问28预测心得：同一份记录算出两种结论，问题多半在口径

两个人拿同一份开奖记录，一个说重心偏左，一个说偏右，差的往往就是窗口和边界。

把问题缩小以后，28预测心得讨论的对象其实很具体：三个数字相加得到一个和值，范围固定在0到27，一共28种结果。所谓预测，是拿最近若干期的记录去估计下一期的分布，而不是算出一个唯一答案。算法负责把频率、遗漏和区间厚度整理成可复核的表，模型再根据这张表给出概率排序。两者都只是工具，真正决定结论质量的，是样本口径有没有写清楚。

方法第一步：先定口径

复盘要对比同一口径下的两次结果。改了窗口又改了边界，成绩变好也说不清是哪一项起的作用。一次只改一个变量，是复盘能得出因果结论的前提。

参数要少而有解释。每加一个参数，就多一个可以调的空间，也多一个过拟合的机会。28预测心得里常用的参数不超过五个，每个都能说清楚为什么这么定。

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。

最近一期第3501218期的和值落在主体区间内，这个信息本身价值有限。有价值的是它相对于近30期重心的位置：偏高还是偏低，以及这种偏移在过去100期里出现过多少次、后续如何回落。

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。

特征工程决定了模型的上限。频率、遗漏、区间厚度、相邻期差值，这些特征都来自同一份记录，彼此高度相关。相关性太高，模型权重就会不稳定，同一份数据换一次切分就能得出不同权重。

哪些操作容易过拟合

只报命中次数、不报样本期数，是另一种常见偏差。命中10次听起来不错，如果一共预测了200期，这个数字就要重新看。分子和分母要一起出现。

读28预测心得的页面，建议按这个顺序：先看更新时间和样本窗口，再看分布特征，然后看概率表和准确率卡，最后才看结论性描述。算法输出和模型输出应该能相互印证；如果两者矛盾，优先检查口径，而不是急着相信其中一个。这个顺序能过滤掉大部分情绪化解读。

常见问题

说到底，28预测心得的价值不在给出一个确定答案，而在把不确定性量化。算法能整理历史，模型能给出排序，但单次结果仍然随机。接受这一点，才能把注意力放在样本质量和记录纪律上，而不是放在某一次命中或落空上。

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。

算法输出的概率表需要定期用新样本复核，模型权重也应随之调整。

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。

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。

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。

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。

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。

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。