型权重怎么定。问题问对了，数字才有意义；问题不问，再漂亮的图表也只是装饰。
术语一致性比术语数量更重要。同一篇文章里，概率、频率、比例应该各有明确所指；算法、模型、参数也不应该混着用。读者不需要记住所有术语，但需要知道每个数字是怎么算出来的。
读表的顺序建议固定下来：先看时间和窗口，再看均值和标准差，然后看区间厚度与概率排序，最后才看结论性描述。顺序固定以后，不同页面之间的数字才有可比性；顺序一乱，很容易把描述当成预测。
复盘记录的价值，在于它保留了当时的判断。只记结果不记过程，事后很容易把运气解释成能力；把期号、参数、预测值和实际结果一起记下来，才能看出某个方法在什么条件下有效、在什么条件下失效。
样本量决定了结论能说多满。100期可以看清分布的大致形态，但不足以证明某个比例长期稳定；30期能看近期方向，却更容易被偶然波动带偏。把样本量和比例一起报，是避免过度解读的最简单办法。
结论要有边界。页面能说的是：在这段样本、这套口径、这组参数下，分布呈现什么形态，概率排序是什么样。页面不能说的是：下一期一定会怎样。把能说的和不能说的分开，读者才不会把统计描述当成承诺。