问28预测心得：连中三次就以为找到规律，我后来怎么改的

连中让人兴奋，但三次命中在概率上并不罕见，真正该看的是同期落空了几次。

很多讨论从一张截图开始：某一期和值落在尾部，配一句「果然」。单期结果说明不了方法好坏；要判断方法，至少要看几十期的连续记录，以及同一套口径下不同窗口的表现。算法能把记录整理成表，模型能把表变成概率，但样本量和口径仍然要人来定。

我最初怎么做

问28预测心得有没有用，先要问它在什么条件下用。固定样本、固定口径、固定参数，方法才能被比较；条件一变，之前所有数字都要重算。这不是方法的缺陷，而是任何统计工具的共同前提。

很多人第一次接触28预测心得，会以为里面藏着某种能算准下一期的公式。实际拆开看，常见做法只有三步：统计最近50到100期的和值频率，计算每个和值距离上次出现的遗漏期数，再按区间给一个权重。算法把这些步骤固定下来，模型负责输出概率排序。步骤本身不神秘，难的是每一步的口径都经得起复算。

三个月后的修正

分位数比均值更能说明尾部。最近100期里，四分之一分位与四分之三分位之间承载了一半样本，其余散在两端。偏度0.24说明分布略微偏向一侧，但幅度有限。算法报这几个数，是为了让读者知道重心在哪、尾巴有多长。

把100期按每20期一段切成五段，逐段看均值，会发现段与段之间有差别，但多数差别落在标准差范围内。模型如果对每一段都重新调参，很容易把正常波动当成结构变化，参数也会越调越多。

算法模型起了什么作用

算法与模型的分工，可以拆成两层：算法负责把原始记录变成特征，模型负责把特征变成概率。28预测心得常见的特征包括近50期频率、当前遗漏、区间厚度和相邻期差值；常见的模型包括时间序列、马尔可夫链、神经网络、蒙特卡洛和回归。五类模型各有假设，单模型容易在某个窗口里表现好，换个窗口就回落，所以多模型融合比单模型更稳。

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。

现在的五条经验

方法最容易出问题的地方，是偷偷调参。看到某段回测成绩不好，就换窗口、换边界、换权重，直到数字好看为止，这不是优化，是过拟合。28预测心得的做法是先把参数写进记录，再跑样本外验证；验证不通过就承认不通过，而不是回头改参数。算法和模型都应该接受这个约束，否则方法只是事后解释。

方法要能接受反向检验：如果这套方法无效，数据应该呈现什么样子？先把否证条件写下来，再看结果，比事后找理由可靠得多。

常见问题

把28预测心得讲清楚，比把28预测心得说神更难。清楚意味着边界明确：哪些是记录，哪些是统计，哪些是判断；哪些能复算，哪些只能参考。边界写清楚了，数字才有讨论价值。

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。

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。

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。